Google热气球网路计划导入AI 可在空中停留更长的时间
▲Project Loon 目前最高纪录是可以在没有 AI 辅助下，在空中航行 312 天。（图／取自Google）
周五来点不同的新闻！还记得 Google 的热气球计划 Project Loon 吗？在 Google I/O 2016 期间，Google 对外公开了它的真实样貌，但是你绝对想像不到，Google 公司将 AI 机器学习应用在这计划上，证实了 RL 可有效的强化自动控制的精确性，相关资料更登上了 nature 杂志。
正如同先前介绍，热气球开发计划（Project Loon）Alphabet 的 Google 神秘部门于 2013 年发表的产品，其原理是透过空飘气球在距离地表 20 公里的高空上，让平流层的风力来让热气球移动到偏远地区，借由客制化网路天线通讯技术（Mesh Networking），让网路数据从一个气球传输到另一个气球，然后地面上的住家只要在屋顶建置天线，就可以接收到网路，来供应该地区行动上网需求。
▲Project Loon 热气球计划起始于 2013 年，主要目的是为偏远地区用户提供网路。（图／记者洪圣壹摄）
Project Loon 最初的计划是让每颗汽球预计在空中停留 100 天以上，停留的原理主要是透过演算法控制系统（Algorithmic Control）让气球能够上下飘动，根据风向捕捉风流讯号，将气球稳定在一个固定区域，电力方面则是依赖太阳能来解决，如果真的没有电力，也只需要花费 4 个小时，就能拥有飞行 1 天所需的电力，希望借由降低偏远地区的网路费率，提升全球网路使用率。
这一整个过程中，气球在平流层飞行的时间越长，就可以让气球更稳定的传输网路讯号，电池也比较不容易毁损，飞行成本也就因此会被降低，近期最高纪录是在空中停留 312 天，这项纪录是 2019 年 5 月，Loon从波多黎各（Puerto Rico）起飞，进入秘鲁（Peru），然后在那里进行为期三个月的飞行测试。测试结束后，向南越过太平洋，于 2020 年 3 月在墨西哥的下加州（Baja）着陆。
根据 Project Loon 技术长 Sal Candido 的介绍，Project Loon 已经在澳洲、昆士兰、肯亚、纽西兰、加州中央峡谷，以及巴西利亚东北部等多个地区提供了相关服务。2019 年，因受到飓风袭击的影响，美国电信业者还利用 Project Loon，为超过 25 万的灾民提供了网路连接。此外，Project Loon 还被应用在观察动物生态、气候变化等领域。
然而最大的挑战就是「停留时间」，要怎么让气球克服风力等外在因素，持续在空中定点徘徊，持续提供网路讯号，是整个计划最难的地方。
借由「强化学习 (Reinforcement learning)」，Google 已经克服相关问题！
「强化学习 (Reinforcement learning,RL)」是机器学习中的一个领域，着重如何因应环境而行动，以取得最大化的预期利益，最知名的就是被应用在人工智慧围棋系统 Alpha Go，后续也被导入到《Dota 2》、《星海争霸》。
而在 Loon 当中，Google 公司透过安装 RL 控制器，使用 AI 人工智慧预判各种高度的风速与风向，借此控制气球的高度。该系统还可以检测 Loon 的太阳能电池板剩余电力，以让气球上的控制设备能够知道需要多少电力来操作气球，借此延长电池寿命。
▲Project Loon 透过太阳能提供电力，现在借由 AI 可以延长电池寿命。（图／记者洪圣壹摄）
Nature 杂志详细介绍了整个计划的过程。Google Project Loon 计划开发团队在 2019 年 12 月 17 日到 2020 年 1 月 25 日期间，共计飞行 2884 个小时，透过一个 8 字型的持续运动轨迹，让热气球保持在某个地点运行，以为该地区的用户提供 4G 讯号。
研究人员将相关数据分为 851 个三小时时间样本，每个样本测试结果显示拥有 RL 控制器的气球在平流层飞行的时间更长、高度控制器消耗的功率更少。换句话说，这为期 39 天的测试航程中，导入 RL 机器学习确实可以有效的缩短 Loon 在飞行过程中的决策时间，从而延长气球们在某个区域的停留时间，这也再次证实深度学习是解决现实生活中，「自动控制系统」的需求关键。