Tuần Vũ trụ thế giới năm 2023 đang diễn ra và Space.com đang xem xét tình trạng hiện tại của trí tuệ nhân tạo (AI) và tác động của nó đến thiên văn học và khám phá không gian khi kỷ niệm 66 năm kỷ nguyên không gian. Ở đây, Keith Cooper thảo luận về cách AI có thể giúp con người phát hiện sự sống ngoài hành tinh.
Hãy hướng một kính viễn vọng điện từ đến các ngôi sao trên bầu trời, và ắt hẳn là bạn lập tức bị ầm ĩ nghe điếc. Từ pulsars đến các thiên hà từ trạng thái tạo nguồn cho đến sự xáo trộn trong điện cực trong bầu khí quyển cho đến nhiễu tần số radio (RFI) từ công nghệ của chúng ta, bầu trời là một cuộc ồn ào của âm thanh radio. Và nơi đó, giữa tất cả đó, có thể nằm một cây kim trong đống cỏ: tín hiệu từ vũ trụ khác.
Trong hơn 60 năm qua, các nhà khoa học đã quét chụp bầu trời để tìm kiếm sự sống ngoài Trái Đất nhưng vẫn chưa tìm thấy bất kỳ hình dạng sống ngoài hành tinh nào. Khi bạn xem xét tổng thể không gian tìm kiếm - tất cả các ngôi sao đó, tất cả các tần số radio đó - so với những khám phá có hạn của chúng ta cho đến nay, thì không có gì ngạc nhiên khi chúng ta chưa tìm thấy ET. Đó là một nhiệm vụ khó khăn, đặc biệt đối với con người.
May mắn thay, chúng ta có một số trí tuệ không phải của con người để tham gia tìm kiếm.
Có liên quan: AI đã giúp các nhà thiên văn học tìm ra những khám phá đáng kinh ngạc. Đây là cách
Việc sử dụng trí tuệ nhân tạo (AI) đang đạt đến tầm quan trọng, trong đời sống hàng ngày của chúng ta và trong khoa học, vì vậy không có gì ngạc nhiên khi nó đã được sử dụng trong Tìm kiếm Sự sống Ngoài Trái đất (SETI). Chúng ta không đang nói về Skynet, hay những máy móc từ các bộ phim Ma trận, hoặc thậm chí cả Data của Star Trek: Thế hệ tiếp theo. AI hiện đại đã dựa trên các thuật toán học máy được thiết kế để thực hiện các công việc rất cụ thể, cho dù chỉ là để trò chuyện với bạn trên ChatGPT.
Để giải thích cách AI hỗ trợ trong SETI, nhà thiên văn học và nghiên cứu SETI Eamonn Kerins của Đại học Manchester so sánh nó với vấn đề tìm cây kim trong đống cỏ.
"Bạn về cơ bản coi dữ liệu như là cỏ," Kerins nói với Space.com Space.com. "Sau đó, bạn yêu cầu thuật toán học máy cho bạn biết liệu có gì trong dữ liệu không phải là cỏ hay không, và hy vọng đó chính là cây kim trong đống cỏ - trừ khi còn các vật khác trong đống cỏ nữa."
Các vật khác đó thường là RFI, nhưng thuật toán học máy đã được đào tạo để nhận ra tất cả các loại RFI mà chúng ta đã biết. Những tín hiệu đó - các mẫu quen thuộc của điện thoại di động, bộ phát radio địa phương, thiết bị điện tử và những thứ khác - chính là cỏ.
Việc huấn luyện bao gồm "tiêm tín hiệu vào dữ liệu, sau đó thuật toán học cách tìm kiếm các tín hiệu giống như vậy," Steve Croft, một nhà thiên văn học thuộc dự án SETI Breakthrough Listen tại Đại học California, Berkeley, nói với Space.com. Thuật toán học cách nhận diện các mẫu của các tín hiệu quen thuộc này và bỏ qua chúng.
Nếu nó phát hiện một điều gì đó trong dữ liệu mà nó chưa được đào tạo, nó sẽ đánh dấu điều này là một điều thú vị đòi hỏi con người phải theo dõi.
Đài thiên văn di động Green Bank là đài thiên văn di động có thể xoay lớn nhất trên thế giới. Nó được đặt tại Trạm thiên văn Green Bank ở West Virginia. (Ghi chú hình ảnh: ANDREW CABALLERO-REYNOLDS / AFP qua Getty Images)) "Gần đây đã có những nỗ lực để lọc qua một số dữ liệu của Dự án nghe mới bằng một thuật toán học máy," Kerins nói. "Dữ liệu đã được kiểm tra kỹ lưỡng trước đó bằng phương pháp truyền thống, nhưng thuật toán vẫn có thể phát hiện ra tín hiệu mới sau khi được huấn luyện dựa trên những thông tin mà chúng ta đã biết."
