ผู้นำทางความคิด

AI ถูกฝึกให้ค้นหาชีวิตต่างดาว

Zac Amos
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญปัจจุบัน AI…
ดูเพิ่มเติม
  • ปัจจุบัน AI ถูกใช้ในการคัดกรองข้อมูลอวกาศปริมาณมหาศาลเพื่อค้นหาสัญญาณทางเทคโนโลยีหรือสัญญาณทางชีวภาพที่อาจมาจากสิ่งมีชีวิตต่างดาว
  • โครงการวิทยาศาสตร์พลเมืองอย่าง Breakthrough Listen ใช้ฝึกอัลกอริทึม AI เพื่อจำแนกประเภทสัญญาณวิทยุสำหรับการวิจัย SETI (การค้นหาสิ่งมีชีวิตทรงภูมิปัญญานอกโลก)
  • โมเดลแมชชีนเลิร์นนิงสามารถระบุรูปแบบของจุลชีพในสภาพแวดล้อมสุดขั้วของโลก ซึ่งใช้เป็นแบบจำลองในการศึกษาดาวเคราะห์อื่นๆ

จากดวงจันทร์ที่มีมหาสมุทรเย็นเยือกไปจนถึงดาวเคราะห์ที่มีด้านหนึ่งอยู่ในความมืดมิดตลอดไป มีโลกแปลก ๆ อีกมากมายในเขต Goldilocks — พื้นที่ที่สิ่งมีชีวิตต่างดาวอาจพัฒนาได้ตามทฤษฎี การค้นหาชีวิตในอวกาศได้ครอบงำจินตนาการของมนุษย์มานานแล้ว ตอนนี้ด้วยความช่วยเหลือจากคอมพิวเตอร์ นักวิทยาศาสตร์มีโอกาสที่ดีกว่าเคยในการค้นหาสัญญาณในเสียงรบกวน

ร่องรอยทางเทคโนโลยีและชีวภาพ

การค้นหาชีวิตในอวกาศมีสองรูปแบบ ในด้านหนึ่งคือการค้นหาสิ่งมีชีวิตใดๆ ที่พัฒนาในดาวเคราะห์อื่น แม้กระทั่งแบคทีเรียหรือเชื้อรา การมีอยู่ของซากฟอสซิลของเชื้อราต่างดาวจะมีผลกระทบอย่างลึกซึ้งต่อจิตใจของมนุษย์ ทำให้เราต้องเปลี่ยนความคิดเกี่ยวกับชีวิตที่เรารู้จัก

สัญญาณชีวภาพคือหลักฐานของชีวิตในอดีตหรือปัจจุบัน ไม่ว่าจะเป็นสิ่งมีชีวิตที่มีสติปัญญาหรือไม่มีสติปัญญา ไม่จำกัดอยู่เพียงรอยเท้าและกระดูกเท่านั้น สารเคมี ฟิล์มชีวภาพ ก๊าซในบรรยากาศ และแม้กระทั่งลักษณะการสะท้อนแสง ที่เห็นได้จากที่ไกล อาจบ่งบอกถึงการมีอยู่ของชีวิต

แต่นักวิทยาศาสตร์บางคนกำลังมองหามากกว่าอะมีบา นักวิจัย SETI ทั่วโลกฟังอย่างใกล้ชิดเพื่อหาร่องรอยทางเทคโนโลยี ซึ่งเป็นร่องรอยของอารยธรรมขั้นสูง สัญญาณชีวภาพเหล่านี้อาจรวมถึงคลื่นวิทยุ ซึ่งกล้องโทรทรรศน์วิทยุ — ที่ฟังมากกว่าดู — อาจตรวจจับได้

AI เข้าร่วมทีม

จนถึงปี 2023 นักวิจัยยังไม่พบหลักฐานของร่องรอยทางเทคโนโลยี แต่นั่นไม่ได้หมายความว่าพวกเขาไม่ได้พยายาม พัฒนาการใหม่ๆ ในด้านการเรียนรู้ของเครื่องจักรทำให้ภาควิชา SETI มีพลังใหม่

