Khánh Phạm
Moderator
Các thuật toán học máy đang chuyển đổi việc tìm kiếm trí thông minh ngoài Trái đất, tìm kiếm tín hiệu ứng cử viên nhanh hơn và tốt hơn bao giờ hết, nhưng sự phát triển của trí tuệ nhân tạo nói chung có thể làm phức tạp thêm việc liên lạc.
Ngửa mặt lên bầu trời và bạn sẽ thấy rằng ngay lập tức bạn sẽ bị mất đi khả năng nghe. Từ ngôi sao gần nhất cho đến các thiên hà xa xôi, từ nhiễu tầng điện ly trong khí quyển đến nhiễu tần số vô tuyến (RFI) phát ra từ các công nghệ của chúng ta, bầu trời đầy nhiễu vô tuyến. Trong một ngóc ngách nào đó giữa tất cả những thông tin đó, có thể ẩn chứa một dấu vết: một tín hiệu từ một thế giới khác.
Trong suốt hơn 60 năm, các nhà khoa học đã quét bầu trời, tìm kiếm sự sống ngoài Trái Đất, nhưng vẫn chưa tìm thấy bất kỳ dấu vết nào về người ngoài hành tinh. Nếu ta xem xét khối lượng dữ liệu lớn về không gian và tần số vô tuyến - tất cả những ngôi sao kia, tất cả những tín hiệu đó - so với những nỗ lực tìm kiếm bị hạn chế của chúng ta cho đến nay, thì việc chúng ta vẫn chưa tìm thấy dấu vết của sinh vật ngoài hành tinh (ET) không có gì là lạ. Đây là một nhiệm vụ khó khăn, đặc biệt đối với con người.
May mắn thay, chúng ta có sự hỗ trợ của trí thông minh nhân tạo (AI) để tham gia vào cuộc tìm kiếm.
Sử dụng trí tuệ nhân tạo (AI) đang trở nên ngày càng quan trọng trong cuộc sống hàng ngày và trong lĩnh vực khoa học, không có gì ngạc nhiên khi nó đang được ứng dụng trong việc Tìm Kiếm Trí Tuệ Ngoài Trái Đất (SETI). Chúng ta không đang nói về Skynet, những hình ảnh trong phim The Matrix hoặc Data trong Star Trek: The Next Generation. Hiện nay, AI đang phát triển mạnh mẽ dựa trên các thuật toán học máy, được thiết kế để thực hiện các nhiệm vụ cụ thể, thậm chí chỉ là trò chuyện với bạn như ChatGPT.
Để giải thích cách AI hỗ trợ SETI, nhà thiên văn học và nghiên cứu SETI Eamonn Kerins từ Đại học Manchester đã so sánh nó với việc tìm kim đáy biển.
Kerins nói với Space.com: "Cơ bản, bạn xử lý dữ liệu như nó là cỏ khô." "Sau đó, bạn yêu cầu thuật toán học máy cho bạn biết liệu có gì đó trong dữ liệu không phải là cỏ khô hay không, và hy vọng đó là kim đáy biển - trừ khi còn có những thứ khác trong đống cỏ khô."
Những thứ khác thường là RFI, nhưng thuật toán học máy đã được đào tạo để nhận dạng tất cả các loại RFI mà chúng ta đã biết. Những tín hiệu đó - những mẫu quen thuộc như tín hiệu điện thoại di động, tín hiệu từ các thiết bị vô tuyến địa phương, các tín hiệu từ các thiết bị điện tử, vv - chỉ là "cỏ khô."
Quá trình đào tạo bao gồm "đưa tín hiệu vào dữ liệu và sau đó thuật toán học cách tìm kiếm các tín hiệu tương tự," như Steve Croft, một nhà thiên văn học thuộc dự án Breakthrough Listen SETI tại Đại học California, Berkeley, đã giải thích cho Space.com. Thuật toán học máy học cách phát hiện các mẫu quen thuộc này và bỏ qua chúng. Nếu nó phát hiện điều gì đó trong dữ liệu mà nó chưa được đào tạo, thì nó sẽ đánh dấu điều đó là thứ đáng chú ý và cần sự can thiệp của con người để theo dõi.