Dự án này được Croft và sinh viên đại học Peter Ma của Đại học Toronto cùng tham gia, Peter Ma viết thuật toán và đưa nó vào phân tích dữ liệu từ 820 ngôi sao được quan sát bằng đài thiên văn radio 100 mét tại Trạm thiên văn Green Bank ở West Virginia. Dữ liệu này, với tổng cộng 489 giờ quan sát, chứa hàng triệu tín hiệu radio, hầu hết đều là nhiễu loạn do con người gây ra. Thuật toán đã kiểm tra từng tín hiệu và tìm thấy tám tín hiệu không khớp với bất kỳ thông tin huấn luyện nào và đã bị bỏ qua trong các phân tích trước đó của dữ liệu.
Tám tín hiệu này có vẻ đến từ năm ngôi sao khác nhau, mặc dù có thể dẫn đến hiểu lầm. Chúng chưa được phát hiện lại sau đó - việc xem một tín hiệu lập lại là yêu cầu cơ bản nhất để xem xét nếu nó có ý nghĩa trong việc tìm kiếm IS - và có thể sẽ chứng tỏ đó chỉ là nhiễu. Tuy nhiên, điều đó cũng hữu ích, vì chúng có thể được sử dụng để huấn luyện thế hệ tiếp theo của trí tuệ nhân tạo học máy để tránh các nhiễu tương tự trong tương lai.
Thuật toán học máy có thể được chia thành hai phương pháp. Một là học có giám sát, tiếp cận hãy dạy cho nó tất cả những gì bạn biết. Học không giám sát khác một chút, trong đó bạn chỉ cần cung cấp dữ liệu cho thuật toán và cho phép nó phân tích những gì có ý nghĩa, mà không có bất kỳ mối sai lệch nào từ con người.
"Với phương pháp không giám sát hoàn toàn, bạn chỉ cần đưa tất cả dữ liệu vào, khuấy đều và để thuật toán tự tìm hiểu," Croft nói.
Ví dụ về điều đó, giả sử bạn có một tập dữ liệu gồm các hình ảnh của bàn và ghế, và bạn muốn thuật toán phân biệt chúng.
Trong quá trình học có giám sát, bạn huấn luyện thuật toán trên nhiều hình ảnh được đánh dấu là 'bàn' hoặc 'ghế'. Trong khi đó, với quá trình học không có giám sát, thuật toán phải phân biệt giữa hai đối tượng bằng cách nhóm những thứ trông giống nhau mà không có bất kỳ huấn luyện trước nào - ví dụ, nó có thể chọn bất cứ thứ gì có một phần tựa để làm ghế, và bất cứ thứ gì có phần trên dài để làm bàn.
Kerins nhấn mạnh ví dụ về một dự án do Adam Lesnikowski của NVIDIA dẫn đầu, hãng nổi tiếng với các card đồ họa nhưng hiện tại đã trở thành người dẫn đầu trong lĩnh vực trí tuệ nhân tạo. Lesnikowski, cùng với Valentin Bickel của ETH Zurich và Daniel Angerhausen của Đại học Bern, sử dụng học máy không giám sát trong một thử nghiệm nhằm xem liệu nó có thể phát hiện các đối tượng nhân tạo trên mặt mặt trăng không. Thuật toán đã được cung cấp hình ảnh từ Lunar Reconnaissance Orbiter của NASA và cần phải xác định những đặc điểm bình thường của mặt trăng như một hố hoặc đường sông, và những điểm không thuộc về mặt trăng. Thử nghiệm đã thành công - thuật toán đã nhận ra chiếc tàu hạ cánh lên mặt trăng Apollo 15.
Ý tưởng là các người ngoài hành tinh công nghệ có thể đã đến thăm hệ mặt trời của chúng ta và để lại các mẫu nghiên cứu hoặc tạo vật trên các hành tinh, mặt trăng hoặc tiểu hành tinh. Có khả năng rằng hiện tại có thể có một quan tài tình báo đang theo dõi chúng ta.
"Một số đồng nghiệp của tôi rất quan tâm đến việc có các vệ tinh với thuật toán học máy trên bên trong," Kerins nói. Một tàu vũ trụ có thể khảo sát bề mặt các hành tinh trong hệ mặt trời của chúng ta để tìm kiếm những ảnh bất thường có thể là các vật thể ngoài hành tinh, có thể đã tồn tại hàng triệu hoặc hàng tỉ năm. Vì học không giám sát có ưu điểm là có thể hoạt động theo thời gian thực, nó có thể đánh giá mỗi hình ảnh trước khi tiến xa mà không cần chờ đợi gửi tất cả dữ liệu về Trái Đất để con người xem xét.
