Τεχνητή νοημοσύνη στο διάστημα: Πώς η ΑΙ αλλάζει την εξερεύνηση

Κάθε φορά που ένα ρόβερ κινείται στην επιφάνεια του Άρη, καλείται να πάρει αποφάσεις μόνο του. Ο Άρης βρίσκεται τόσο μακριά που ένα σήμα από τη Γη χρειάζεται από 3 έως 22 λεπτά για να φτάσει, ανάλογα με τη σχετική θέση των δύο πλανητών. Αν το ρόβερ περίμενε εντολές για κάθε βήμα, δεν θα έκανε σχεδόν τίποτα. Αυτό ακριβώς το πρόβλημα, πώς δίνεις αυτονομία σε μηχανές μέσα σε ακραία περιβάλλοντα, είναι ένα από τα πεδία όπου η τεχνητή νοημοσύνη στο διάστημα αλλάζει τα πάντα. Και είναι μόνο η αρχή.

Η τεχνητή νοημοσύνη, ή artificial intelligence, δεν είναι προϊόν της τελευταίας δεκαετίας. Η ιδέα ότι μια μηχανή μπορεί να σκεφτεί υπάρχει εδώ και πάνω από ογδόντα χρόνια. Σήμερα όμως, με τους όγκους δεδομένων που παράγει η σύγχρονη αστρονομία, η ΑΙ έχει γίνει κάτι παραπάνω από εργαλείο. Έχει γίνει υποδομή. Και ένας από τους τομείς όπου δείχνει το πραγματικό της δυναμικό είναι η εξερεύνηση του σύμπαντος.

Από τον Turing στα νευρωνικά δίκτυα

Για να καταλάβουμε πού βρισκόμαστε, αξίζει μια σύντομη ματιά πίσω. Το 1943, οι Warren McCulloch και Walter Pitts παρουσίασαν το πρώτο μαθηματικό μοντέλο τεχνητού νευρώνα, την πρώτη σοβαρή προσπάθεια να μεταφραστεί ο ανθρώπινος εγκέφαλος σε υπολογιστική λογική. Το 1950, ο Alan Turing έθεσε το ερώτημα που ακόμη συζητάμε: μπορούν οι μηχανές να σκεφτούν; Το τεστ Turing δεν έδωσε απάντηση, αλλά έδωσε έναν τρόπο να το εξετάσουμε.

Ακολούθησαν δεκαετίες με σκαμπανεβάσματα. Περίοδοι ενθουσιασμού εναλλάχθηκαν με περιόδους απογοήτευσης, τους λεγόμενους AI winters. Στις δεκαετίες του 1980 και 1990, τα expert systems έδειξαν ότι η ΑΙ μπορεί να έχει πρακτική αξία, αν και ήταν περιορισμένα. Η πραγματική επιτάχυνση ήρθε με τη βελτίωση της μεθόδου backpropagation, που επέτρεψε την εκπαίδευση πολύ πιο σύνθετων μοντέλων, και αργότερα με τη διαθεσιμότητα τεράστιων δεδομένων και υπολογιστικής ισχύος. Από εκεί και πέρα, η ΑΙ ακολούθησε μια χαρακτηριστική πορεία: αρχικά υιοθετήθηκε αργά, μετά επιταχύνθηκε σαν τσουνάμι.

Αυτόνομη πλοήγηση και αποφάσεις σε πραγματικό χρόνο

Το ρόβερ Perseverance της NASA χρησιμοποιεί ήδη σύστημα τεχνητής νοημοσύνης για αυτόνομη πλοήγηση. Αναλύει εικόνες εδάφους, αναγνωρίζει εμπόδια και επιλέγει διαδρομές χωρίς παρέμβαση από τη Γη, μέσω ενός συστήματος που λέγεται AutoNav. Το προηγούμενο ρόβερ, το Curiosity, έκανε τα πρώτα βήματα σε αυτή την κατεύθυνση. Η επόμενη γενιά αυτών των συστημάτων στοχεύει να αποφασίζει ακόμη και ποιους βράχους αξίζει να εξετάσει επιστημονικά, βασισμένη σε γεωλογικά κριτήρια που έχει μάθει από τεράστιους όγκους δεδομένων.

Για αποστολές ακόμη πιο μακριά, στα φεγγάρια του Δία ή του Κρόνου, αυτή η αυτονομία δεν είναι απλώς χρήσιμη, είναι απαραίτητη. Ένα σήμα από το σύστημα του Δία μπορεί να χρειαστεί έως και 52 λεπτά για να φτάσει στη Γη. Το Europa Clipper, που βρίσκεται ήδη στον δρόμο του, θα χρειαστεί υψηλό βαθμό αυτονομίας για να διαχειριστεί τις κοντινές διελεύσεις πάνω από την Ευρώπη, εκεί όπου οι αποφάσεις πρέπει να ληφθούν πολύ πριν προλάβει να ρωτήσει τη Γη.