Kerins nói: "Gần đây, có những nỗ lực để sàng lọc một số dữ liệu của Breakthrough Listen bằng thuật toán học máy." "Trước đây, dữ liệu đã được sàng lọc khá cẩn thận bằng các phương pháp thông thường, nhưng sau khi được đào tạo, thuật toán có thể vẫn chọn ra các tín hiệu mới."
Dự án này do Steve Croft và Peter Ma, một sinh viên đại học từ Đại học Toronto, đứng đầu, đã sử dụng thuật toán để phân tích dữ liệu từ 820 ngôi sao được quan sát bằng kính viễn vọng vô tuyến 100 mét tại Đài thiên văn Green Bank ở Tây Virginia. Dữ liệu này chứa hàng triệu tín hiệu vô tuyến, hầu hết đều là nhiễu do con người tạo ra. Thuật toán đã kiểm tra từng tín hiệu và tìm thấy tám tín hiệu không phù hợp với bất kỳ tín hiệu nào nó đã được đào tạo và đã được bỏ qua trong các phân tích dữ liệu trước đó.
Tám tín hiệu này có vẻ đến từ năm hệ sao khác nhau, mặc dù chúng có thể dẫn đến sự hiểu nhầm. Cho đến nay, chúng vẫn chưa được phát hiện lại - việc tín hiệu lặp lại là một yếu tố quan trọng để xem xét khi xác định tính thú vị trong SETI - và chúng có thể giống RFI hơn. Tuy nhiên, điều này có thể hữu ích bởi vì chúng có thể được sử dụng để đào tạo thế hệ AI học máy sau này để tránh các RFI tương tự trong tương lai.
Thuật toán học máy có thể chia thành hai loại: học có giám sát và học không giám sát. Học có giám sát là phương pháp dạy cho thuật toán mọi thứ mà con người biết. Học không giám sát tương tự, nhưng ở đây bạn chỉ cần cung cấp dữ liệu cho thuật toán và để nó tự tìm ra điều gì quan trọng mà không cần sự hướng dẫn của con người.
Croft nói: "Với phương pháp học không giám sát, bạn chỉ cần đưa tất cả dữ liệu vào, khuấy đều và để thuật toán tự tìm ra điều gì."
Một ví dụ thường thấy, giả sử bạn có một tập dữ liệu chứa hình ảnh của bàn và ghế, và bạn muốn thuật toán phân biệt giữa chúng. Trong học có giám sát, bạn sẽ đào tạo thuật toán trên nhiều hình ảnh đã được đánh dấu là 'bàn' hoặc 'ghế'. Trong học không giám sát, thuật toán phải tự phân biệt giữa hai loại này bằng cách gom những thứ giống nhau lại mà không cần hướng dẫn trước - ví dụ, nó có thể chọn bất kỳ thứ nào có lưng là bàn và bất kỳ thứ nào có mặt trên dài là ghế.
Kerins đưa ra ví dụ về một dự án do Adam Lesnikowski của NVIDIA dẫn đầu, trong đó họ sử dụng học máy không giám sát để xem liệu nó có thể phát hiện các cấu trúc nhân tạo trên mặt trăng. Thuật toán được cung cấp hình ảnh từ tàu quỹ đạo trinh sát mặt trăng của NASA và nhiệm vụ của nó là xác định những đặc điểm điển hình trên mặt trăng, như miệng núi lửa hoặc rille, và những gì không phải là những đặc điểm đó. Thử nghiệm này đã thành công, khi thuật toán nhận diện tàu đổ bộ Apollo 15 trên mặt trăng.
Ý tưởng là người ngoài hành tinh công nghệ có thể đã đến thăm hệ mặt trời của chúng ta và để lại các tàu thăm dò hoặc đồ vật trên các hành tinh, mặt trăng hoặc tiểu hành tinh. Có thể thậm chí có một tàu thám hiểm hoạt động theo dõi chúng ta ngay lúc này.
Kerins cho biết: "Một số đồng nghiệp của tôi rất quan tâm đến việc đưa các thuật toán học máy lên tàu vũ trụ." Một tàu vũ trụ có thể quét các bề mặt hành tinh trong hệ mặt trời của chúng ta để tìm kiếm các dấu vết lạ mà có thể là tàu thăm dò của người ngoài hành tinh, hiện tại có thể đã tồn tại hàng triệu hoặc thậm chí hàng tỷ năm. Bởi vì học máy không giám sát có khả năng làm việc trong thời gian thực, nó có thể đánh giá từng hình ảnh trước khi gửi toàn bộ dữ liệu về Trái Đất để con người kiểm tra.
