遊戲玩家加入到大型科學項目中，已經不是什麼稀奇事兒了。以前“EteRNA”網絡遊戲平臺，將計算機與生物化學結合，在玩家的幫助下構建RNA(核糖核酸)的多維結構，以加深對它的理解。後來還有在又氪又肝又費腦的太空遊戲EVE中對成千上萬個蛋白質染色體進行分類。
通常情況下科學家們想要通過遊戲平臺，利用龐大且充滿精力的遊戲玩家來完成一些線下難以實現的重複性工作。
最近NASA為了研究全球海底的珊瑚分佈，專門開發了款多平臺遊戲NeMO-Net，讓玩家來幫忙識別海床的珊瑚，確定全球海洋中珊瑚的精確分佈。幫助繪製全球珊瑚礁地圖，以便更好地瞭解這些受威脅的海洋生態系統。
因為海洋的廣闊與現在計算機圖形學技術對珊瑚的識別準確度不高，NASA希望引進玩家，來識別海底的不同植被，完成對深度學習神經網絡的訓練。
在過去的幾年中，加利福尼亞州的NASA艾姆斯研究中心的研究人員成功將太空技術再次用到了地面，確切說是海底。
“流體鏡頭”相機原本開發用於觀測恆星的，NASA利用該技術開發出了比以往更詳細地觀察海面以下的新 。可以通過複雜的算法糾正來消除珊瑚礁上方几十米的海水所造成的光學畸變。
NASA將這些儀器安裝在無人潛水器、船舶或飛機上，部署到波多黎各，關島，美屬薩摩亞以及其他地區中，用於收集海底三維光學圖像，雖然美國上個世紀八十年代就已經有了全球海床數字化模型，但那是通過合成孔徑雷達衛星所獲取的，精度只適用於地理研究與潛艇遠航，還遠不足以用於生物學上對海洋植物的精確分析。
這次準備繪製的光學圖像照NASA說法是為了研究珊瑚，藻類和海草，當然光學圖像只能繪製淺海地區，畢竟溫躍層之下就是漆黑一片了，對海床搜索圖像識別技術成熟後，用到軍用搜尋淺海水雷和海底聲吶陣列還是很輕鬆的。
現在的情況是現有分析模型還不足以利用圖像數據分析清楚海浪下面的一切，所以邀請遊戲玩家，來鑑別這些植物，進行人工分類，然後利用人工分類樣本對神經網絡進行訓練，不斷提高識別精度。
遊戲中玩家需要駕駛一艘研究船，3D圖像均取自於現實圖像採集，但是與現實對應位置肯定就不是一個地方了。玩家通過這些3D圖像對珊瑚進行識別和分類，利用神經多模態觀察和訓練網絡，利用現實採集的數據來繪製全球珊瑚圖。
在玩遊戲時，玩家的行為有助於訓練位於硅谷的NASA Pleiades超級計算機，完成從任何海底圖像中識別出珊瑚，即使是使用成像較弱的設備拍攝的珊瑚。超級計算機從玩家手工製作的珊瑚分類中“學習”，使用機器學習技術自行分類；玩的人越多，超級計算機的映射能力就越高。
一旦能夠從遊戲中包含的低分辨率數據中準確地對珊瑚進行分類，超級計算機將能夠以前所未有的精確度繪製出世界上的珊瑚分佈。有了該地圖，科學家將更好地瞭解珊瑚的狀況並找到保護珊瑚的方法。
在地球的亞熱帶和熱帶海岸附近的淺水域中，珊瑚礁是地球上最複雜多樣的生態系統之一。這些礁石提供了與熱帶雨林一樣多的物種。隨著氣候變暖，海洋溫度上升，汙染和海洋酸化將使珊瑚面臨危險。科學家們正在收集更多的數據，來了解珊瑚對這些環境變化的反應。
珊瑚除了無法代替的環境價值外，還是有非常重要的醫用價值的。珊瑚礁有著21世紀的“藥品櫃”之稱。諸如海綿，軟體動物以及其他以珊瑚礁為家的生物，為治療病毒和癌症的藥物做出了很多貢獻。
機器學習中的深度學習越來越多的參與到了現實生活中，如過去的文明史，最先進的技術總是先用於軍事領域，對技術進步的促進不外乎軍用與商業價值；新的技術成果不被軍用完全是天真且不切實際的願景，願技術進步不斷改變人類的生活與對未知的探索，軍事應用止步於互相威懾。（圖片來自於網絡，如有侵權請聯繫刪除）
閱讀更多 LetFly 的文章
