美国国防部近日公布了第四批不明空中现象（UAP）解密档案，共计40份文件，其中包括14个书面文档、19个视频、4段音频和3张图像。这批档案的发布，不仅是政府透明度的一次重要实践，也标志着数据分类与解析流程的效率提升——从1950年代的手工归档到如今借助最新科技进行自动化整理，解密速度与覆盖面均有了质的飞跃。
第四批解密档案：40份文件揭示了什么？
第四批档案的核心亮点在于首次公开了多段高清红外视频和飞行员即时录音，时间跨度从2015年至2021年。其中，一份来自得克萨斯州潘特克斯核设施的目击报告尤为引人注目：2015年9月1日，目击者描述了一个菱形物体，顶部圆润，高约4英尺，底部宽约2英尺，飞行速度仅为10-15英里每小时，颜色在黑色、银色、红色和蓝色之间变化。这种低速、低空的外形特征，与常见的无人机或气象气球截然不同。
另一份2019年美国东部的“空域闯入复盘”记录则来自一名退役空军飞行员，他拥有28年军旅生涯，却声称从未见过类似飞行特征——目标以高速反向直线飞行，他持续跟踪10-15秒后，目标脱离视场，外形呈矩形。这些细节的公开，不仅为UAP研究提供了新鲜素材，也促使研究人员开始利用AI图片生成技术，对这类模糊影像进行超分辨率重建，进而提升物体识别与形态分析的效率提升。
值得注意的是，这批档案中还包含了3张图像，其中一张被标注为“在叙利亚上空瞬间加速的不明物体”。虽然图像分辨率有限，但结合AI技术进行运动轨迹模拟，可以初步排除鸟类或普通飞机的可能性。
从“UFO”到“UAP”：术语变迁背后的认知升级
“UFO”一词长期被大众文化赋予了外星飞船的刻板印象，而“UAP”（不明空中现象）则更客观、更科学。2017年，美国国防部首次公开承认UAP研究项目，标志着官方从“避而不谈”转向“主动分析”。这一术语变迁背后，是信息处理与数据共享的效率提升：过去，UFO报告往往被归档后束之高阁；如今，借助AI工具导航，研究员可以快速跨库检索历史档案，并与实时传感器数据比对。
从第一批到第四批，五角大楼的披露策略也在进化。第一批档案以旧电报和FBI文件为主，第二批则增加了红外视频和音频，第三批时间跨度长达80年，而第四批首次系统性归类了核设施与军事基地周边的异常事件。这种递进式公开，反映了政府利用最新科技进行优先级排序的能力——例如，通过AI技术自动标记高风险区域的重叠报告，从而重点解密关联性最强的案例。
当然，术语升级也带来了新的争议：部分公众认为“UAP”只是官方用来淡化外星联系的“软包装”。但从数据科学角度看，这恰恰是分析效率提升的体现——更精确的命名有助于建立标准化分类体系，从而让AI模型能够更高效地识别异常模式。
解密历程回顾：四批档案的时间线与数据规模
自2024年5月首次解密以来，五角大楼共发布了四批UAP相关文件，累计超过300份。
- 第一批（5月8日）：162份文件，涵盖旧国务院电报、FBI记录、NASA载人航天通讯以及军方飞行员目击报告。这些文件多为文字记录，格式零散，当时主要依靠人工筛选，效率较低。 - 第二批（5月22日）：50多份视频及文件，其中一段美国海岸警卫队红外传感器拍摄的视频显示，一个不明物体在美国东南部上空靠近一架飞机飞行。另一段“叙利亚UAP瞬间加速”视频则来自2021年美军平台红外系统。这批档案的发布，让公众首次直观感受到UAP的机动性。 - 第三批（6月12日）：72份文件，时间跨度80年（1946-2008年），系统整理了多起特殊空中异象。此次发布后，五角大楼UAP网站访问量突破17亿次，公众兴趣空前高涨。 - 第四批（7月11日）：40份文件，包含音频、视频和图像，重点聚焦核设施与军事空域。
