

▲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
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。