با کمک الگوریتم‌های یادگیری ماشینی، جستجو برای هوش فرازمینی سریع‌تر و دقیق‌تر از همیشه شده است. با این حال، توسعه هوش مصنوعی می‌تواند تماس با موجودات فرازمینی را پیچیده کند درواقع هوش مصنوعی می‌تواند ما را به حیات بیگانه برساند، اما می‌تواند خطرناک هم باشد.
هوش مصنوعی در حال تغییر نحوه جستجوی ما برای حیات فرازمینی است
چرا که آسمان پر از نویز رادیویی است، از جمله سیگنال‌های طبیعی و مصنوعی. دانشمندان بیش از 60 سال است که به دنبال سیگنال‌های فرازمینی هستند، اما هنوز هیچ نشانه‌ای از حیات بیگانه پیدا نکرده‌اند. این کاوش کاری پیچیده است، به خصوص برای یک انسان که به دنبال پاسخ به بزرگترین سوال بشر است.
یادگیری ماشین به جستجوی هوش فرازمینی کمک می کند
Eamonn Kerins از دانشگاه منچستر، ستاره شناس و محقق SETI، برای توضیح چگونگی کمک هوش مصنوعی به SETI، آن را با سوزن مشکل انبار کاه مقایسه می کند.
کرینز به Space.com گفت: “شما اساساً با داده ها طوری رفتار می کنید که انگار انبار کاه هستند.” سپس از الگوریتم یادگیری ماشینی می‌خواهید که به شما بگوید آیا چیزی در داده‌ها وجود دارد که در انبار کاه نیست، و امیدواریم که سوزن در انبار کاه باشد – مگر اینکه چیزهای دیگری در انبار وجود داشته باشد.
چیزهای دیگر معمولاً RFI هستند، اما الگوریتم یادگیری ماشینی برای تشخیص همه انواع RFI که قبلاً در مورد آنها می‌دانیم آموزش دیده است. این سیگنال‌ها – الگوهای آشنای تلفن‌های همراه، فرستنده‌های رادیویی محلی، وسایل الکترونیکی و غیره – همان انبار کاه هستند.”
هوش مصنوعی در جستجوی هوش فرازمینی کاربرد دارد. الگوریتم‌های یادگیری ماشینی می‌توانند سیگنال‌های مصنوعی (RFI) را از سیگنال‌های طبیعی تشخیص دهند، که به دانشمندان کمک می‌کند سیگنال‌های احتمالی هوش فرازمینی را شناسایی کنند.
الگوریتم های یادگیری ماشینی برای شناسایی سیگنال های فرازمینی آموزش می بینند. آنها با سیگنال های مصنوعی آشنا آموزش می بینند و سپس الگوهای آنها را شناسایی می کنند. اگر الگوریتم سیگنالی را پیدا کند که شبیه هیچ یک از سیگنال های آشنا نباشد، آن را به عنوان یک سیگنال بالقوه فرازمینی علامت گذاری می کند.
این فناوری در جستجوی سیگنال های فرازمینی در داده های Breakthrough Listen موفق بوده است. الگوریتم داده‌هایی را که قبلاً با روش‌های متعارف بررسی شده بودند تجزیه و تحلیل کرد و سیگنال‌های جدیدی را شناسایی کرد که قبلاً دیده نشده بودند.
الگوریتم یادگیری ماشینی 8 سیگنال فرازمینی را شناسایی کرد
کرافت و پیترما از دانشگاه تورنتو الگوریتمی را برای تجزیه و تحلیل داده‌های 820 ستاره رصد شده توسط تلسکوپ رادیویی 100 متری در رصدخانه گرین بانک طراحی کردند. این داده‌ها حاوی میلیون‌ها سیگنال رادیویی بود که تقریباً همگی تداخل‌های ساخت بشر بودند. الگوریتم تک تک این سیگنال‌ها را بررسی کرد و هشت سیگنال را پیدا کرد که با هیچ چیزی که در آن آموزش داده شده بود مطابقت نداشتند. این سیگنال‌ها ممکن است از منابع فرازمینی باشند.
الگوریتم‌های یادگیری ماشینی را می‌توان به دو دسته تقسیم کرد:
یادگیری تحت نظارت و یادگیری بدون نظارت. یادگیری تحت نظارت رویکردی است که در آن الگوریتم با داده‌های برچسب‌گذاری‌شده آموزش می‌بیند. در مقابل، یادگیری بدون نظارت رویکردی است که در آن الگوریتم با داده‌های بدون برچسب آموزش می‌بیند.
کرافت گفت: «با یک رویکرد کاملاً بدون نظارت، الگوریتم داده‌ها را بررسی می‌کند تا الگوها و روابط را بدون هیچ گونه هدایت از انسان پیدا کند».
به عنوان یک مثال ساده، فرض کنید مجموعه داده ای از تصاویر میز و صندلی دارید و می خواهید الگوریتم بین آنها تمایز قائل شود. در یادگیری نظارت شده، شما الگوریتم را روی تصاویری که “میز” یا “صندلی” مشخص شده اند آموزش می دهید. الگوریتم یاد می گیرد که ویژگی های میز و صندلی را تشخیص دهد، مانند اینکه یک میز معمولاً یک سطح صاف و چهار پایه دارد، در حالی که یک صندلی معمولاً دارای یک پشتی و یک یا چند پایه است.
