在我們努力理解宇宙的過程中，我們變得貪婪了，做的觀察比我們知道的要多。衛星每年發射數百兆位元組的資訊，智利正在建造的一臺望遠鏡每晚將產生15兆位元組的太空照片。人類不可能把它全部篩選出來。正如天文學家卡洛·恩里科·彼得裡洛（Carlo Enrico Petrillo）對《邊緣》（The Verge）雜誌所說：“觀察星系的影象是我們工作中最浪漫的部分。問題是保持專註。”這就是為什麼彼得裡洛訓練了一個人工智慧程式來尋找他。

彼得裡洛和他的同事正在尋找一種基本上是太空望遠鏡的現象。當一個大質量物體（星系或黑洞）位於遙遠的光源和地球上的觀測者之間時，它會彎曲周圍的空間和光線，形成一個透鏡，讓天文學家能夠更近距離地觀察宇宙中那些本應被阻擋在視線之外的極其古老、遙遠的部分。這被稱為引力透鏡，這些透鏡是理解宇宙是由什麼組成的關鍵。不過，到目前為止，找到它們是一項緩慢而乏味的工作。

這就是人工智慧的用武之地——而尋找引力透鏡只是一個開始。正如斯坦福大學教授Andrew Ng曾經說過的那樣，AI的能力是能夠使任何一個“典型的人能用不到一秒鐘的時間去做……”的自動化。“不到一秒鐘聽起來不太像思考的空間，但是當涉及到篩選由當代天文學所創造的大量資料時，這是天賜之物。

這一波人工智慧的天文學家們不僅僅在思考這項技術如何對資料進行分類。他們正在探索一種全新的科學發現模式，即人工智慧繪製出我們從未見過的宇宙部分。

但首先是引力透鏡。愛因斯坦的廣義相對論早在20世紀30年代就預言了這種現象，但第一個例子直到1979年才被髮現。為什麼？嗯，太空非常非常大，人類要花很長時間才能看到它，特別是沒有今天的望遠鏡。到目前為止，這使得尋找引力透鏡成了一件零碎的事情。

明尼蘇達大學的天體物理學教授Liliya Williams告訴我們：“我們現在所用的透鏡是透過各種各樣的方式找到的。”有些是偶然發現的，是人們在尋找完全不同的東西時發現的。透過兩三次調查，人們發現了一些。但其餘的都是偶然發現的。”

看影象正是人工智慧擅長的事情。因此，佩特裡洛和波恩大學、那不勒斯大學和格羅寧根大學的同事轉向矽谷鐘愛的人工智慧工具：一種由數字“神經元”組成的計算機程式，模仿大腦中的神經元，對輸入做出反應。向這些程式（稱為神經網路）輸入大量資料，它們就會開始識別模式。它們特別擅長處理視覺資訊，並被用來驅動各種機器視覺系統——從自動駕駛汽車上的攝像頭到Facebook的圖片標簽面部識別。

正如上個月發表的一篇論文中所描述的，將這項技術應用於尋找引力透鏡是出人意料的簡單。首先，科學家們**了一個資料集來訓練神經網路，這意味著要生成600萬張假影象來顯示引力透鏡的功能和外觀。然後，他們將神經網路放鬆在資料上，讓它慢慢地識別模式。後來進行了一點微調，他們有了一個程式，可以在眨眼間識別出引力透鏡。

“一個非常好的人類分類器可以以每小時1000張的速度對影象進行分類，”Petrillo說。根據他的團隊使用的資料，他估計每30000個星系中就會有一個透鏡。因此，一個在沒有睡眠或休息的情況下工作一週的人，預計只能找到五六個鏡片。相比之下，神經網路只需20分鐘就可以瀏覽21789張影象。彼得裡洛說，那是一個古老的計算機處理器。”這個時間可以大大縮短，”他說。

神經網路不如計算機精確。為了避免忽視任何鏡頭，它的引數是相當慷慨的。它產生了761個可能的候選者，人類對這些候選者進行了研究，並將其縮小到56個。還需要進一步的觀察來確認這些是合法的發現，但彼得裡洛猜測，大約三分之一的候選者將成為真正的交易。與整個科學界在過去幾十年中發現的大約100個鏡頭相比，這一結果大約是每分鐘發現一個鏡頭。這是一個難以置信的加速，也是人工智慧如何幫助天文學的一個完美例子。

