把人類科學家檢測行星那套標準，輸入人工智慧不就可以了？個人覺得目前所謂的人工智慧就是一臺強大的自動化電腦，裡面有各種由人類編寫好自動化程式。

NASA宣佈利用Google的人工智慧發現了一顆新的系外行星，這是一個好訊息，這是一個與太陽系同樣規模的行星系統，還有8顆行星，儼然是一個小太陽系。這個小太陽系被命名為Kepler-90系統，距離地球2545光年，也算是比較遠的。

開普勒望遠鏡的觀測距離在5000光年之內，因此2545光年可以說是一個正常距離，說明我們已經將系外行星的觀測從數百光年，推向數千光年遠的位置。一旦距離擴大，那麼我們有可能發現新的情況，比如宜居行星等。值得注意的是，Kepler-90系統有7顆恆星，而且是利用谷歌的人工智慧技術發現的，這個人工智慧技術其實是個神經網路，透過人工智慧瀏覽開普勒望遠鏡的資料庫，發現行星凌日現象時引起的恆星光線細微變化。因為透過人工識別，不僅速度慢，而且錯誤率比較高，如果用人工智慧，可大大縮短髮現時間，瀏覽開普勒望遠鏡的資料庫的近程也會加快，畢竟這是一個擁有10萬顆恆星的資料庫。在過去20年內，開普勒望遠鏡專案天文學家發現的2000多顆西瓦行星，

谷歌的人工智慧技術利用開普勒資料庫中經過驗證的訊號，對神經網路進行訓練，能夠識別凌日現象時引起的恆星光線細微變化，這樣可以大大提高識別的準確率。這就是AI發現行星的技術原理，其實是對資料庫進行訊號識別，一旦這個技術成熟，天文學家還將對由開普勒太空望遠鏡收集的10萬多個恆星系統進行識別，大大加快發現系外行星的步伐。

這是一個聽起來很高大上，也很有意思的事兒，我儘量用大多數人都能看懂的方式講述一下。

首先看上面這張圖，左圖是一顆攜帶行星（黑色圓形天體）的恆星；右圖是開普勒望遠鏡所觀測到的恆星亮度變化曲線。可以想象，行星圍繞恆星轉動，在一定週期內是會擋住一部分恆星的光的，所以恆星被觀測到的亮度是會變化的。

上面這張圖，行星已經轉到恆星的後面去了，所以恆星的亮度值最高。可以想象，曲線上恆星亮度值最低的時候，正是行星轉到前面擋住部分恆星光的時候。實際上，原則上開普勒就是利用這個簡單的原理，觀測宇宙中光度有周期性變化的恆星，作為攜帶有行星系的候選恆星。可以看看以下動畫，更容易理解。

這個事情說起來好像很簡單，但難點在哪裡呢？

首先是千萬顆恆星之間光度的干擾，比如下圖是一張開普勒觀測到的星圖，密密麻麻的星光互相掩映，要從這麼多幹擾中分辨某一恆星的亮度的變化是很難的。其次是引力透鏡效應，如果在某一恆星與望遠鏡之間有大質量天體，那麼恆星的光還會改變方向。第三是多行星干擾，如果一顆恆星有不止一顆行星，可以想象這個光度變化是非常混亂的，很難直接看出週期性。

即使開普勒望遠鏡的解析度已經相當高，可以對每一顆恆星都觀測到精準的光度變化，但NASA拿到的資料是實際上類似如下圖一樣的。看起來這顆恆星在某時刻確實有光度變化，但這個變化淹沒在了背景噪聲中，無法有效分辨這到底是恆星攜帶行星所致，還是其它干擾因素所致。

下面就要輪到Google出場了，昨天我預測NASA釋出會的回答中，已經介紹過這位哥哥了。Goolge Brain的資深工程師，下面是他描述自己利用深度學習方法尋星的論文，發表在《天文學》報上。