Chắc chắn, trong thời đại của 'Big Data', trí tuệ nhân tạo học máy đang trở thành hướng đi tiên tiến và hiện đang được sử dụng rộng rãi trong lĩnh vực thiên văn học và trong SETI, với khả năng làm việc nhanh và tốt hơn con người.
"Chắc chắn là nhanh," Kerins nói. "Gần nhất mà chúng ta có được với con người là thông qua các dự án khoa học của công dân."
Nếu những tàu vũ trụ được trang bị thuật toán học máy, chúng có thể cách mạng hóa cách chúng ta khám phá các hành tinh ngoài Hệ Mặt Trời. (Ảnh: Nazarii Neshcherenskyi qua Getty Images)Với thuật toán học máy, con người vẫn được tham gia một cách mật thiết. Có thể một tín hiệu bị trích dẫn bởi trí tuệ nhân tạo (AI) là thú vị, nhưng vẫn là con người phải theo sau và điều tra. Các thuật toán không thông minh như vậy.
Tuy nhiên, có thể sẽ đến lúc chúng trở nên thông minh như vậy. Các nhà nghiên cứu ở các nơi như Google DeepMind đã theo đuổi trí tuệ nhân tạo tổng quát, còn được gọi là AGI. Trong khi các thuật toán chúng ta có ngày hôm nay rất cụ thể, AGI sẽ có khả năng nắm bắt được bất kỳ thứ gì và học và phát triển theo quá trình đó. Một AGI có thể nhanh chóng vượt xa khả năng trí tuệ của con người.
Có nhiều khả năng AGI sẽ thay đổi SETI một cách hấp dẫn. Chúng ta đã thấy các thuật toán học máy được thiết kế để chơi các trò chơi như cờ vua hoặc cờ vây đang phát triển các chiến lược khiến các chuyên gia con người bối rối, mà AI đang đánh bại trong những trò chơi này. Một AGI chắc chắn có thể nghĩ ra những cách mới để tìm kiếm sự sống ngoài Trái Đất vượt qua sự hạn chế của định kiến và kinh nghiệm con người.
"AGI có thể vẽ ra tất cả các khả năng về cách ngôn ngữ và giao tiếp có thể được truyền đi thông qua các tín hiệu," Kerins nói. "Nó có thể tham khảo các danh mục thiên văn vô cùng lớn và quyết định về các chiến lược quang học để tìm kiếm ở đâu và làm thế nào."
Steve Croft lặp lại sự lạc quan của Kerins. "Tôi hy vọng trí tuệ nhân tạo phát triển đến mức chúng ta có thể yêu cầu nó hãy bỏ đi những giới hạn và hãy tưởng tượng, từ tất cả những gì nó biết về vật lý, sinh học, hoá học, vũ trụ và công nghệ, nó nghĩ ET có thể đang làm gì. Chắc chắn nó sẽ đưa ra một số ý kiến tốt!"
Tất cả điều đó chỉ xảy ra nếu nó có thể và thậm chí nguyện làm được. Việc tạo ra một AGI sẽ tạo ra một sinh vật ngoài hành tinh, khác xa chúng ta và chúng ta có thể gặp khó khăn trong việc hiểu.
"Chúng ta có thể gặp khó khăn rất lớn trong việc giao tiếp trực tiếp với nó," Kerins nói. "Chúng ta có thể có một hệ thốn dịch giả, và ở đỉnh cao của hệ thống đó là một trí tuệ sẽ quyết định cách thông minh hơn để tìm kiếm trong SETI. Nếu nó thiết lập liên lạc, thì việc đó được lọc qua các trí tuệ sinh học, những người vô dụng như chúng ta?"
Chúng ta có thể nhận được phiên bản của trò chơi điện đồ Trung Quốc, trong đó thông tin liên quan được truyền dưới hệ thống, ngày càng đơn giản hóa cho đến khi chúng ta nhận được phiên bản đơn giản hơn. AGI có thể thậm chí không tiết lộ thông tin mà nó cho rằng quá phức tạp để chúng ta hiểu. Nếu AGI quản lý tạo ra một phát hiện SETI, chúng ta có thể không nhận được toàn bộ hình ảnh.
Đó chỉ là sự suy đoán. Hiện tại, trí tuệ nhân tạo (AI) là một công cụ mạnh mẽ đang giúp gia tăng việc tìm kiếm về ET. Điều chắc chắn là nếu chúng ta phát hiện ra tín hiệu từ một thế giới khác trong tương lai, chúng ta sẽ phải cảm ơn AI vì điều đó.
Theo dõi Keith Cooper trên Twitter @21stCenturySETI.