Ανακάλυψη εξωπλανητών σε κλίμακα

Ο άνθρωπος δεν μπορεί να διαβάσει με το χέρι εκατομμύρια καμπύλες φωτός από διαστημικά τηλεσκόπια όπως το Kepler ή το TESS. Αλγόριθμοι μηχανικής μάθησης το κάνουν ήδη, εντοπίζοντας μικροσκοπικές πτώσεις φωτεινότητας που υποδηλώνουν ότι ένας πλανήτης περνά μπροστά από το άστρο του, τη λεγόμενη μέθοδο διέλευσης.

Το πιο γνωστό παράδειγμα ήρθε τον Δεκέμβριο του 2017, όταν ένα νευρωνικό δίκτυο της Google σε συνεργασία με τη NASA ανακάλυψε δύο εξωπλανήτες κρυμμένους στα δεδομένα του Kepler, τους Kepler-90i και Kepler-80g. Ο Kepler-90i ήταν ιδιαίτερα σημαντικός, γιατί έκανε το σύστημα Kepler-90 το πρώτο γνωστό σύστημα εκτός του δικού μας με οκτώ πλανήτες. Το δίκτυο είχε εκπαιδευτεί σε 15.000 ήδη επιβεβαιωμένα σήματα και έμαθε να ξεχωρίζει τους αληθινούς πλανήτες από τους θορύβους με ακρίβεια 96 τοις εκατό. Σήματα τόσο αδύναμα που οι παραδοσιακές μέθοδοι τα είχαν προσπεράσει, η ΑΙ τα έπιασε.

Το επόμενο βήμα είναι πιο φιλόδοξο: η χρήση τεχνητής νοημοσύνης για την ανάλυση ατμοσφαιρών εξωπλανητών και την αναζήτηση βιοϋπογραφών, δηλαδή χημικών ενδείξεων ζωής, στα φάσματα του τηλεσκοπίου James Webb. Αυτό που θα έπαιρνε χρόνια ανθρώπινης ανάλυσης, μπορεί να γίνει σε ώρες.

Πρόβλεψη διαστημικού καιρού

Μία από τις πιο άμεσες και πιο πρακτικές εφαρμογές είναι η πρόβλεψη ηλιακής δραστηριότητας. Οι ηλιακές εκλάμψεις και οι εκτοξεύσεις στεμματικής μάζας μπορούν να βλάψουν δορυφόρους, να διακόψουν επικοινωνίες και ηλεκτρικά δίκτυα στη Γη, και σε ακραίες περιπτώσεις να θέσουν σε κίνδυνο αστροναύτες. Η NASA έχει αναπτύξει μοντέλα τεχνητής νοημοσύνης που αναλύουν δεδομένα από δορυφόρους παρατήρησης του Ήλιου και προβλέπουν τέτοια φαινόμενα, δίνοντας πολύτιμο χρόνο προετοιμασίας. Όσο η ανθρωπότητα εξαρτάται ολοένα και περισσότερο από δορυφορικές υποδομές, τόσο πιο κρίσιμη γίνεται αυτή η ικανότητα.

Η ΑΙ ως ερευνητικό εργαλείο

Πέρα από τις αποστολές, η τεχνητή νοημοσύνη αλλάζει και τον τρόπο που κάνουμε θεωρητική αστρονομία. Νευρωνικά δίκτυα εκπαιδεύονται σε τεράστιες βάσεις παρατηρήσεων και εντοπίζουν πρότυπα που ένα ανθρώπινο μυαλό δύσκολα θα παρατηρούσε. Έχουν χρησιμοποιηθεί για την ανάλυση εκπομπών από αστέρες νετρονίων, για την κατηγοριοποίηση γαλαξιών σε τεράστιες επισκοπήσεις του ουρανού, ακόμη και για τον εντοπισμό σπάνιων φαινομένων όπως οι βαρυτικοί φακοί.

Κάθε νέο τηλεσκόπιο που εκτοξεύεται, κάθε νέος αστερισμός δορυφόρων, παράγει ποσότητες δεδομένων που μόνο η ΑΙ μπορεί να επεξεργαστεί σε εύλογο χρόνο. Το επερχόμενο Vera C. Rubin Observatory, για παράδειγμα, αναμένεται να παράγει δεκάδες terabyte δεδομένων κάθε νύχτα. Χωρίς αυτοματοποιημένη ανάλυση, αυτά τα δεδομένα θα ήταν πρακτικά αδύνατο να αξιοποιηθούν.

Τα όρια της τεχνητής νοημοσύνης

Υπάρχουν όμως και προκλήσεις. Τα συστήματα ΑΙ είναι τόσο καλά όσο τα δεδομένα με τα οποία εκπαιδεύονται. Για αντικείμενα ή φαινόμενα που δεν έχουμε ξαναδεί, όπως ένα πρώτο σήμα από εξωγήινη ζωή, ένα σύστημα εκπαιδευμένο μόνο στα γνωστά μπορεί να το αγνοήσει ή να το κατηγοριοποιήσει λανθασμένα. Η ΑΙ είναι εξαιρετική στο να αναγνωρίζει μοτίβα που έχει ξαναδεί, αλλά αδύναμη απέναντι στο πρωτοφανές.

