外太空没有GPS。所以，假如宇航员们把自己丢在了哪颗星球上工作就很糟糕了。美国宇航局（NASA）下的边境开发实验室（FDL）和英特尔开发了一个AI体系，来处理太空游览和外星移民中可能会遇见的这一核心问题。
（图源：Futurism）
FDL与英特尔现已完毕了为期8周的夏日方案，他们组成了9个探究小组，运用AI来寻觅系外行星，发送探测器以调查近距离的太阳，以及为现在和将来的太空游览供给处理方案。透过人工智能（AI）技能的帮忙，航天员未来在全新星球上将能更简略前往要去的当地。
榜首部分是关于月球“本地化”的问题。弄清楚你在地球上的方位相对简略——可以运用旧式的地图、应用程序、GPS、地标标识物，往一个方向走。但到了月球上状况就大不一样了。
人工智能怎么完结月球等“外星”上的定位导航呢？研讨人员Andrew Chung，Philippe Ludivig，Ross Potter和Benjamin Wu开发了一个模仿月球外表的体系，并将模仿环境与月球实在环境作比较。
他们经过创立240万张其外表的图画，然后获取数据，运用神经网络创立“虚拟月球”来“练习”人工智能。
在这一基础上，站在月球外表的人可以经过拍照周围环境的图画来进行“本地化”定位，并让AI将实在图画与模仿图画进行比较。
这种根据人工智能的处理方案适用于咱们可以拍照的任何外表——包括火星。它可能不具有敞开空间定位的相同成效，可是在空间中飞翔的这一要素形成了与在外星球外表不同的应战。
而另一个由英特尔资助的团队，则担任在另一个星球上缔造基地。NASA正致力于月球、火星殖民地的“自治基地”建造、采矿和资源管理，他们以为一旦没了机器学习，就无法完结这些进程。
由研讨人员Drew Bischel、Zahi Kakish、Francisco Lera和Ana Mosquera组成的团队开端着手处理无人驾驶车辆和自动机器人在恶劣环境中进行操作的问题——例如月球的漆黑、严寒的一面。
现在，他们现已创立了一个处理问题的结构——这类似于一个叫做“最短途径”（The Traveling Salesman Problem）的旧数学难题。
在“最短途径”的难题中，科学家的人物是区分推销员在城市之间穿越的最短道路 ——不能两次踏入同一地址，终究要确保能回来原点。假如你从纽约到了芝加哥，然后是旧金山再回到纽约，那么这好像很简略。
可是当你将它应用到像月球这样的环境中是，你有必要考虑资源、黑点的方位，它可能会发生温度动摇导致仪器和机械故障，以及很多其他环境特定的使命。关于简略的核算而言，要操控不计其数的独立机器去做出数以百万计的决议，使命实在太杂乱了。它有必要要依托先进的深度学习处理方案进行支撑和改善。
英特尔为这两个团队供给了拜访Intel DevCloud的权限，该版别运行在Intel Xeon Gold处理器上，并包括针对Python和Tensorflow的MKL优化。英特尔还为“本地化”团队供给了专用的Xeon服务器。
终究，这两个项目都可以扩展到其他星球和卫星上。该研讨现在处于前期发展阶段，但方针很清晰：人工智能是太空游览和外星殖民的未来。假如方案终究真的完结了，未来前往火星的航天员将能购在导航的帮忙下更简略的前往目的地。
