

▲图:美国宇航局(NASA)行星防御协调办公室(Planetary Defense Coordination Office)利用位于亚利桑那州图森的卡塔利娜天空勘测(Catalina Sky Survey)设施将太空物体进行编排归类(图片来源/亚利桑那大学卡塔利娜天空勘测)
即使在这个高速数据分析的时代,在研究潜在的撞击地球小行星的图像时,敏锐的人眼通常更胜一筹。然而,人工智能(AI)的出现带来了更佳方案。
总部位于加州El Segundo的航空航天公司(Aerospace Corporation)目前在测试一款AI软件,旨在帮助天文学家加快识别并跟踪观察那些具有威胁性的近地球天体(NEO)。
一直以来,美国宇航局的行星防御协调办公室已经使用了大量的望远镜,来寻找和监测可能会撞击地球的近地球天体。但这家非营利性航空航天公司的AI团队则正在与NASA合作,开发一种名为NEO AID(近地球天体人工智能探测)的软件,以区分可能构成真正威胁的小行星和彗星的误报。
每天晚上,位于亚利桑那州图森市Mount Lemmon的卡塔利娜天空勘测等地点的研究人员,都要仔细研究数百张星域图像,搜寻需要进一步观察的快速移动物体。正是在这里,Aerospace Corporation的人工智能工程师利用100TB的数据,来构建和训练人工智能模型,训练出来的模型现在可以将需要进一步分析的NEO目标进行分类。根据Aerospace Corporation计算,这项新的AI科技已经将“天空勘测”的性能提高了10%,而且还存在进一步发展空间。
美国国家航空航天局的近地球天体研究中心表示,逾90%的直径超过一公里大小的NEO已经被发现,现在NEO计划的重点是寻找90%直径超过140米大小的NEO。然而,仍然有直径在10-20米范围的太空岩石接近地球的距离比月球到地球的距离更近。这种情况每月至少发生一两次,如果这些物体中的任何一个真的落在人口密集地区,造成的损失无疑是巨大的。
那么,究竟这一新的AI技术将如何帮助NASA进行当前的搜索呢?
NASA仍然依靠人眼来确定NEO的威胁评估。现在的希望是,能通过AI将图像分类为优先级较高或优先级较低,以简化整个过程。
▲图:作为输入数据的一个例子,航空航天公司的科学家分析了数千个近地球物体候选图像, 图像序列每一项为四个30秒曝光。(图片来源/亚利桑那大学卡塔利娜天空勘测)
Aerospace Corporation公司人工智能分析及创新部门的高级项目负责人Jon Neff透露,该公司开发的软件技术减少了人类观察者必须审查的虚假识别的数量。他表示,人类的眼睛和大脑非常善于发现图像的微小差异。
通过训练神经网络,模仿人类对望远镜拍摄的夜空图像进行分类的方式,天文学家可以识别出极有可能是NEO的物体。但是Neff很快指出,这种新的NEO AID技术是为了与现有的测量方法优势互补,而不是取代它们。
至于技术成本呢?
Neff说,原型软件的开发成本约5万美元,而一个可运行的软件系统最终花费约为50万美元。
大部分毁灭地球文明的彗星对于天文学家来说仍然是盲区,这种技术如何帮助天文学家提前发现这种彗星呢?
Neff谈到,与癌症一样,生存的关键是早期发现和诊断。第一步是将望远镜对准可能找到此类彗星的地方;下一步就是对数以百万计的图像进行分类,找出潜在威胁的少量物体。
“我们的技术可以提高检测新物体的速度,可以帮助拯救地球文明。”Neff说道,“如果我们能够及早发现威胁,我们就有时间引开这些威胁。”
好文章,需要你的鼓励
谷歌DeepMind等顶级机构联合研究揭示,当前12种主流AI安全防护系统在面对专业自适应攻击时几乎全部失效,成功率超过90%。研究团队通过强化学习、搜索算法和人类红队攻击等多种方法,系统性地突破了包括提示工程、对抗训练、输入过滤和秘密检测在内的各类防护技术,暴露了AI安全评估的根本缺陷。
西蒙弗雷泽大学和Adobe研究院联合开发的MultiCOIN技术,能够将两张静态图片转换为高质量的过渡视频。该技术支持轨迹、深度、文本和区域四种控制方式,可单独或组合使用。采用双分支架构和分阶段训练策略,在运动控制精度上比现有技术提升53%以上,为视频制作提供了前所未有的灵活性和精确度。
英国国王学院研究团队开发了潜在精炼解码(LRD)技术,解决了AI文本生成中的速度与准确性平衡难题。该方法通过两阶段设计模仿人类思考过程:先让AI在连续空间中"深思熟虑",保持多种可能性的混合状态,然后"果断行动",逐步确定答案。实验显示,LRD在编程和数学推理任务中准确性提升最高6.3个百分点,生成速度提升最高10.6倍,为AI并行文本生成开辟了新路径。
清华大学团队开发的ViSurf是一种创新的大型视觉语言模型训练方法,巧妙融合了督导式学习和强化学习的优势。该方法通过将标准答案整合到强化学习过程中,让AI既能从正确答案中学习又能保持自主推理能力。实验显示ViSurf在多个视觉任务上显著超越传统方法,特别是在处理模型知识盲区时表现突出,同时有效避免了灾难性遗忘问题,为AI训练提供了更高效稳定的新范式。