Γι' αυτό το ανθρώπινο στοιχείο παραμένει απαραίτητο. Όχι για να εκτελεί υπολογισμούς, αλλά για να θέτει τα σωστά ερωτήματα, να ερμηνεύει το ανέλπιστο και να κρίνει τι αξίζει να διερευνηθεί. Η τεχνητή νοημοσύνη στο διάστημα δεν αντικαθιστά τον αστρονόμο, τον πολλαπλασιάζει.

Πού πάει το πράγμα

Το επόμενο βήμα είναι η πλήρης αυτονομία. Μελλοντικά διαστημόπλοια θα μπορούν να παίρνουν σύνθετες αποφάσεις χωρίς συνεχή επικοινωνία με τη Γη. Ρομποτικά συστήματα θα προετοιμάζουν υποδομές σε άλλους πλανήτες πριν φτάσουν οι άνθρωποι. Και για αστροναύτες σε μακρινές αποστολές, η ΑΙ αρχίζει να εξελίσσεται από εργαλείο σε συνεργάτη, ικανό να αναλύει καταστάσεις και να προτείνει λύσεις σε πραγματικό χρόνο.

Το σύμπαν είναι αχανές και τα δεδομένα που μαζεύουμε από αυτό αυξάνονται εκθετικά. Σε μια εποχή που στέλνουμε σκάφη στα φεγγάρια του Δία και σχεδιάζουμε μόνιμες βάσεις στη Σελήνη, η τεχνητή νοημοσύνη στο διάστημα δεν θα μπορούσε να έρθει σε καλύτερη στιγμή. Δεν είναι αυτή που θα εξερευνήσει για εμάς. Είναι αυτή που θα μας επιτρέψει να εξερευνήσουμε πιο μακριά από όσο φτάνουν τα μάτια μας.

Συχνές ερωτήσεις

Τι κάνει η τεχνητή νοημοσύνη στο διάστημα;

Πολλά. Οδηγεί αυτόνομα ρόβερ στον Άρη, εντοπίζει εξωπλανήτες σε δεδομένα τηλεσκοπίων, προβλέπει ηλιακές καταιγίδες, κατηγοριοποιεί γαλαξίες και βοηθά στον σχεδιασμό τροχιών και αποστολών. Ουσιαστικά, αναλαμβάνει εργασίες που είναι είτε πολύ γρήγορες είτε πολύ τεράστιες σε όγκο για τον άνθρωπο.

Πώς ανακαλύπτει εξωπλανήτες η ΑΙ;

Με μηχανική μάθηση. Ένα νευρωνικό δίκτυο εκπαιδεύεται σε γνωστά σήματα εξωπλανητών και μετά ψάχνει σε εκατομμύρια καμπύλες φωτός για παρόμοια μοτίβα, εντοπίζοντας τις μικροσκοπικές πτώσεις φωτεινότητας όταν ένας πλανήτης περνά μπροστά από το άστρο του. Έτσι ανακαλύφθηκαν οι Kepler-90i και Kepler-80g το 2017.

Μπορεί η ΑΙ να βρει εξωγήινη ζωή;

Μπορεί να βοηθήσει σημαντικά, αναλύοντας φάσματα ατμοσφαιρών για βιοϋπογραφές πολύ πιο γρήγορα από τον άνθρωπο. Αλλά έχει ένα τυφλό σημείο: αν το σήμα της ζωής είναι κάτι εντελώς πρωτοφανές, ένα σύστημα εκπαιδευμένο στα γνωστά ίσως δεν το αναγνωρίσει. Εδώ ο άνθρωπος παραμένει αναντικατάστατος.

Θα αντικαταστήσει η ΑΙ τους αστρονόμους;

Όχι. Η ΑΙ είναι εξαιρετική στην αναγνώριση μοτίβων και στην επεξεργασία τεράστιων δεδομένων, αλλά δεν θέτει ερωτήματα, δεν ερμηνεύει το απρόσμενο και δεν αποφασίζει τι έχει επιστημονική σημασία. Λειτουργεί ως πολλαπλασιαστής των δυνατοτήτων του ερευνητή, όχι ως αντικαταστάτης.

Γιατί χρειάζονται τα ρόβερ αυτονομία;

Λόγω της καθυστέρησης του σήματος. Ένα μήνυμα από τη Γη χρειάζεται 3 έως 22 λεπτά για να φτάσει στον Άρη, και άλλα τόσα για την απάντηση. Αν το ρόβερ περίμενε εντολές για κάθε κίνηση, η πρόοδος θα ήταν ελάχιστη. Η αυτονομία του επιτρέπει να αποφεύγει εμπόδια και να επιλέγει διαδρομές μόνο του.

🤖

Το άρθρο δημιουργήθηκε με τη βοήθεια τεχνητής νοημοσύνης και βασίστηκε σε αξιόπιστες επιστημονικές πηγές. Η τελική επιμέλεια και ο έλεγχος έγιναν από την ομάδα του Infinite Odyssey πριν τη δημοσίευση. Για περισσότερες διαστημικές ειδήσεις στα ελληνικά, μείνετε συντονισμένοι.