在不間斷探索廣袤太空的過程中，美國國家航空航天局（NASA）越來越意識到：獲得的數據實在太多了！

這是人類技術越來越強的體現。發射出去的大小探測器，一個個野心勃勃，劍指前輩望遠鏡們不敢想象的每一處深空，同時，返回的數據夜以繼日地累積著。

可這些數據都是要分析的啊……科學家們扶著額頭想。

這不是雇幾個實習生就能幫助解決的問題，幸好，有人工智能（AI）在。

數據如山倒，分析如抽絲

分析海量數據，究竟要面對多大壓力？

以開普勒太空望遠鏡為例，其在2009年發射升空，是世界首個用于探測太陽系外類地行星的飛行器。僅在起初3年半的任務期內，開普勒望遠鏡就對超過15萬個恒星系統展開不斷監控，從而產生了龐大的數據集。這些數據首先要經由計算機處理，但當計算機識別出一定的信號時，又必須依靠人工分析，判斷其是否為行星軌道所產生，這項巨大的篩查工作單靠NASA的科學家甚至科學小組，都沒有非常有效的方法完成。

曾經，NASA嘗試了將所有數據公之于眾的做法。該機構成立了名為“系外行星探索者”的新項目，讓成千上萬的公民科學家在注冊后訪問開普勒任務所記錄的信息，并有效地進行數據挖掘。

這個辦法相當不錯。很快加州理工學院就宣布一組公民科學家找到了新的“太陽系”，一個多行星系統，是NASA科學家此前沒有發現的。

公民科學家其實很適合參與到數據收集與分析活動中來，這就是所謂“聚沙成塔”。不過，面對源源不斷襲來的海量數據，人力終究不是長遠之計。

AI：我來試試？

一方面是數據如山倒；另一方面，像開普勒望遠鏡這樣的設備，獲得的數據背景其實非常繁雜，人類科學家往往無法準確定位到數據集里的所有行星。

于是，在開普勒K2階段任務的一項最新研究中，德克薩斯大學奧斯汀分?？茖W家與谷歌公司合作開發了一種人工智能算法，這種算法可以追尋到被普通方法遺漏的行星。

目前，研究團隊使用該方法在開普勒望遠鏡的龐大數據集中，找到了兩顆新的系外行星。這兩顆行星都位于水瓶星座，宿主恒星距離地球分別有1300光年和1230光年。

這已經不是人工智能第一次出手幫助人們“找星星”。2017年底，谷歌的機器學習技術就成為了發現系外行星的功臣，其過程涉及讓計算機學會從開普勒收集的3.5萬個可能的行星信號中搜尋“凌星”的跡象。

隨著技術更迭，科學家很欣慰地發現，新算法已可以幫助人類找到更多傳統方法找不到的行星，當然，更將有助于其他行星探測任務的數據分析，從而最終追蹤到與我們地球最像的行星。

TESS：我資金不多，但數據也不少

1995年，日內瓦大學天文學家宣布發現了太陽系外的第一顆行星。從那以后，人們一直在致力尋找更多系外行星，因為那有“另一個世界”的希望。

現在，地基射電望遠鏡、軌道太空望遠鏡和其他強大的高科技工具，正以驚人的速度發現著新的星球。截至2018年3月8日的數據，經天文學家分析確認后的太陽系外行星共有3743顆，其中2649顆由開普勒望遠鏡發現。

這不過是已獲得數據集里的九牛一毛。

開普勒望遠鏡之后，NASA的“凌日系外行星勘測衛星”（TESS，“苔絲”）已于2018年4月18日升空。按NASA的描述，這個探測器是中等任務級別，預算遠不及開普勒任務，甚至一度被嘲是個“半吊子”繼任者。

但TESS有自己步調。即便任務級別略遜，TESS也將帶來全天候、全天空的“狩獵”——掃描至少20萬顆恒星，觀測太空區域比開普勒大350倍。從它的數據中，科學家將調查行星的密度、大氣以及分析是否有液態水，一旦有出現“地球2.0”的希望，資金也將相應升級。

無論是開普勒還是TESS，數據已經到了科學家不可能全部進行人工分析的階段。而谷歌的AI工程師早已看到這一幕——

他們曾說：當人工“大海撈針”難以招架，正是機器學習技術上陣的時候。