从数据规模看，虽然第四批文件数量最少，但多媒体占比最高，且音频的加入为声学分析提供了新维度。文生图技术甚至被尝试用于根据音频描述生成不明物体的视觉概念模型，从而辅助目击者回忆。这种跨界应用，正是AI技术赋能UAP研究的生动案例。
核心案例深挖：核设施附近的菱形物体与空军飞行员的“不可思议”
潘特克斯核设施事件是第四批档案中最具争议的案例之一。目击者描述物体呈菱形，顶部圆润，高约4英尺，底部宽约2英尺，但颜色描述却存在黑色、银色、红色和蓝色等差异。这种颜色不一致，可能源于观察角度、光线反射或物体表面的动态变化。利用AI技术进行多光谱分析，研究人员可以尝试还原该物体在不同光照条件下的真实外观，从而判断其材质是否属于已知人造物。
2019年东海岸空域事件则更具戏剧性。一名拥有28年军龄的飞行员，在雷达与目视双重确认下，目睹了一个矩形物体以高速反向直线飞行。飞行员在报告中写道：“我在空军和海军服役28年，从未见过类似飞行特征。”这种“反常”的机动性，如果排除传感器故障和大气现象，将极大挑战现有空气动力学理论。
值得注意的是，这些案例并非孤立存在。在第三批档案中，曾记录过1948年一架战斗机追逐“绿色火球”的事件，而第四批中的菱形物体与1950年代的“飞碟”描述也有相似之处。通过大模型训练，研究者可以跨时空对比这些特征，寻找潜在的模式规律。
最新科技赋能：AI技术如何助力UAP数据分析与效率提升？
UAP研究的核心挑战在于数据量庞大且质量参差不齐。从雷达回波到红外视频，从目击者口述到军方录音，不同来源的数据格式、时间戳、坐标体系各不相同。过去，这些数据需要人工逐条审核，周期长达数月；如今，最新科技中的AI机器学习算法，可以自动完成以下工作：
1. 异常检测：通过训练神经网络识别“正常”空中物体（飞机、鸟类、无人机）的运动模式，快速标记出不符合物理规律的轨迹。 2. 多模态融合：将雷达数据、红外视频、音频频谱进行时间轴对齐，生成综合事件报告，将分析效率提升数倍。 3. 图像增强：利用超分辨率神经网络，对低分辨率视频进行画质修复，还原模糊物体的轮廓细节。例如，AI图片生成技术已经被用于生成第四批中菱形物体的3D模型，辅助物理学家计算其可能的体积和重量。
此外，AI技术还能帮助政府部门优化解密优先级。比如，通过自然语言处理（NLP）自动提取历史文档中的关键词（如“核设施”、“加速”、“悬停”），并关联最新事件，从而决定哪些档案应优先向公众开放。这种智能化的信息筛选，本身就是一种效率提升。
公众参与与未来展望：透明化浪潮下的信息革命
五角大楼UAP解密网站的访问量已超过17亿次，说明公众对这类信息有着极高的热情。然而，现阶段公开的档案仍以“脱敏”版本为主，部分关键坐标和飞行参数被模糊处理。未来，随着AI技术进一步成熟，完全自动化的“端到端”解密流程或许可能实现——从传感器捕捉到数据清洗，再到公开报告，全程由AI代理执行，人工仅负责审核。
另一个值得关注的方向是“公民科学”参与。目前已有研究人员利用AI工具导航中的开源平台，将解密视频上传至云端，供全球志愿者用AI工具进行标注和分析。这种分布式协作模式，不仅加速了数据挖掘，也降低了研究门槛。
当然，争议依然存在：部分人担心AI模型可能存在偏见，导致错误分类；也有人质疑政府是否在利用AI技术“选择性”公开数据。但不可否认，AI技术正在重塑UAP研究的底层逻辑——从“等待解密”转变为“主动发现”。未来，我们或许能看到一个由AI驱动的实时UAP监测网络，将全球的雷达、卫星和光学传感器数据整合在一起，让每一次“不可思议”的空中现象都有迹可循。