Chắc chắn, trong thời đại của "Dữ liệu Lớn", AI học máy đang trở thành một lựa chọn hàng đầu và được sử dụng rộng rãi trong lĩnh vực thiên văn học và SETI, giúp chúng ta tiến xa hơn và tốt hơn so với khả năng của con người.
Kerins nói: "Nó chắc chắn rất nhanh." "Cách tốt nhất mà chúng ta có thể đạt được với con người hiện tại là thông qua các dự án khoa học công dân." Tuy nhiên, với AI học máy, con người vẫn đóng một vai trò quan trọng. Một tín hiệu có thể được đánh dấu bởi AI là thú vị, nhưng con người vẫn phải thực hiện quá trình theo dõi và điều tra. Các thuật toán không phải lúc nào cũng thông minh.
Tuy nhiên, có thể sẽ đến một ngày sớm khi chúng trở nên thông minh hơn. Các nhà nghiên cứu tại các tổ chức như Google DeepMind đã và đang theo đuổi Trí Tuệ Nhân Tạo Tổng Quát (AGI). Trong khi các thuật toán hiện tại rất cụ thể, AGI có khả năng tiến hóa và học hỏi trong khi thực hiện các nhiệm vụ. AGI có thể phát triển nhanh chóng và vượt qua khả năng trí tuệ của con người.
Khả năng chuyển đổi từ SETI sang AGI là một triển vọng hấp dẫn. Chúng ta đã thấy các thuật toán học máy được thiết kế để chơi các trò chơi như cờ vua hoặc cờ vây đã phát triển các chiến lược vượt trội hơn các chuyên gia con người trong các trò chơi này. AGI có thể nghĩ ra cách mới để tìm kiếm sự sống ngoài hành tinh, vượt ra ngoài giới hạn của kiến thức và kinh nghiệm của con người.
Kerins nói: "Nó có thể mở ra tất cả các khả năng về cách truyền tải ngôn ngữ và giao tiếp thông qua tín hiệu." "Nó có thể sử dụng các danh mục thiên văn lớn và đưa ra quyết định về cách thức và vị trí để tìm kiếm."
Steve Croft lặp lại sự lạc quan của Kerins. "Tôi hy vọng rằng AI sẽ phát triển đến mức chúng ta có thể yêu cầu nó bỏ tấm màn trập đi và tưởng tượng, dựa trên kiến thức về vật lý, sinh học, hóa học, ngoại hành tinh và công nghệ, nó nghĩ người ngoài hành tinh có thể đang làm gì. Nó có thể nghĩ ra một số ý tưởng hay!"
Tất nhiên, điều đó chỉ xảy ra nếu nó có thể hoặc thậm chí sẽ. Một cách nào đó, việc tạo ra AGI sẽ giống như tạo ra một người ngoài hành tinh, một thứ rất giống chúng ta và có thể khó hiểu đối với chúng ta.
Kerins nói: "Chúng ta có thể thấy rất khó để liên lạc trực tiếp với nó." "Chúng ta có thể có một số hệ thống phân cấp dịch giả, và ở đỉnh của hệ thống phân cấp đó là trí tuệ sẽ quyết định các cách thông minh hơn để tìm kiếm SETI. Nếu nó có thể tiếp xúc được, thì làm thế nào nó sẽ lọc ra trí tuệ sinh học, những kẻ ngu ngốc, chúng ta?"
Chúng ta có thể nhận được một phiên bản thu gọn của thông điệp từ người ngoài hành tinh, trong đó thông tin liên quan được truyền qua hệ thống phân cấp và trở nên đơn giản hơn dần cho đến khi chúng ta nhận được phiên bản rút gọn. AGI có thể thậm chí giữ lại các thông tin mà nó cho là quá phức tạp để chúng ta có thể hiểu. Nếu AGI phát hiện SETI, chúng ta có thể không thể có cái nhìn toàn cảnh.
