大家還記得前兩天火遍全網的黑洞照片嗎？

稍微對黑洞有所了解的朋友可能就會知道，黑洞之所以被稱作“黑”洞，就是因為所有物質都會被黑洞吸進去，甚至光線都無法逃脫。既然沒有光那為什么會有黑洞的照片呢？莫非是兩百多位天文科學家用兩年時間和我們開的一個玩笑？

當然不是，其實這張照片是用八臺望遠鏡在五天內搜集到的數據通過人工智能合成出來的。在這個過程中主要工作分為了兩個階段：黑洞數據收集和圖像合成。

在數據收集階段，就遇到了前所未有的挑戰。因為即便是世界上最先進的天文望遠鏡也無法觀測這個位于M87星系的距離地球5500萬光年的黑洞。為了捕捉如此遙遠且渺小的信息，科學家們充滿想象的發起了EHT（Event Horizon Telescope 事件地平線望遠鏡）計劃。

這項計劃的核心是通過分布在地球各地的八臺天文望遠鏡，結合地球自轉，組成一個整體。這個超級望遠鏡的理論直徑和地球一樣大。

?通過地球自傳模擬出一個直徑和地球相當的巨大望遠鏡

EHT通過使用超長基線干涉測量技術可以達到20微秒的角分辨率，如果對于這個數字沒有概念可以想象一下：足以讓你從巴黎的人行道咖啡館直接閱讀紐約的報紙。

如此強大的數據收集能力讓EHT在5個夜晚的時間里產生了5000萬億字節（約5PB）的數據。我們最后看到的黑洞就藏在這些數據中，接下來的工作就是如何把它從這些數據中找出來。

在圖像合成階段科學家們遇到了一個前所未有的難題，我們誰都不知道黑洞是什么樣，那我們怎么判斷計算機合成出來的圖像到底對不對呢？

在這里插一句，計算機可以模擬人類形象，我們憑經驗就知道像不像，例如出現兩張嘴肯定就不對了。也可以模擬地球上不存在的龍，只要符合大家的主觀想象就可。但模擬黑洞是一項很嚴肅的科學研究。既不能靠科學家的想象，也不能瞎編。那該怎么辦呢？

?計算機CG技術可以模擬任何事物，但科學研究不能靠想象

科學家們通過分組盲成像的方式解決了。他們將團隊分成了四個獨立小組，小組之間不能討論交流，也不能互換數據。分別去用不同的算法合成黑洞圖像，尋找其中的共性，再進行優化。

?四個獨立團隊分別合成的黑洞圖像，可以看到即便沒有溝通，和我們最終看到的黑洞也已經很相似了

當然，嚴謹的科學家們不會就此罷休，為了得到更精確的黑洞圖像，他們進入了圖像合成的第二階段也是整個計劃費時最長的階段。科學家們耗費了大量時間通過機器學習的方式讓圖像變得原來越精確。

如果我們深入了解黑洞圖像合成過程，就會發現黑洞圖像合成過程中使用了大量機器學習技術。天文科學家和計算機專家們通過對于之前搜集到的海量黑洞數據信息進行特征挖掘、篩選，建立不同的模型，進而讓最終生成的圖像準確度越來越高。對應的就是數據科學家的工作。數據科學家在建模時需要對業務有著深入理解，再進行調參和優化。

在計算機領域最新的一些研究已經在讓機器來自動的幫助數據科學家做算法選擇和調參等工作，這些工作稱為自動化機器學習（AutoML），Google、Microsoft、偶數等公司在這個領域已經取得了一些進展。例如在金融行業，通過LittleBoy自動化機器學習平臺，銀行得以構建更加精準的數據模型，快速發現洗錢行為，減少大量傳統規則產生的誤報。大家設想一下，隨著自動化機器學習的發展，如果計算機可以自動完成黑洞照片的合成，2年時間是不是可以節省下來很大一部分。

回到文章最開始的黑洞，其實這個事件不只是一張照片那么簡單。它代表著人類對于未知事物的探索正在被人工智能改寫。相信隨著大數據和人工智能的發展，人類對于自身和未知事物的探索能力會越來越強，那時我們看到的宇宙將會又是另外一番景象。