在我们努力理解宇宙的过程中，我们变得贪婪了，做的观察比我们知道的要多。卫星每年发射数百兆字节的信息，智利正在建造的一台望远镜每晚将产生15兆字节的太空照片。人类不可能把它全部筛选出来。正如天文学家卡洛·恩里科·彼得里洛（Carlo Enrico Petrillo）对《边缘》（The Verge）杂志所说：“观察星系的图像是我们工作中最浪漫的部分。问题是保持专注。”这就是为什么彼得里洛训练了一个人工智能程序来寻找他。

彼得里洛和他的同事正在寻找一种基本上是太空望远镜的现象。当一个大质量物体（星系或黑洞）位于遥远的光源和地球上的观测者之间时，它会弯曲周围的空间和光线，形成一个透镜，让天文学家能够更近距离地观察宇宙中那些本应被阻挡在视线之外的极其古老、遥远的部分。这被称为引力透镜，这些透镜是理解宇宙是由什么组成的关键。不过，到目前为止，找到它们是一项缓慢而乏味的工作。

这就是人工智能的用武之地——而寻找引力透镜只是一个开始。正如斯坦福大学教授Andrew Ng曾经说过的那样，AI的能力是能够使任何一个“典型的人能用不到一秒钟的时间去做……”的自动化。“不到一秒钟听起来不太像思考的空间，但是当涉及到筛选由当代天文学所创造的大量数据时，这是天赐之物。

这一波人工智能的天文学家们不仅仅在思考这项技术如何对数据进行分类。他们正在探索一种全新的科学发现模式，即人工智能绘制出我们从未见过的宇宙部分。

但首先是引力透镜。爱因斯坦的广义相对论早在20世纪30年代就预言了这种现象，但第一个例子直到1979年才被发现。为什么？嗯，太空非常非常大，人类要花很长时间才能看到它，特别是没有今天的望远镜。到目前为止，这使得寻找引力透镜成了一件零碎的事情。

明尼苏达大学的天体物理学教授Liliya Williams告诉我们：“我们现在所用的透镜是通过各种各样的方式找到的。”有些是偶然发现的，是人们在寻找完全不同的东西时发现的。通过两三次调查，人们发现了一些。但其余的都是偶然发现的。”

看图像正是人工智能擅长的事情。因此，佩特里洛和波恩大学、那不勒斯大学和格罗宁根大学的同事转向硅谷钟爱的人工智能工具：一种由数字“神经元”组成的计算机程序，模仿大脑中的神经元，对输入做出反应。向这些程序（称为神经网络）输入大量数据，它们就会开始识别模式。它们特别擅长处理视觉信息，并被用来驱动各种机器视觉系统——从自动驾驶汽车上的摄像头到Facebook的图片标签面部识别。

正如上个月发表的一篇论文中所描述的，将这项技术应用于寻找引力透镜是出人意料的简单。首先，科学家们**了一个数据集来训练神经网络，这意味着要生成600万张假图像来显示引力透镜的功能和外观。然后，他们将神经网络放松在数据上，让它慢慢地识别模式。后来进行了一点微调，他们有了一个程序，可以在眨眼间识别出引力透镜。

“一个非常好的人类分类器可以以每小时1000张的速度对图像进行分类，”Petrillo说。根据他的团队使用的数据，他估计每30000个星系中就会有一个透镜。因此，一个在没有睡眠或休息的情况下工作一周的人，预计只能找到五六个镜片。相比之下，神经网络只需20分钟就可以浏览21789张图像。彼得里洛说，那是一个古老的计算机处理器。”这个时间可以大大缩短，”他说。

神经网络不如计算机精确。为了避免忽视任何镜头，它的参数是相当慷慨的。它产生了761个可能的候选者，人类对这些候选者进行了研究，并将其缩小到56个。还需要进一步的观察来确认这些是合法的发现，但彼得里洛猜测，大约三分之一的候选者将成为真正的交易。与整个科学界在过去几十年中发现的大约100个镜头相比，这一结果大约是每分钟发现一个镜头。这是一个难以置信的加速，也是人工智能如何帮助天文学的一个完美例子。