Tuy nhiên, đó chỉ là dự đoán. Ở thời điểm hiện tại, AI là một công cụ mạnh mẽ giúp chúng ta tăng tốc quá trình tìm kiếm ET. Một điều chắc chắn là nếu chúng ta phát hiện tín hiệu từ thế giới khác trong tương lai, chúng ta sẽ phải biết ơn AI vì điều đó.
Ngửa mặt lên bầu trời và bạn sẽ thấy rằng ngay lập tức bạn sẽ bị mất đi khả năng nghe. Từ ngôi sao gần nhất cho đến các thiên hà xa xôi, từ nhiễu tầng điện ly trong khí quyển đến nhiễu tần số vô tuyến (RFI) phát ra từ các công nghệ của chúng ta, bầu trời đầy nhiễu vô tuyến. Trong một ngóc ngách nào đó giữa tất cả những thông tin đó, có thể ẩn chứa một dấu vết: một tín hiệu từ một thế giới khác.
Trong suốt hơn 60 năm, các nhà khoa học đã quét bầu trời, tìm kiếm sự sống ngoài Trái Đất, nhưng vẫn chưa tìm thấy bất kỳ dấu vết nào về người ngoài hành tinh. Nếu ta xem xét khối lượng dữ liệu lớn về không gian và tần số vô tuyến - tất cả những ngôi sao kia, tất cả những tín hiệu đó - so với những nỗ lực tìm kiếm bị hạn chế của chúng ta cho đến nay, thì việc chúng ta vẫn chưa tìm thấy dấu vết của sinh vật ngoài hành tinh (ET) không có gì là lạ. Đây là một nhiệm vụ khó khăn, đặc biệt đối với con người.
Sử dụng trí tuệ nhân tạo (AI) đang trở nên ngày càng quan trọng trong cuộc sống hàng ngày và trong lĩnh vực khoa học, không có gì ngạc nhiên khi nó đang được ứng dụng trong việc Tìm Kiếm Trí Tuệ Ngoài Trái Đất (SETI). Chúng ta không đang nói về Skynet, những hình ảnh trong phim The Matrix hoặc Data trong Star Trek: The Next Generation. Hiện nay, AI đang phát triển mạnh mẽ dựa trên các thuật toán học máy, được thiết kế để thực hiện các nhiệm vụ cụ thể, thậm chí chỉ là trò chuyện với bạn như ChatGPT.
Để giải thích cách AI hỗ trợ SETI, nhà thiên văn học và nghiên cứu SETI Eamonn Kerins từ Đại học Manchester đã so sánh nó với việc tìm kim đáy biển.
Kerins nói với Space.com: "Cơ bản, bạn xử lý dữ liệu như nó là cỏ khô." "Sau đó, bạn yêu cầu thuật toán học máy cho bạn biết liệu có gì đó trong dữ liệu không phải là cỏ khô hay không, và hy vọng đó là kim đáy biển - trừ khi còn có những thứ khác trong đống cỏ khô."
Những thứ khác thường là RFI, nhưng thuật toán học máy đã được đào tạo để nhận dạng tất cả các loại RFI mà chúng ta đã biết. Những tín hiệu đó - những mẫu quen thuộc như tín hiệu điện thoại di động, tín hiệu từ các thiết bị vô tuyến địa phương, các tín hiệu từ các thiết bị điện tử, vv - chỉ là "cỏ khô."
Quá trình đào tạo bao gồm "đưa tín hiệu vào dữ liệu và sau đó thuật toán học cách tìm kiếm các tín hiệu tương tự," như Steve Croft, một nhà thiên văn học thuộc dự án Breakthrough Listen SETI tại Đại học California, Berkeley, đã giải thích cho Space.com. Thuật toán học máy học cách phát hiện các mẫu quen thuộc này và bỏ qua chúng. Nếu nó phát hiện điều gì đó trong dữ liệu mà nó chưa được đào tạo, thì nó sẽ đánh dấu điều đó là thứ đáng chú ý và cần sự can thiệp của con người để theo dõi.
Kerins nói: "Gần đây, có những nỗ lực để sàng lọc một số dữ liệu của Breakthrough Listen bằng thuật toán học máy." "Trước đây, dữ liệu đã được sàng lọc khá cẩn thận bằng các phương pháp thông thường, nhưng sau khi được đào tạo, thuật toán có thể vẫn chọn ra các tín hiệu mới."