เฟย์-เฟย์ ลี จาก Stanford เปิดตัว ImageNet ซึ่งเป็นฐานข้อมูลภาพที่ใช้งานได้ฟรีที่มีมากกว่า 14 ล้านภาพที่มีป้ายกำกับ ในปี 2009 นักวิจัยหลายคนใช้มันเพื่อพัฒนามอเดลการเรียนรู้ของเครื่องจักรของตนเอง ตั้งแต่นั้นมา AI ได้ทำให้เกิดความก้าวหน้าอย่างมากในทุกสิ่ง ตั้งแต่การแพทย์ไปจนถึงการเขียนโปรแกรม

AI มีความโดดเด่นในการประมวลผลข้อมูลจำนวนมหาศาล นักวิทยาศาสตร์ปัจจุบันใช้วิธีการสังเกตการณ์ระยะไกลในการค้นหาชีวิตในอวกาศ ซึ่งหมายความว่าพวกเขาเก็บข้อมูล — ไม่ใช่ตัวอย่างทางกายภาพ เช่น หิน — จากดวงจันทร์และดาวเคราะห์อื่น ๆ ซึ่งหมายความว่าต้องมีผู้คัดกรองข้อมูลทั้งหมดด้วย

การค้นหาสัญญาณเหล่านี้ด้วยมือจะเทียบเท่ากับการค้นหาทองบนยอดเขาเอเวอเรสต์ ซึ่งเป็นงานที่ไม่สมจริง AI สามารถค้นหาสัญญาณที่นักวิจัยคิดว่าอาจเป็นร่องรอยทางเทคโนโลยีได้ โมเดลการเรียนรู้ของเครื่องจักรสามารถวิเคราะห์สัญญาณในอดีตและคาดการณ์ว่าควรจะดังอย่างไรในอนาคตเพื่อตรวจจับการผิดปกติที่อาจมาจากโลกต่างดาว

วิศวกรฝึกอัลกอริทึมบนเซตข้อมูลขนาดใหญ่เพื่อให้ AI ตระหนักถึงเสียงรบกวนจากโลกของเรา เช่น คลื่นวิทยุที่มาจากดาวเคราะห์ของเรา ซึ่งช่วยให้ซอฟต์แวร์สามารถกรองสัญญาณปลอมได้ ด้วยความช่วยเหลือของการวิเคราะห์ข้อมูล NASA ได้ ทำแค็ตตาล็อกดาวเคราะห์มากกว่า 5,400 ดวง บางดวงอาจมีสภาพที่เหมาะสมสำหรับการอยู่อาศัย

การประยุกต์ใช้ในโลกแห่งความเป็นจริง

ในเดือนกุมภาพันธ์ 2023 นักวิทยาศาสตร์จากมหาวิทยาลัยแคลิฟอร์เนีย ลอสแอนเจลิส (UCLA) เริ่มโครงการวิทยาศาสตร์ของพลเมืองที่เรียกว่า Breakthrough Listen ซึ่งให้สมาชิกของสาธารณชนดูภาพของสัญญาณวิทยุ ผู้อาสาสมัครกำลังช่วยในการจำแนกภาพเหล่านี้เป็นรูปแบบของการรบกวน ซึ่งช่วยฝึกอัลกอริทึม AI เพื่อดูข้อมูล SETI จาก Green Bank Observatory รัฐเวสต์เวอร์จิเนีย

Green Bank มีชื่อเสียงในเรื่องที่ไม่อนุญาตให้คนในพื้นที่ใช้อุปกรณ์อิเล็กทรอนิกส์ เนื่องจากกล้องโทรทรรศน์วิทยุที่มีขนาดใหญ่ของหอดูดาวต้องการ “ความเงียบของวิทยุ” ผู้อยู่อาศัยในพื้นที่จึงไม่สามารถใช้ Wi-Fi ไมโครเวฟ หรือโทรศัพท์มือถือได้ การส่งออกข้อมูลไปยังโครงการ AI ของ UCLA ช่วยให้ Green Bank สามารถใช้ประโยชน์จากการระดมความร่วมมือจากสาธารณชนในการค้นหาชีวิตในอวกาศ