找到這些透鏡對於理解天文學的一大謎團至關重要：宇宙究竟是由什麼組成的？我們所熟悉的物質（行星、恆星、小行星等）被認為只佔所有物理物質的5%，而其他更奇怪形式的物質則佔了其餘的95%。這包括一種我們從未直接觀察到的被稱為暗物質的假設物質。相反，我們研究的是它對宇宙其他部分的引力效應，引力透鏡是其中一個關鍵指標。

那麼AI還能做什麼呢？研究人員正在研究一些新工具。一些，像彼得裡羅的，正在承擔鑒定的工作：例如，對星系進行分類。其他人則在幫助梳理資料流，尋找感興趣的訊號，比如一種神經網路，它可以消除射電望遠鏡人為幹擾，幫助科學家掌握潛在的令人興奮的訊號。還有更多的被用於識別脈衝星，定位不尋常的系外行星，或者提高低解析度望遠鏡影象的清晰度。簡而言之，有大量的潛在應用。

這一爆炸性增長的部分原因是更大的硬體趨勢使得人工智慧的領域更加廣闊，比如大量廉價的計算能力。但這也是因為天文學性質的變化。天文學家不再在無雲的夜晚孤獨地守夜，追蹤單個行星的運動；取而代之的是，他們使用複雜的機器，大量吞噬天空中的部分資料，這是早期科學家無法想象的。威廉姆斯說，更好的望遠鏡和更好的資料儲存意味著要分析的東西比以往任何時候都多。

分析大量資料正是人工智慧最擅長的。我們可以教它識別模式，然後讓它像一個不知疲倦的助手一樣工作：從不眨眼，總是始終如一。

天文學家是否擔心他們信任一臺機器，而這臺機器可能缺乏發現轟動事物所需的人類洞察力？佩特裡洛說他不介意。”一般來說，人類比機器更有偏見，效率更低，更容易出錯。”威廉姆斯同意：“計算機可能會錯過某些東西，但它們會以系統的方式錯過它們。”只要我們知道它們不知道的是什麼，我們就可以部署自動化系統，而不會有太大的風險。

對一些天文學家來說，人工智慧的潛力不僅僅是資料分類。他們認為人工智慧可以用來創造資訊，填補我們觀察宇宙的盲點。

天文學家凱文·沙溫斯基（Kevin Schawinski）和他的團隊專門研究星系和黑洞天體物理學，他們利用人工智慧提高了模糊望遠鏡圖片的解析度。為了做到這一點，他們部署了一種神經網路，它擅長生成所研究資料的變化，就像一個訓練有素的偽造者可以模仿著名畫家的風格。這些網路被稱為生成性對抗網路（generative敵對網路，簡稱GANs），被用來根據名人的照片**假面；模仿個人聲音的假音訊對話；以及一系列其他資料型別。他們是當代人工智慧研究中最富有的一部分，對沙文斯基來說，他們意味著獲得以前沒有的資訊。

今年早些時候，Schawinski和他的團隊發表的論文展示瞭如何使用GANs來提高太空圖片的質量。他們降低了一組星系圖片的影象質量，增加了噪音和模糊，然後使用一個在望遠鏡影象上訓練的GAN來提高解析度，將這些圖片與原始圖片進行比較。結果非常準確：足以讓沙文斯基相信人工智慧有潛力改進天文學中的各種資料集。他說，他和他的團隊“有很多很酷的結果在醞釀中”，但他們不能在發表之前透露任何東西。

沙文斯基對這個專案持謹慎態度。畢竟，這聽起來似乎違背了科學的核心原則：只有透過直接觀察宇宙才能瞭解宇宙。”正是因為這個原因，這是一個危險的工具，”他說，而且只有在我們a）擁有充足、準確的訓練資料，b）能夠檢查結果的情況下，才應該使用這個工具。所以，你可以訓練一個GAN生成關於黑洞的資料，然後把它放在天空中一個以前沒有被詳細觀察過的地方。然後，如果它表明那裡有一個黑洞，天文學家會第一手證實這個發現——就像引力透鏡一樣。Schawinski說，與所有科學工具一樣，需要進行嚴格和耐心的測試，以確保你得到的結果不會“把你引入歧途”

如果這些方法被證明是卓有成效的，它們可能會成為一種全新的探索方法，與經典的計算機模擬和良好的老式觀測一起使用Schawinski場所。現在還早，但回報可能很大。”“如果你有這個工具，”Schawinski說，“你可以查閱檔案中所有現存的資料，也許可以稍微改進一些，提取出更多的科學價值。”這是以前沒有的價值。人工智慧將執行一種科學煉金術，幫助我們把舊的知識變成新的。我們將能夠前所未有地探索太空，甚至不離開地球。