找到这些透镜对于理解天文学的一大谜团至关重要：宇宙究竟是由什么组成的？我们所熟悉的物质（行星、恒星、小行星等）被认为只占所有物理物质的5%，而其他更奇怪形式的物质则占了其余的95%。这包括一种我们从未直接观察到的被称为暗物质的假设物质。相反，我们研究的是它对宇宙其他部分的引力效应，引力透镜是其中一个关键指标。

那么AI还能做什么呢？研究人员正在研究一些新工具。一些，像彼得里罗的，正在承担鉴定的工作：例如，对星系进行分类。其他人则在帮助梳理数据流，寻找感兴趣的信号，比如一种神经网络，它可以消除射电望远镜人为干扰，帮助科学家掌握潜在的令人兴奋的信号。还有更多的被用于识别脉冲星，定位不寻常的系外行星，或者提高低分辨率望远镜图像的清晰度。简而言之，有大量的潜在应用。

这一爆炸性增长的部分原因是更大的硬件趋势使得人工智能的领域更加广阔，比如大量廉价的计算能力。但这也是因为天文学性质的变化。天文学家不再在无云的夜晚孤独地守夜，追踪单个行星的运动；取而代之的是，他们使用复杂的机器，大量吞噬天空中的部分数据，这是早期科学家无法想象的。威廉姆斯说，更好的望远镜和更好的数据存储意味着要分析的东西比以往任何时候都多。

分析大量数据正是人工智能最擅长的。我们可以教它识别模式，然后让它像一个不知疲倦的助手一样工作：从不眨眼，总是始终如一。

天文学家是否担心他们信任一台机器，而这台机器可能缺乏发现轰动事物所需的人类洞察力？佩特里洛说他不介意。”一般来说，人类比机器更有偏见，效率更低，更容易出错。”威廉姆斯同意：“计算机可能会错过某些东西，但它们会以系统的方式错过它们。”只要我们知道它们不知道的是什么，我们就可以部署自动化系统，而不会有太大的风险。

对一些天文学家来说，人工智能的潜力不仅仅是数据分类。他们认为人工智能可以用来创造信息，填补我们观察宇宙的盲点。

天文学家凯文·沙温斯基（Kevin Schawinski）和他的团队专门研究星系和黑洞天体物理学，他们利用人工智能提高了模糊望远镜图片的分辨率。为了做到这一点，他们部署了一种神经网络，它擅长生成所研究数据的变化，就像一个训练有素的伪造者可以模仿著名画家的风格。这些网络被称为生成性对抗网络（generative敌对网络，简称GANs），被用来根据名人的照片**假面；模仿个人声音的假音频对话；以及一系列其他数据类型。他们是当代人工智能研究中最富有的一部分，对沙文斯基来说，他们意味着获得以前没有的信息。

今年早些时候，Schawinski和他的团队发表的论文展示了如何使用GANs来提高太空图片的质量。他们降低了一组星系图片的图像质量，增加了噪音和模糊，然后使用一个在望远镜图像上训练的GAN来提高分辨率，将这些图片与原始图片进行比较。结果非常准确：足以让沙文斯基相信人工智能有潜力改进天文学中的各种数据集。他说，他和他的团队“有很多很酷的结果在酝酿中”，但他们不能在发表之前透露任何东西。

沙文斯基对这个项目持谨慎态度。毕竟，这听起来似乎违背了科学的核心原则：只有通过直接观察宇宙才能了解宇宙。”正是因为这个原因，这是一个危险的工具，”他说，而且只有在我们a）拥有充足、准确的训练数据，b）能够检查结果的情况下，才应该使用这个工具。所以，你可以训练一个GAN生成关于黑洞的数据，然后把它放在天空中一个以前没有被详细观察过的地方。然后，如果它表明那里有一个黑洞，天文学家会第一手证实这个发现——就像引力透镜一样。Schawinski说，与所有科学工具一样，需要进行严格和耐心的测试，以确保你得到的结果不会“把你引入歧途”

如果这些方法被证明是卓有成效的，它们可能会成为一种全新的探索方法，与经典的计算机模拟和良好的老式观测一起使用Schawinski场所。现在还早，但回报可能很大。”“如果你有这个工具，”Schawinski说，“你可以查阅档案中所有现存的数据，也许可以稍微改进一些，提取出更多的科学价值。”这是以前没有的价值。人工智能将执行一种科学炼金术，帮助我们把旧的知识变成新的。我们将能够前所未有地探索太空，甚至不离开地球。