美国海军飞行员发现飞行速度惊人的UFO后喊道。2020年4月，美国国防部解密了2004至2005年间海军飞行员拍摄的三段UFO视频。这些UFO的飞行速度极快。视频中这些海军飞行员的惊叹声清晰可闻，他们对快速飞行也略知一二。
地球很可能不是宇宙中唯一承载生命的天体。银行系中有半数以上的类太阳恒星里可能分布着宜居的行星。计算表明，至少有170亿颗恒星可能适合居住。宇宙是如此浩瀚，地球怎么会是唯一存在生命的天体呢?
诸如SETI研究所一类的组织如今正通过分析来自外太空的无线电频率寻找外星通讯。带有磁场的天体(例如恒星)可以产生无线电波，技术驱动型通讯也是如此，SETI正是在寻找这种通讯。
机器学习是与分析空间数据、探索智能生命最为相关的技术。机器学习的核心是进行大规模数据分类、获得数据模式，从而产生人类无法拥有的洞察力。
利用人工智能，我们得以分析海量数据
艾伦望远镜阵列(ATA)的唯一任务就是寻找外星通讯的证据。所有望远镜均朝向光年之外的行星系，以确定该区域的无线电波是否来自技术通讯。虽然听起来很简单，但ATA的功能非常强大，相比之下，其它望远镜都显得像儿童玩具。
2007年，在微软联合创始人保罗艾伦的支持下，望远镜阵列的各个部分得以组合建成，可以观察到更广阔的视野，这使得此阵列能够捕获更大范围的频率，收集更多的数据。
神经网络是机器学习的一个分支，可以解决上述问题。神经网络能够完成密集度更高的模式识别与任务分类工作。一个神经网络模型具有的“处理层&Rdquo;越多，可以处理的任务就越复杂。
神经网络首先通过研究一小块夜空中的无线电频率来进行“学习&Rdquo;。从这个较小的数据集中，它可以学习到什么是“正常&Rdquo;声音。然后凭此过滤掉较大的射频数据集的背景信号，剩下一些“不正常&Rdquo;的重复信号或模式。这些剩下的光点可能代表潜在的外星通讯，将被发送给人类工程师进行进一步研究。
神经网络的优点在于，不需要编写代码来告诉系统“正常&Rdquo;是何种状态，而只需指示系统将数据分类存储，然后识别出常规模式，或者异常情况。事实上，其他行业已经在应用类似的神经网络模型。例如，银行一直在使用类似的模型来检测欺诈和洗钱等异常情况。
NASA前沿发展实验室(FDL)的机器学习软件不仅可以创建附近小行星的3D模型，还可以准确估计这些行星的大小、形状和自转速率。快速计算出这类信息对于识别对地球有威胁的小行星(以及在未来改变其轨道)至关重要
在传统软件技术的条件下，天文学家需要花费一到三个月的时间来分析一颗小行星。而现在的机器学习算法在短短四天内就能绘制出一颗小行星的渲染。
不久，神经网络可能会帮助人类快速识别宜居的系外行星。目前，研究利用望远镜数据来分析系外行星大气中的分子吸收或发射光波的过程。这种分析可反映出该行星的化学成分信息，例如大气中是否含有氧气。
到目前为止，我们已经发现了数千颗系外行星，但仍处于起步阶段。尽快找到“最宜居&Rdquo;的行星有助于集中精力和资源，避免大海捞针。
FDL团队与Google Cloud合作开发了一个神经网络模型，用以分析2008年发现的系外行星WASP-12B的大气成分。神经网络的性能优于基本的机器学习技术，甚至可以就预测结果的确定性进行打分。这个重要的特性有助于人们建立起对这些新模型的信任。
