Project Galileo: hoe Harvard van plan is kunstmatige intelligentie te gebruiken om buitenaardse wezens te vinden

Project Galileo werd gelanceerd door Harvard -astrofysicus Avi Loeb, die tien jaar lang de afdeling Astronomie van de universiteit leidde. Het project, dat in 2021 van start ging, heeft als doel ongeïdentificeerde luchtverschijnselen (UAP) te ontdekken met behulp van technologieën, kunstmatige intelligentie (AI) en een protocolleerbare en reproduceerbare wetenschappelijke methode. Deze ambitieuze missie brengt aanzienlijke paradoxen met zich mee, te beginnen met die van de Italiaanse natuurkundige Enrico Fermi, die stelt dat, gezien de hoge statistische waarschijnlijkheid van het bestaan van andere beschavingen en het gebrek aan bewijs voor hun bestaan, dit een onoplosbare tegenstrijdigheid creëert.

Het Galileo-project

Om een antwoord te vinden op de Fermiparadox maakt het Galileo-project gebruik van algoritmen voor computervisie en trajectregistratie, die worden toegepast op gegevens die zijn verzameld door het multispectrumobservatorium.

Yolo is een machine learning-algoritme dat is ontworpen om objecten te identificeren, terwijl Sort trajecten volgt. AI-systemen worden getraind op afbeeldingen van vliegtuigen, vogels, drones, satellieten en elk bekend object in de lucht en de ruimte. Yolo kan vliegende objecten identificeren die mensen al kennen, waardoor wat al bekend is, wordt geëlimineerd. De standaard wetenschappelijke methode vereist dat we uitsluiten wat onwaar is om te kunnen identificeren wat echt is. Het lijkt er dus op dat het fundamentele paradigma van de wetenschap wordt omgedraaid, maar zoals we zullen zien, is dat niet het geval.

Met behulp van 3D-modellen, geavanceerde algoritmen en de Cannon Cluster-supercomputer, bestaande uit duizenden onderling verbonden servers, wil Avi Loeb het bekende eruit filteren om het onbekende te identificeren. Naar verwachting zal het observatorium in de buurt van Boston worden aangevuld met andere observatoria die zijn uitgerust met sensoren om verschillende soorten gegevens te verzamelen: beelden, infraroodsignalen, akoestische en magnetische signalen.

De noodzaak van menselijke tussenkomst

Hoe krachtig de Cannon Cluster ook is en hoe geavanceerd de sensoren en algoritmes van het Galileo Project ook zijn, afwijkende gegevens worden door het menselijk oog opgemerkt.

Dit brengt ons terug bij een van de beperkingen van AI: het is in staat om miljarden datapunten in zeer korte tijd te verwerken, maar slaagt er nog steeds niet in om tot gefundeerde en zekere conclusies te komen zonder menselijke tussenkomst. Dit is zowel een beperking als een paradox: AI's zijn bedreven in het herkennen waarvoor ze zijn getraind, en aangezien mensen geen idee hebben wat een UAP is , zijn de meest geavanceerde algoritmen en technologieën nuttig bij het markeren van wat geen bekende overeenkomst lijkt te hebben. De gegevens van het Galileo Project zijn openbaar en iedereen kan zijn expertise inzetten of meewerken aan het onafhankelijk verifiëren van de verzamelde informatie en de geboekte voortgang. Dit toont aan dat het parallelle werk van supercomputers, algoritmen en geavanceerde sensoren alleen niet voldoende is; integendeel, toegevoegde waarde wordt alleen gegarandeerd door de samenwerking van meerdere menselijke geesten.

Eén paradox tegelijk oplossen

Zelfs als het Galileo Project op een dag beelden of trajecten zou vinden die met niets overeenkomen wat de mens al kent, dan nog zouden we te maken krijgen met Russells theepotparadox. Volgens deze paradox moet iedereen die beweert dat er een theepot tussen de aarde en Mars draait, dit ook bewijzen.

We bevinden ons dus in een soort impasse: als Avi Loeb bewijs zou vinden voor iets dat volkomen onbekend is voor de mens, zou het – totdat het tegendeel bewezen is – niet voldoende zijn om te beweren een UAP te hebben gevonden. Dit zou aanleiding geven tot verder gebruik van AI-algoritmen , rekenkracht en menselijke interventie met nog abstractere en geavanceerdere redeneringen. Uiteindelijk zou de wetenschappelijke methode opnieuw worden toegepast, volgens welke het nodig zal zijn om uit te sluiten wat onwaar is om te identificeren wat waar is; dat wil zeggen, om uit te sluiten wat géén UAP is om vast te stellen wat wél waar is.