Dự án này do Steve Croft và Peter Ma, một sinh viên đại học từ Đại học Toronto, đứng đầu, đã sử dụng thuật toán để phân tích dữ liệu từ 820 ngôi sao được quan sát bằng kính viễn vọng vô tuyến 100 mét tại Đài thiên văn Green Bank ở Tây Virginia. Dữ liệu này chứa hàng triệu tín hiệu vô tuyến, hầu hết đều là nhiễu do con người tạo ra. Thuật toán đã kiểm tra từng tín hiệu và tìm thấy tám tín hiệu không phù hợp với bất kỳ tín hiệu nào nó đã được đào tạo và đã được bỏ qua trong các phân tích dữ liệu trước đó.
Tám tín hiệu này có vẻ đến từ năm hệ sao khác nhau, mặc dù chúng có thể dẫn đến sự hiểu nhầm. Cho đến nay, chúng vẫn chưa được phát hiện lại - việc tín hiệu lặp lại là một yếu tố quan trọng để xem xét khi xác định tính thú vị trong SETI - và chúng có thể giống RFI hơn. Tuy nhiên, điều này có thể hữu ích bởi vì chúng có thể được sử dụng để đào tạo thế hệ AI học máy sau này để tránh các RFI tương tự trong tương lai.
Thuật toán học máy có thể chia thành hai loại: học có giám sát và học không giám sát. Học có giám sát là phương pháp dạy cho thuật toán mọi thứ mà con người biết. Học không giám sát tương tự, nhưng ở đây bạn chỉ cần cung cấp dữ liệu cho thuật toán và để nó tự tìm ra điều gì quan trọng mà không cần sự hướng dẫn của con người.
Croft nói: "Với phương pháp học không giám sát, bạn chỉ cần đưa tất cả dữ liệu vào, khuấy đều và để thuật toán tự tìm ra điều gì."
Một ví dụ thường thấy, giả sử bạn có một tập dữ liệu chứa hình ảnh của bàn và ghế, và bạn muốn thuật toán phân biệt giữa chúng. Trong học có giám sát, bạn sẽ đào tạo thuật toán trên nhiều hình ảnh đã được đánh dấu là 'bàn' hoặc 'ghế'. Trong học không giám sát, thuật toán phải tự phân biệt giữa hai loại này bằng cách gom những thứ giống nhau lại mà không cần hướng dẫn trước - ví dụ, nó có thể chọn bất kỳ thứ nào có lưng là bàn và bất kỳ thứ nào có mặt trên dài là ghế.
Kerins đưa ra ví dụ về một dự án do Adam Lesnikowski của NVIDIA dẫn đầu, trong đó họ sử dụng học máy không giám sát để xem liệu nó có thể phát hiện các cấu trúc nhân tạo trên mặt trăng. Thuật toán được cung cấp hình ảnh từ tàu quỹ đạo trinh sát mặt trăng của NASA và nhiệm vụ của nó là xác định những đặc điểm điển hình trên mặt trăng, như miệng núi lửa hoặc rille, và những gì không phải là những đặc điểm đó. Thử nghiệm này đã thành công, khi thuật toán nhận diện tàu đổ bộ Apollo 15 trên mặt trăng.
Ý tưởng là người ngoài hành tinh công nghệ có thể đã đến thăm hệ mặt trời của chúng ta và để lại các tàu thăm dò hoặc đồ vật trên các hành tinh, mặt trăng hoặc tiểu hành tinh. Có thể thậm chí có một tàu thám hiểm hoạt động theo dõi chúng ta ngay lúc này.
Kerins cho biết: "Một số đồng nghiệp của tôi rất quan tâm đến việc đưa các thuật toán học máy lên tàu vũ trụ." Một tàu vũ trụ có thể quét các bề mặt hành tinh trong hệ mặt trời của chúng ta để tìm kiếm các dấu vết lạ mà có thể là tàu thăm dò của người ngoài hành tinh, hiện tại có thể đã tồn tại hàng triệu hoặc thậm chí hàng tỷ năm. Bởi vì học máy không giám sát có khả năng làm việc trong thời gian thực, nó có thể đánh giá từng hình ảnh trước khi gửi toàn bộ dữ liệu về Trái Đất để con người kiểm tra.
