封面图来自NASA
星际探索中，一切成就变得格外伟大而浪漫。
天文学家搜寻外太空的每一点进展都让全人类沸腾。而除了天文学知识和仪器的进展，鉴于天文研究涉及的数据量级异常巨大，数据处理的精进、机器学习、云计算等在数据科学领域的新成就也会为这项事业带来新的意义。
目前
NASA
已经启动了若干个计划，用来搜索在宇宙中的其他地方存在着生命的证据。这些计划总称为“
SETI（the Search for Extra-Terrestrial Intelligence）
”。SETI致力于用射电望远镜等先进设备接收从宇宙中传来的电磁波，从中分析有规律的信息数据，希望借此发现外星文明。如何处理如此巨大的数据流量？如何通过机器学习算法排除其中的干扰数据，找出真正令人感兴趣的“外太空信号“？
这是SETI亟待解决的技术难题。
美国航空航天局（NASA）近日专门成立了一个旨在加快创新速度的项目，只是目前还鲜为人所知。该项目就是美国航天局前沿发展实验室（FDL）。FDL由SETI研究所负责管理，是一个公私合伙混合性质的项目，通过与英特尔等商业伙伴合作，以解决空间探索方面遇到的难题。
FDL是一个应用研究加速机构，它使用最新的人工智能技术来研究诸如空间天气、空间资源和行星防御等一些问题，机器学习非常适合用来研究这些问题。该项目吸引了从行星科学到3D建模领域最优秀智慧的专家，以及人工智能和深度学习方面顶尖的博士后和研究人员。在为期9周的计划中，由4-5名研究人员组成的团队与来自工业界、学术界和美国航天局的导师一起工作，努力解决各个领域的关键难题。一个团队专注于从雷达图像中绘制小行星形状，另一个则侧重于预测太阳与地球大气层的相互作用。虽然成立时间不算太长，但是这些团队已经开始着手帮助美国航天局解决其所面临的难题。
来自世界各地的领域专家因为FDL项目而齐聚加利福尼亚州的美国航天局艾姆斯研究中心 （摄影师：James Parr）
几个月前，美国航天局FDL项目主管James Parr来与英特尔等公司接洽，促成英特尔成为2017FDL的赞助商。James鼓励英特尔为人类创造外空间旅行文明的过程中贡献出自己的力量，而企业所需要做的就是提供其现有工具。
在英特尔这样的企业看来，人工智能将成为下一波大规模计算浪潮，它不仅能改变企业的运作方式，还能改变我们与宇宙空间的互动方式。英特尔的
Nervana
深度学习技术提供了开放式框架和开放式研究，使人工智能解决方案的交付能够变得简单，而尖端研究则继续推动行业向前发展。由数据科学家、软件开发人员和行星科学家组成的FDL月球水源和挥发物团队（FDL Lunar Water and Volatiles）将采用英特尔的Nervana技术作为其项目的一部分。英特尔通过首席工程师和数据科学家来加快软件解决方案的开发，并
把人工智能（切切实实地）带上月球
。
英特尔和美国航天局的研究人员将使用人工智能技术，用于定位月球上的水源和挥发性资源。(摄影师：James Parr)
该项目的目标是帮助未来的特别行动组
寻找水源和挥发性资源
，如氢气、二氧化碳、氮和甲烷。这些资源可用于保证宇航员、火箭燃料和其他基本材料的空气供应。寻找和提取月球上的挥发性资源是走向人类未来对火星及更远的宇宙空间进行探索的重要一步。该团队目前正在致力于解决
两个关键难题
:
1.我们可能会在哪儿找到水源和挥发物呢？
月球资源团队获悉，人类已拥有异常丰富的月球资料，同时，
通过早期的阿波罗登月计划
以及近期执行的一些航天活动，比如美国航天局的月球勘测轨道飞行器（LRO），人类已积累了50年的光学图像。来自印度Chandraayan任务的高光谱数据表明，月球极地火山口的永久阴影区域存在水源。这一发现和航天局早期的月球坑观测和传感卫星（LCROSS）任务的发现一致，那次任务在有效载荷冲击的喷射羽流中探测到了水源（LCROSS半人马座的上段被故意撞向一个火山口）。北极和南极的寒冷和阴影区域是“月球探矿者”特别感兴趣的区域，因为在这里最有可能发现水冻冰块等挥发物质的重要沉积物。遗憾的是，由于几何结构太过复杂，人们很难绘制出极点图，也因此很难确定资源的大体位置。
2.我们怎样才能到达这些资源的所在区域？
即使我们能找到这些资源，我们仍然需要对航天任务进行充分的规划。面对
庞大且日益增长的月球数据，该团队确定了数据管理和质量控制方面的关键性知识空白。当前的地图信息不够充分。为了成功执行今后的着陆任务，必须改进极地地区的地图。尽管有了几十年的研究积累，月球危险——如陨石坑、巨砾和悬崖——的自动识别仍然是最重要的未解决的问题之一。行星研究和勘探航天任务需要准确且精确的地图，这是必不可少的一个环节。
英特尔的研究人员将利用深度学习方法，使用英特尔Nervana技术来进一步扩大探索范围，以便在具有挑战性的极地地区提取地形特征。通过模拟展示，我们可以了解到深度学习以何种方式来提高地图数据的质量和可靠性，使其适用于对未来月球车的路径进行模拟和规划。未来的商业性月球探索任务能否取得成功，很可能取决于我们能否就水源和其他挥发物的储存位置以及可预期的数量获得可靠信息。
“太空数据往往规模很大，且具有多维和动态的特点。更重要的是，发现新事物需要进行实验，这类实验需要具备对数据进行快速迭代的能力，这样我们才可以快速学习并根据实际需要进行调整，而不必等待很长时间。正是出于这个原因，我们联系了我们在私营领域的合作伙伴，他们拥有非常实用的工具包。有了这些工具包，FDL的研究人员就能够在一个具有高加速度的时间窗口内进行创新。”
——
FDL主任James Parr
自FDL 2017项目于今年6月份启动之后，英特尔已获得较大进展。项目团队倾向于首先收集与重点领域有关的现有资源，然后对其进行挖掘，以期获得重要发现。项目组每天都会给各团队安排特约讲师，介绍相关领域的知识，并参观附近的航天工业活动。FDL还向研究人员介绍了设计思维和精益创业原则，这些原则在科技行业很常见，但对他们来说则是比较新的。客户移情与访谈为研究的开展提供了指导，使它们能够更容易地为美国航天局的计划规划者和行业合作伙伴所使用。我们看到它们通过一些初始概念进行了迭代，甚至连最新的研究结果也考虑在内，并最终帮助任务规划者解决了实际问题。目前我们处于计划的中间阶段，软件开发正在进行中。
请务必于下个月重新查看该计划的更新情况！
对我来说这是一个特殊的时刻，我和济济一堂的美国航天局研究人员分享了英特尔的愿景 (摄影师：James Parr)