با یادگیری بدون نظارت، الگوریتم باید با گروه بندی چیزهایی که بدون هیچ آموزش قبلی مشابه به نظر می رسند، بین این دو تمایز قائل شود. برای مثال، الگوریتم ممکن است هر چیزی را که پشتی داشته باشد به عنوان صندلی و هر چیزی که بالای آن بلند است را به عنوان میز انتخاب کند.
یادگیری ماشین به یافتن زندگی فرازمینی کمک می‌کند
Kerins نمونه‌ای از پروژه‌ای به رهبری Adam Lesnikowski از NVIDIA را برجسته می‌کند که از یادگیری ماشینی بدون نظارت برای تشخیص اجسام مصنوعی روی ماه استفاده کرد. الگوریتم تصاویری از مدارگرد شناسایی ماه ناسا دریافت کرد و باید مشخص می‌کرد که کدام یک از ویژگی‌های معمولی ماه مانند یک دهانه یا یک گودال است و چه چیزی نیست. این آزمایش موفقیت آمیز بود – الگوریتم فرودگر ماه آپولو 15 را بر روی سطح ماه انتخاب کرد.
ایده وجود کاوشگرهای بیگانه در منظومه شمسی ما وجود دارد. برخی از دانشمندان معتقدند که مدارگردهای مجهز به الگوریتم یادگیری ماشینی می‌توانند این کاوشگرها را پیدا کنند.
کرینز، یکی از این دانشمندان، می‌گوید: “فضاپیما می‌تواند سطوح سیاره‌ای را بررسی کند تا ناهنجاری‌هایی را جستجو کند که می‌توانند کاوشگرهای بیگانه باشند.”
یادگیری بدون نظارت می‌تواند به این مدارگردها کمک کند تا این ناهنجاری‌ها را سریع‌تر و بهتر از انسان‌ها پیدا کنند. این الگوریتم‌ها می‌توانند در زمان واقعی کار کنند و نیازی به ارسال داده‌ها به زمین برای تجزیه و تحلیل ندارند.
کرینز می‌گوید: “این یک فناوری امیدوارکننده است که می‌تواند به ما در یافتن زندگی فرازمینی کمک کند.”
الگوریتم‌های یادگیری ماشینی می‌توانند سیگنال‌های بالقوه فرازمینی را شناسایی کنند، اما انسان‌ها هنوز هم نقش مهمی در فرآیند دارند.
اگرچه الگوریتم‌ها می‌توانند سیگنال‌های غیرمعمول را تشخیص دهند، اما هنوز هم این انسان‌ها هستند که باید تأیید کنند که آیا این سیگنال‌ها واقعاً از منابع فرازمینی هستند یا خیر. الگوریتم‌ها هنوز هم به اندازه انسان‌ها هوشمند نیستند و ممکن است سیگنال‌های واقعی را به عنوان تداخل تشخیص دهند یا سیگنال‌های کاذب را به عنوان واقعی تشخیص دهند.
AGI، ابزاری قدرتمند برای جستجوی زندگی بیگانه
هوش مصنوعی عمومی یا AGI، نوعی هوش مصنوعی است که می تواند هر کاری را که یک انسان می تواند انجام دهد. محققان در حال تلاش برای توسعه AGI هستند و برخی معتقدند که این اتفاق در آینده نزدیک رخ خواهد داد.
اگر AGI توسعه یابد، می تواند تأثیر زیادی بر SETI داشته باشد. AGI می تواند راه های جدیدی برای جستجوی زندگی بیگانه ارائه دهد که فراتر از توانایی های انسان است.
کرینز، یکی از محققان SETI، معتقد است که AGI می تواند «انواع احتمالات را برای نحوه انتقال زبان و ارتباطات از طریق سیگنال ها ترسیم کند». همچنین می تواند «کاتالوگ های نجومی وسیعی را مصرف کند و در مورد استراتژی های نوری در مورد چگونگی و مکان نگاه کردن تصمیم بگیرد».
استیو کرافت خوش بینی کرینز را تکرار می کند. “امیدوارم هوش مصنوعی به مرحله ای تکامل یابد که بتوانیم از آن بخواهیم چشم انداز را از بین ببرد و تصور کنیم، از هر آنچه در مورد فیزیک، زیست شناسی، شیمی، سیارات فراخورشیدی و فناوری می داند، آنچه را که ET فکر می کند ممکن است انجام دهد. چند ایده خوب!”
ممکن است نسخه‌ای از زمزمه‌های چینی را دریافت کنیم، که در آن اطلاعات مربوطه از طریق سلسله‌مراتب منتقل می‌شود، تا زمانی که نسخه گنگ‌شده را دریافت کنیم، ساده‌تر و ساده‌تر می‌شود.اگر AGI موفق به تشخیص SETI شود، ممکن است تصویر کامل را دریافت نکنیم.
هر چند این حدس و گمان است. در اینجا و اکنون، هوش مصنوعی ابزار قدرتمندی است که جستجوهای ما را برای ET سرعت می بخشد. این یک چیز مطمئن است که اگر در آینده سیگنالی را از دنیای دیگری کشف کنیم، هوش مصنوعی خواهیم داشت تا از آن تشکر کنیم.