Chắc chắn, trong thời đại của "Dữ liệu Lớn", AI học máy đang trở thành một lựa chọn hàng đầu và được sử dụng rộng rãi trong lĩnh vực thiên văn học và SETI, giúp chúng ta tiến xa hơn và tốt hơn so với khả năng của con người.
Kerins nói: "Nó chắc chắn rất nhanh." "Cách tốt nhất mà chúng ta có thể đạt được với con người hiện tại là thông qua các dự án khoa học công dân." Tuy nhiên, với AI học máy, con người vẫn đóng một vai trò quan trọng. Một tín hiệu có thể được đánh dấu bởi AI là thú vị, nhưng con người vẫn phải thực hiện quá trình theo dõi và điều tra. Các thuật toán không phải lúc nào cũng thông minh.
Tuy nhiên, có thể sẽ đến một ngày sớm khi chúng trở nên thông minh hơn. Các nhà nghiên cứu tại các tổ chức như Google DeepMind đã và đang theo đuổi Trí Tuệ Nhân Tạo Tổng Quát (AGI). Trong khi các thuật toán hiện tại rất cụ thể, AGI có khả năng tiến hóa và học hỏi trong khi thực hiện các nhiệm vụ. AGI có thể phát triển nhanh chóng và vượt qua khả năng trí tuệ của con người.
Khả năng chuyển đổi từ SETI sang AGI là một triển vọng hấp dẫn. Chúng ta đã thấy các thuật toán học máy được thiết kế để chơi các trò chơi như cờ vua hoặc cờ vây đã phát triển các chiến lược vượt trội hơn các chuyên gia con người trong các trò chơi này. AGI có thể nghĩ ra cách mới để tìm kiếm sự sống ngoài hành tinh, vượt ra ngoài giới hạn của kiến thức và kinh nghiệm của con người.
Kerins nói: "Nó có thể mở ra tất cả các khả năng về cách truyền tải ngôn ngữ và giao tiếp thông qua tín hiệu." "Nó có thể sử dụng các danh mục thiên văn lớn và đưa ra quyết định về cách thức và vị trí để tìm kiếm."
Steve Croft lặp lại sự lạc quan của Kerins. "Tôi hy vọng rằng AI sẽ phát triển đến mức chúng ta có thể yêu cầu nó bỏ tấm màn trập đi và tưởng tượng, dựa trên kiến thức về vật lý, sinh học, hóa học, ngoại hành tinh và công nghệ, nó nghĩ người ngoài hành tinh có thể đang làm gì. Nó có thể nghĩ ra một số ý tưởng hay!"
Tất nhiên, điều đó chỉ xảy ra nếu nó có thể hoặc thậm chí sẽ. Một cách nào đó, việc tạo ra AGI sẽ giống như tạo ra một người ngoài hành tinh, một thứ rất giống chúng ta và có thể khó hiểu đối với chúng ta.
Kerins nói: "Chúng ta có thể thấy rất khó để liên lạc trực tiếp với nó." "Chúng ta có thể có một số hệ thống phân cấp dịch giả, và ở đỉnh của hệ thống phân cấp đó là trí tuệ sẽ quyết định các cách thông minh hơn để tìm kiếm SETI. Nếu nó có thể tiếp xúc được, thì làm thế nào nó sẽ lọc ra trí tuệ sinh học, những kẻ ngu ngốc, chúng ta?"
Chúng ta có thể nhận được một phiên bản thu gọn của thông điệp từ người ngoài hành tinh, trong đó thông tin liên quan được truyền qua hệ thống phân cấp và trở nên đơn giản hơn dần cho đến khi chúng ta nhận được phiên bản rút gọn. AGI có thể thậm chí giữ lại các thông tin mà nó cho là quá phức tạp để chúng ta có thể hiểu. Nếu AGI phát hiện SETI, chúng ta có thể không thể có cái nhìn toàn cảnh.
Tuy nhiên, đó chỉ là dự đoán. Ở thời điểm hiện tại, AI là một công cụ mạnh mẽ giúp chúng ta tăng tốc quá trình tìm kiếm ET. Một điều chắc chắn là nếu chúng ta phát hiện tín hiệu từ thế giới khác trong tương lai, chúng ta sẽ phải biết ơn AI vì điều đó.
