▲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
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。