图灵汇官网

在持续探索浩瀚宇宙的过程中，美国国家航空航天局（NASA）逐渐意识到，他们接收到的数据量庞大得惊人。这不仅是技术进步的结果，也是现代探测器不断向深空领域推进所带来的必然现象。这些探测器不仅数量众多，而且功能强大，能够连续不断地传回大量数据。

然而，如此庞大的数据量给科学家带来了巨大的分析挑战。即使借助计算机处理，许多关键信息仍需依赖人工分析才能确定。例如，开普勒太空望远镜在最初的三年半内，就对超过15万个恒星系统进行了持续监测，生成了海量数据。虽然这些数据可以通过计算机初步筛选，但最终的判断仍然需要人工介入，而这项任务单靠NASA的科学家和科研团队很难高效完成。

为了应对这一难题，NASA曾尝试通过公众参与的方式，让“系外行星探索者”项目中的志愿者科学家参与数据挖掘。这种方法取得了显著成效，不久后，加州理工学院就宣布，一群志愿者科学家发现了一个全新的多行星系统，这是NASA科学家之前未曾发现的。

尽管志愿者科学家在数据处理方面发挥了重要作用，但面对日益增长的数据量，单纯依赖人力显然不可持续。因此，引入人工智能（AI）成为解决问题的关键。例如，在开普勒K2阶段任务中，德克萨斯大学奥斯汀分校的科学家与谷歌公司合作开发了一种AI算法，这种算法能够发现传统方法容易遗漏的行星。目前，该算法已经在开普勒望远镜的数据集中发现了两颗新的系外行星，它们分别位于距离地球1300光年和1230光年的水瓶星座。

这并不是AI首次在天文领域发挥作用。早在2017年底，谷歌的机器学习技术就已经成功地从开普勒望远镜收集的3.5万个潜在行星信号中，识别出了凌星行星的迹象。如今，随着技术的发展，AI已经成为科学家发现更多传统方法难以识别行星的重要工具，这无疑将极大地推动其他行星探测任务的进展。

与此同时，NASA的“凌日系外行星勘测卫星”（TESS）也于2018年4月18日发射升空。尽管TESS的任务级别较低，预算也相对有限，但它将对至少20万颗恒星进行全天候、全天空扫描，覆盖的区域比开普勒望远镜大350倍。从TESS的数据中，科学家将进一步研究行星的密度、大气层特性以及是否存在液态水，从而为寻找“地球2.0”提供重要线索。

无论是开普勒望远镜还是TESS，数据量已经远远超出了人类科学家手动分析的能力范围。在这种情况下，AI技术的引入显得尤为重要。正如谷歌的AI工程师所说，当传统的“大海捞针”式分析变得力不从心时，正是机器学习大显身手的最佳时机。