นักวิจัยที่สถาบัน SETI ในแคลิฟอร์เนียได้ทำการวาดแผนที่จุลินทรีย์ที่อาศัยอยู่ในโดมเกลือ คริสตัล และหินใน Salar de Pajonales ซึ่งเป็นพื้นที่ราบที่มีน้ำเค็มที่อยู่ระหว่างทะเลทราย Atacama และพื้นที่ Altiplano ของชิลี ซึ่งอาจเป็นแบบจำลองที่ดีสำหรับดาวเคราะห์ที่ดูเหมือนว่าไม่มีชีวิตแต่เต็มไปด้วยชีวิต

กลุ่มนี้ร่วมมือกับนักวิจัย Freddie Kalaitzis เพื่อฝึกโมเดล AI เพื่อค้นหาลักษณะที่เกี่ยวข้องกับชีวิตในทะเลทราย โดยการผสมผสานการเรียนรู้ของเครื่องจักรและนิเวศวิทยาเชิงสถิติ นักวิจัยพบว่าสามารถตรวจจับสัญญาณชีวภาพส่วนใหญ่ที่มีอยู่ใน สภาพแวดล้อมได้ พวกเขายังพบว่าจุลินทรีย์ส่วนใหญ่เข้มข้นในพื้นที่ที่มีน้ำพร้อมใช้งานมากขึ้น

เครื่องมือ AI ประเภทนี้อาจตรวจจับสัญญาณชีวภาพในดาวเคราะห์อื่นได้เมื่ออยู่ในโดรนหรือดาวเทียม กลุ่มนี้วางแผนจะทำการวาดแผนที่หุบเขาแห้งแล้ง ดินที่ปกคลุมด้วยชั้นเยือกแข็งถาวร และน้ำพุร้อนในสถานที่อื่น ๆ เพื่อฝึกโมเดลการเรียนรู้ของเครื่องจักรเพิ่มเติม เพื่อที่วันหนึ่งอาจพร้อมสำหรับภารกิจในอวกาศ

การใช้ AI ในทางปฏิบัติอีกอย่างหนึ่งคือการจัดระเบียบข้อมูลเป็นรายการที่มีการจัดอันดับ นักวิทยาศาสตร์ใช้การเรียนรู้ของเครื่องจักรเพื่อจัดอันดับดาวฤกษ์ที่อาจมีดวงจันทร์หรือดาวเคราะห์ที่น่าสนใจโคจรอยู่รอบ ๆ พวกเขาจะใช้ข้อมูลนี้เพื่อดำเนินโครงการ SETI โดยใช้กล้องโทรทรรศน์วิทยุจานเดี่ยวที่ใหญ่ที่สุดในโลก ซึ่งเป็นกล้องโทรทรรศน์วิทยุ FAST ของจีน

AI และการค้นหาชีวิตในอวกาศ

สำหรับผู้ที่ไม่เชื่อในการวิจัย SETI การวิจัยนี้เป็นการเสียเวลา เนื่องจากยังไม่มีหลักฐานของชีวิตต่างดาว แต่การรวบรวมข้อมูลจำนวนมากได้กระตุ้นให้สาขาวิทยาศาสตร์อื่น ๆ ติดตามรอย

อย่างน้อยที่สุด SETI ได้ก้าวหน้าในด้านการเรียนรู้ของเครื่องจักรและกระตุ้นให้ผู้คนนับไม่ถ้วนหันมองหาชีวิตนอกโลกของเรา ดีที่สุดคือมันจะพบสิ่งที่น่าเหลือเชื่อ — และอาจเปลี่ยนแปลงแนวทางของประวัติศาสตร์ไปตลอดกาล หากมีใครหรืออะไรอยู่ที่นั่น มีโอกาสที่นักวิจัย SETI จะเป็นคนแรกที่ได้ยินจากพวกเขา

Zac Amos เป็นนักเขียนเทคโนโลยีที่มุ่งเน้นด้านปัญญาประดิษฐ์ เขายังเป็นบรรณาธิการบทความสารคดีที่ ReHack ซึ่งคุณสามารถอ่านผลงานเพิ่มเติมของเขาได้