从西弗吉尼亚州的⼭丘到澳大利亚的乡野平原，⼀些世界上最⼤的望远镜正在监听来⾃遥远外星⽂明的信号。寻找外星智能（Search for Extraterrestrial Intelligence，缩写为 SETI）项⽬，致⼒于寻找⼈造电磁辐射信号——可能来⾃遥远恒星系统中的技术先进⽂明。
1⽉30⽇发表的⼀项研究描述了使⽤机器学习（⼈⼯智能的⼀个⼦类）帮助天⽂学家们从此类搜索所产⽣的海量数据中快速筛选数据的⼀项⼯作。
机器学习擅⻓筛选出可能来⾃外星⼈的⾮常规信号。加利福尼亚州 SETI 研究所的⾏星天⽂学家 Franck Marchis 说：“有了机器学习技术，这是 SETI 研究新纪元的开启。” SETI，⼀项寻找地外智慧⽣命的研究项⽬，正在开发机器学习算法，过滤地球的⼲扰并挖掘⼈类可能错过的信号。
大数据对于 SETI 来说是⼀个相对较新的难题。数⼗年来，该领域受限于数据量极少。
天⽂学家 Frank Drake 于 1960 年开创了 SETI——当时他将位于西弗吉尼亚州格林班克的望远镜指向了两颗恒星监听⽆线电信号。随后的⼤多数 SETI 搜索也仅限于少数恒星。
但在 2015 年，亿万富翁 Yuri Milner 在加利福尼亚州伯克利资助了有史以来最⼤的 SETI 计划：“突破聆听”计划（Breakthrough Listen），该计划旨在搜索⼀百万颗恒星以寻找智慧⽣命的迹象。
问题在于，这些搜索会产⽣海量数据——包括了⼿机、GPS 和其它现代技术等地球⼲扰源产⽣的误报。SETI 研究所的天⽂学家 Sofia Sheikh 说：“如今我们搜寻 SETI 信号的最⼤问题不再是获取数据——⽽是区分开来⾃⼈类或地球技术的信号，和我们要寻找的来⾃银河系其他地⽅的信号。”
机器学习算法利⽤⼤量数据进⾏训练，可以学习识别源⾃地球的⼲扰信号的特征，从⽽可以极佳地滤除噪⾳。机器学习也擅⻓挑选出与传统模式不符的候选地外信号，⽽此前的⽅法可能会忽略这类信号。加拿⼤多伦多⼤学的数学和物理学家、这篇论⽂的第⼀作者 Peter Ma 同意这个说法：“我们不总能预计地外⽂明会发什么给我们。”
SETI 可能仍会继续同时使⽤经典⽅法和机器学习⽅法来分类数据。加州⼤学洛杉矶分校的天⽂学家 Jean-Luc Margot 说，经典算法在识别候选信号⽅⾯仍然表现出⾊，⽽机器学习“不是万⽤灵丹”。Werthimer 对此表示赞同：“机器⼲不了所有事，⾄少⽬前还不⾏。”