這篇文章實際上就是描述瞭如何設計AI卷積神經網路，利用對已知攜帶行星的恆星光度變化模式的資料對網路進行訓練，然後將訓練好的網路用於處理原始的觀測資料（上面滿是綠點的圖）。下面三張圖，展現了經過AI分析後的結果，過濾掉了假陽性和假陰性訊號（b，c圖），使得真正的訊號展現出來（d圖）。

實際上，這次的觀測，不僅是發現了攜帶行星的恆星，最關鍵的是，已經可以精確的分辨，恆星攜帶幾顆行星，以及每一顆的位置，大概體積，大概質量。 這次Google實際上是利用這套AI，識別了之前沒有發現的Kepler-90恆星所攜帶的第6顆行星（之前已經識別了7顆行星），這樣Kepler-90就和太陽系一樣有8大行星，所以說它是第二個太陽系。你可以看到，第6顆行星藏在其他行星之間，而且並不大，可想而知識別的難度有多高。

更為令人憧憬的是：Google宣佈，已經開始將這套AI用在開普勒觀測到的15萬顆恆星資料上。毋庸置疑，不久的將來，人類將大量的發現攜帶行星的恆星。相信成千上萬個“太陽系”，甚至“地球”很快會揭開它們的面紗。

在超算能力不斷增強，網際網路技術日趨完善的情況下，我們還沒有弄清楚人工智慧是否最終會戰勝人類，它已經開始仰望星空了。

開普勒望遠鏡2009年發射升空，它的主要目標就是發現太陽系外類似地球的行星，換句話說，也就是發現我們通常所說的外星人有可能居住的地方。

2015年7月，美國宇航局宣佈，開普勒望眼鏡發現了地球的孿生兄弟“開普勒452b”，這是一顆和地球幾乎一摸一樣的行星，與地球的相似度高達0.98：開普勒452b的直徑比地球大60%，體積是地球的1.6倍，距離地球1400光年，其繞母星公轉一圈385天，其母星開普勒452與太陽質量相當，距離開普勒452b的距離與太陽和地球之間的距離幾乎一致。這是迄今為止，人類發現的與地球環境最為接近的行星。並且該行星的歲數為60億年，而地球為45億年，換句話說，開普勒452b的現在就是地球的未來。

除此之外，其實開普勒望遠鏡幾年來識別出了很多的行星（它將人類識別的行星系統數量擴大到了2658個）。這次美國宇航局釋出的新聞之所以引起巨大關注，原因有二：一、發現了“第二個太陽系”。這次釋出的恆星（開普勒-90）有8顆衛星，與太陽非常接近。這是人類已知的除太陽系外，第二個擁有8顆行星的龐大天體系統。二、這一天體系統中8顆衛星的發現，AI功不可沒。開普勒望遠鏡利用“凌日法”發現行星。當行星擋在恆星前面時，恆星的亮度會有些許變化，開普勒望遠鏡就是利用捕捉這些微弱的變化，來判定行星的存在。銀河系的恆星比地球上的沙子還多，恆星與地球的距離又都以光年計，因此開普勒望遠鏡觀察到的資料既浩瀚又微弱，全靠科學家花費大量的時間從一堆沙子裡把一粒顏色稍暗的沙子挑出來。而這次，谷歌的人工智慧研發團隊向科學家要了15000組開普爾觀察到的，科學家花了數年時間已經確認的資料，人工智慧僅僅用了2個小時就把這些資料分析完畢，準確率高達96%。在開普爾-90衛星的發現過程中，人工智慧更是大顯神通，單獨發現了開普爾-90i，這是一顆週期僅為14.4天的較小岩石質地的行星，並且，它也確認了另外7顆的準確訊號。

人工智慧將以無法預測的速度來到我們身邊。

NASA的科學家利用AI系統的強大計算能力對開普勒望遠鏡獲取的海量資料進行自動化篩選，並在已經歸檔的資料中發現了一個此前在進行人工分析時被忽略的微弱異常訊號，最終證明這是恆星開普勒-90周圍存在的第八顆行星。

