大家还记得前两天火遍全网的黑洞照片吗？
稍微对黑洞有所了解的朋友可能就会知道，黑洞之所以被称作“黑”洞，就是因为所有物质都会被黑洞吸进去，甚至光线都无法逃脱。既然没有光那为什么会有黑洞的照片呢？莫非是两百多位天文科学家用两年时间和我们开的一个玩笑？
当然不是，其实这张照片是用八台望远镜在五天内搜集到的数据通过人工智能合成出来的。在这个过程中主要工作分为了两个阶段：黑洞数据收集和图像合成。
在数据收集阶段，就遇到了前所未有的挑战。因为即便是世界上最先进的天文望远镜也无法观测这个位于M87星系的距离地球5500万光年的黑洞。为了捕捉如此遥远且渺小的信息，科学家们充满想象的发起了EHT（Event Horizon Telescope 事件地平线望远镜）计划。
这项计划的核心是通过分布在地球各地的八台天文望远镜，结合地球自转，组成一个整体。这个超级望远镜的理论直径和地球一样大。
▷通过地球自传模拟出一个直径和地球相当的巨大望远镜
EHT通过使用超长基线干涉测量技术可以达到20微秒的角分辨率，如果对于这个数字没有概念可以想象一下：足以让你从巴黎的人行道咖啡馆直接阅读纽约的报纸。
如此强大的数据收集能力让EHT在5个夜晚的时间里产生了5000万亿字节（约5PB）的数据。我们最后看到的黑洞就藏在这些数据中，接下来的工作就是如何把它从这些数据中找出来。
在图像合成阶段科学家们遇到了一个前所未有的难题，我们谁都不知道黑洞是什么样，那我们怎么判断计算机合成出来的图像到底对不对呢？
在这里插一句，计算机可以模拟人类形象，我们凭经验就知道像不像，例如出现两张嘴肯定就不对了。也可以模拟地球上不存在的龙，只要符合大家的主观想象就可。但模拟黑洞是一项很严肃的科学研究。既不能靠科学家的想象，也不能瞎编。那该怎么办呢？
▷计算机CG技术可以模拟任何事物，但科学研究不能靠想象
科学家们通过分组盲成像的方式解决了。他们将团队分成了四个独立小组，小组之间不能讨论交流，也不能互换数据。分别去用不同的算法合成黑洞图像，寻找其中的共性，再进行优化。
▷四个独立团队分别合成的黑洞图像，可以看到即便没有沟通，和我们最终看到的黑洞也已经很相似了
当然，严谨的科学家们不会就此罢休，为了得到更精确的黑洞图像，他们进入了图像合成的第二阶段也是整个计划费时最长的阶段。科学家们耗费了大量时间通过机器学习的方式让图像变得原来越精确。
如果我们深入了解黑洞图像合成过程，就会发现黑洞图像合成过程中使用了大量机器学习技术。天文科学家和计算机专家们通过对于之前搜集到的海量黑洞数据信息进行特征挖掘、筛选，建立不同的模型，进而让最终生成的图像准确度越来越高。对应的就是数据科学家的工作。数据科学家在建模时需要对业务有着深入理解，再进行调参和优化。
在计算机领域最新的一些研究已经在让机器来自动的帮助数据科学家做算法选择和调参等工作，这些工作称为自动化机器学习（AutoML），Google、Microsoft、偶数等公司在这个领域已经取得了一些进展。例如在金融行业，通过LittleBoy自动化机器学习平台，银行得以构建更加精准的数据模型，快速发现洗钱行为，减少大量传统规则产生的误报。大家设想一下，随着自动化机器学习的发展，如果计算机可以自动完成黑洞照片的合成，2年时间是不是可以节省下来很大一部分。
回到文章最开始的黑洞，其实这个事件不只是一张照片那么简单。它代表着人类对于未知事物的探索正在被人工智能改写。相信随着大数据和人工智能的发展，人类对于自身和未知事物的探索能力会越来越强，那时我们看到的宇宙将会又是另外一番景象。
