外太空沒有GPS。所以，如果宇航員們把自己丟在了哪顆星球上事情就很糟糕了。美國宇航局（NASA）下的邊境開發實驗室（FDL）和英特爾開發了一個AI系統，來解決太空旅行和外星移民中可能會遇見的這一核心問題。
（圖源：Futurism）
FDL與英特爾已經結束了為期8周的夏季計劃，他們組成了9個探索小組，利用AI來尋找系外行星，發送探測器以觀察近距離的太陽，以及為現在和將來的太空旅行提供解決方案。透過人工智能（AI）技術的協助，航天員未來在全新星球上將能更輕易前往要去的地方。
第一部分是關於月球“本地化”的問題。弄清楚你在地球上的位置相對容易——可以使用老式的地圖、應用程序、GPS、地標標識物，往一個方向走。但到了月球上情況就大不一樣了。
人工智能如何實現月球等“外星”上的定位導航呢？研究人員Andrew Chung，Philippe Ludivig，Ross Potter和Benjamin Wu開發了一個模擬月球表面的系統，並將模擬環境與月球真實環境作比較。
他們通過創建240萬張其表面的圖像，然後獲取數據，使用神經網絡創建“虛擬月球”來“訓練”人工智能。
在這一基礎上，站在月球表面的人可以通過拍攝周圍環境的圖像來進行“本地化”定位，並讓AI將真實圖像與模擬圖像進行比較。
這種基於人工智能的解決方案適用於我們能夠拍攝的任何表面——包括火星。它可能不具有開放空間定位的相同功效，但是在空間中飛行的這一因素形成了與在外星球表面不同的挑戰。
而另一個由英特爾贊助的團隊，則負責在另一個星球上建造基地。NASA正致力於月球、火星殖民地的“自治基地”建設、採礦和資源管理，他們認為一旦沒了機器學習，就沒法完成這些過程。
由研究人員Drew Bischel、Zahi Kakish、Francisco Lera和Ana Mosquera組成的團隊開始著手解決無人駕駛車輛和自動機器人在惡劣環境中進行操作的問題——例如月球的黑暗、冰冷的一面。
現在，他們已經創建了一個解決問題的框架——這類似於一個叫做“最短路徑”（The Traveling Salesman Problem）的舊數學難題。
在“最短路徑”的難題中，科學家的人物是辨別推銷員在城市之間穿越的最短路線 ——不能兩次踏入同一地點，最後要保證能返回原點。如果你從紐約到了芝加哥，然後是舊金山再回到紐約，那麼這似乎很簡單。
但是當你將它應用到像月球這樣的環境中是，你必須考慮資源、黑點的位置，它可能會產生溫度波動導致儀器和機械故障，以及無數其他環境特定的任務。對於簡單的計算而言，要控制成千上萬的獨立機器去做出數以百萬計的決定，任務實在太龐雜了。它必須要依靠先進的深度學習解決方案進行支持和改進。
英特爾為這兩個團隊提供了訪問Intel DevCloud的權限，該版本運行在Intel Xeon Gold處理器上，幷包含針對Python和Tensorflow的MKL優化。英特爾還為“本地化”團隊提供了專用的Xeon服務器。
最終，這兩個項目都可以擴展到其他星球和衛星上。該研究目前處於早期發展階段，但目標很明確：人工智能是太空旅行和外星殖民的未來。如果計劃最終真的實現了，未來前往火星的航天員將能購在導航的協助下更簡單的前往目的地。
閱讀更多 前瞻網 的文章