簡單的說，Google的AI技術提高了對開普勒資料的分析效率。通俗的講，google的AI讓處理資料的能力更加智慧化和高效了，就好比以前的計算機提高了人腦的計算效率一樣。

那麼，這項技術的神秘面紗是什麼？開普勒望遠鏡所收集的資料又是什麼呢？這項技術為何能高效處理這些資料來發現“第二個太陽系”的呢？

首先我們來回答第一個問題——谷歌的這項AI技術是什麼？

神經網路技術。神經網路的構築理念是受到生物（人或其他動物）神經網路功能的運作啟發而產生的人工智慧技術。神經網路已經被用於解決各種各樣的問題，這些問題都是很難被傳統基於規則的程式設計所解決的，例如機器視覺和語音識別。神經元在透過簡單計算後將相關資訊傳遞給下一級的神經元進行繼續處理，以此類推。透過這種方式，計算機可以學會識別貓貓狗狗。當然，透過學習開普勒太空望遠鏡的光線訊號，也可以用來識別地外行星。

第二個問題——開普勒望遠鏡所收集的資料是什麼？

先來了解地外行星偵測法——凌日法。如果一顆行星從母恆星盤面的前方橫越時，將可以觀察到恆星的視覺亮度會略微下降一些，這顆恆星變暗的程度取決於行星相對於恆星的大小。開普勒太空望遠鏡使用的就是凌日法，望遠鏡在長時間裡對超過十萬顆恆星進行監視，掃描並記錄每一顆恆星在不同位置的亮度變化。這種呈U形的明暗訊號變化模式透過白色的線條來表示。下圖中藍色的點狀分佈，正是 NASA 在分析這些光變曲線後，得出“開普勒天體”的資料。

第三個問題——這項技術為何能高效處理這些資料以此來發現“第二個太陽系”？

簡單來說，是科學家讓電腦學會了辨認行星的特徵。

過往，天文學家尋找系外行星的主要途徑是透過自動化軟體（使用的是特定程式設計，不具備AI的智慧學習系統）或人工來對大量產生於開普勒望遠鏡的資料進行分析。過去四年，開普勒望遠鏡每 30 分鐘拍攝一張照片，創造了約 140 億個資料點。這 140 億個資料點可以轉化為大約 2 萬億個可能的行星軌道！對於計算能力最強大的計算機來說，這樣的分析也是一個浩大的工程，而且會非常耗時。為了讓這樣的分析過程更快更有效，研究人員們轉向了機器學習。

研究人員透過訓練神經網路，讓計算機學會了識別行星從恆星前方橫越時產生的微弱訊號（注意：先前的技術是不能讓“計算機自己”識別這些訊號的，需配合人的操作才行，這樣先前的工作效率就低了很多）。

在使用這種技術對已知的 670 個多行星系統的掃描過程中，發現了行星開普勒 90i——恆星開普勒-90周圍發現的第8顆行星（位於第六軌道）。至此，人類在太陽系外發現第一個由8個行星構成的行星系，也就是第二個太陽系。（下圖上面一排是“第二個太陽系”，下面一排是我們的太陽系）。

實際上：Google已經開始將這套AI用在開普勒觀測到的15萬顆恆星資料上。下圖中橙色區域為此次已經探索的區域，而廣闊的未被探索區域（藍色）中有可能還有大量的行星未被發現，預計不久之後又會有新的訊息曝出，說不定會發現類似地球的行星，更多的“太陽系”。

簡單一點回答：研究人員利用被NASA標記過的1.5萬個恆星資料，訓練了一個卷積神經網路，然後把一個670顆恆星的資料集，給這個神經網路進行處理。透過微小的特徵變化，發現了9個機率大於80%的訊號，其中有4個機率大於90%。最終確認了這顆行星。

如果對多達15萬顆恆星的大資料集進行分析，則意味著開普勒-90系統，極有可能是個超級龐大的家族，並且擁有數量眾多的多種行星。