Mākslīgais intelekts satelītu un kosmosa sistēmās

by Marcin Frąckiewicz
in EAU, Internet, Internets, Irāka, Japāna, Ķīna, Kosmoss, Mākslīgais intelekts, Politika, Technologie, Technology, Tehnoloģijas
on 19 jūlijs 2025

Artificial Intelligence in Satellite and Space Systems

Ievads

Mākslīgais intelekts (MI) arvien ciešāk ir saistīts ar mūsdienu kosmosa tehnoloģijām, ļaujot kosmosa kuģiem un satelītiem darboties autonomāk un efektīvāk nekā jebkad agrāk. Sākot ar palīdzību Marsa roveriem orientēties svešā reljefā, līdz pat milzīgu Zemes novērošanas datu plūsmu apstrādei orbītā, MI paņēmieni, piemēram, mašīnmācīšanās un automatizēta plānošana, pilnībā maina mūsu pieeju kosmosa izpētei un izmantošanai. Šis ziņojums sniedz plašu pārskatu par MI un satelītu/kosmosa sistēmu krustpunktu, ietverot galvenos pielietojumus, vēsturiskos sasniegumus, pašreizējo stāvokli dažādās nozarēs, atbalstošās tehnoloģijas, ieguvumus un izaicinājumus, nākotnes tendences un nozīmīgākās organizācijas, kas virza progresu šajā jomā.

MI pielietojumi kosmosa sistēmās

MI tiek pielietots ļoti plašā ar kosmosu saistītu aktivitāšu diapazonā. Galvenie pielietojumi ir:

Satelītattēlu analīze: Ar MI darbināta datorredze būtiski paātrina satelītattēlu interpretāciju. Mašīnmācīšanās modeļi spēj automātiski noteikt un klasificēt objektus uz Zemes (piemēram, transportlīdzekļus, ēkas, kultūraugus vai kuģus) un laika gaitā uzraudzīt izmaiņas fedgovtoday.com. Tas palīdz izlūkošanā, vides uzraudzībā un katastrofu reaģēšanā, ātri pārskatot milzīgus attēlu apjomus. Piemēram, Nacionālā ģeotelpiskās izlūkošanas aģentūra (NGA) izmanto MI, lai skenētu attēlus, izceļot objektus un aktivitātes, kas palīdz identificēt potenciālus draudus vai nozīmīgus notikumus no orbītas fedgovtoday.com. Tiek pētītas arī ģeneratīvā MI metodes, lai aizpildītu trūkumus un sniegtu kontekstu attēlu datos fedgovtoday.com, uzlabojot objektu atpazīšanu un analīzi. Komerciālajā pusē tādi uzņēmumi kā Planet Labs izmanto mašīnmācīšanos, lai pārvērstu ikdienas Zemes attēlošanu analītikā – identificējot mežu izciršanu, uzraugot infrastruktūru u.c., ar minimālu cilvēka iejaukšanos fedgovtoday.com.
Autonomā navigācija un robotika: Kosmosa kuģi un roboti izpētnieki izmanto mākslīgo intelektu, lai pārvietotos un pieņemtu lēmumus bez pastāvīgas cilvēku kontroles. Marss roveri ir lielisks piemērs – NASA roveriem ir ar mākslīgo intelektu balstītas autonomas navigācijas sistēmas, kas veido 3D reljefa kartes, identificē bīstamības un patstāvīgi plāno drošus maršrutus nasa.gov. Perseverance AutoNav sistēma ļauj “domāt braukšanas laikā”, izvairoties no šķēršļiem un ievērojami palielinot pārvietošanās ātrumu salīdzinājumā ar iepriekšējiem roveriem nasa.gov nasa.gov. Līdzīgi, mākslīgais intelekts ļauj satelītiem veikt stacijas uzturēšanu un manevrēšanu ar minimālu saziņu ar Zemes kontroli. Pētniecības projekti izstrādā autonomas piestāšanas spējas, izmantojot MI plānošanu; piemēram, jauna sistēma ar nosaukumu Autonomous Rendezvous Transformer (ART) izmanto Transformer neironu tīklu (līdzīgu tiem, kas izmantoti ChatGPT), lai ļautu kosmosa kuģiem pašiem plānot piestāšanas trajektorijas ar ierobežotu skaitļošanas jaudu space.com space.com. Tas ļautu nākotnes transportlīdzekļiem satikties un pievienoties orbītā vai ap tālām planētām bez cilvēku tiešas vadības. Robotikas jomā MI nodrošina vadību arī robotizētām rokām un virsmas robotiem – SKS eksperimentālais robots CIMON (Crew Interactive Mobile Companion) bija brīvi lidojošs MI asistents, kas varēja mijiedarboties ar astronautiem un veikt vienkāršus uzdevumus ar balss komandām airbus.com. Šie piemēri ilustrē, cik būtiska ir ar MI vadīta autonomija, lai pārvietotos, izpētītu un darbotos vidēs, kur reāllaika cilvēka kontrole ir neiespējama.
Kosmisko laika prognozēšana: Mākslīgais intelekts palīdz prognozēt saules vētras un citus kosmiskā laika notikumus, kas var apdraudēt satelītus un elektrības tīklus. Analizējot kosmisko kuģu sensoru datu plūsmas, MI modeļi var prognozēt tādas parādības kā ģeomagnētiskās vētras ar daudz labāku brīdinājuma laiku. Īpaši NASA pētnieki ir izstrādājuši dziļās mācīšanās modeli DAGGER, kas izmanto satelīta mērījumus par saules vēju, lai prognozētu, kur uz Zemes saules vētra skars pat līdz 30 minūtēm iepriekš nasa.gov. Šis modelis, kas apmācīts ar datiem no ACE un Wind misijām, spēj izveidot globālas ģeomagnētisko traucējumu prognozes mazāk nekā sekundes laikā, atjauninot informāciju katru minūti nasa.gov nasa.gov. Tas pārspēj iepriekšējos modeļus, apvienojot reāllaika kosmosa datus ar MI rakstu atpazīšanu, ļaujot ieviest “tornado sirēnas” tipa brīdinājumus par saules vētrām nasa.gov nasa.gov. Šāda ar MI uzlabota prognozēšana ir būtiska, lai dotu operatoriem laiku aizsargāt satelītus un infrastruktūru pret saules uzliesmojumiem un koronālajiem masu izmešiem. Papildus ģeomagnētiskajām vētrām MI tiek izmantots arī, lai prognozētu augstas enerģijas daļiņu plūsmas Zemes radiācijas joslās nasa.gov un interpretētu Saules teleskopu datus uzliesmojumu prognozēšanai nextgov.com – uzlabojot mūsu spēju paredzēt un mazināt kosmiskā laika ietekmi.
Kosmiskās atlūzas izsekošana un sadursmju novēršana: Pieaugošais orbītā esošo atlūzu mākonis rada sadursmju riskus satelītiem, un mākslīgais intelekts tiek izmantots, lai risinātu šo “kosmosa satiksmes pārvaldības” problēmu. Mašīnmācīšanās var uzlabot objektu izsekošanu un to kustības modelēšanu orbitā, palīdzot identificēt augsta riska tuvošanās gadījumus. Eiropas Kosmosa aģentūra izstrādā automatizētu sadursmju novēršanas sistēmu, kas izmanto mākslīgo intelektu, lai novērtētu sadursmes varbūtības un pieņemtu lēmumu, kad satelītam jāveic manevrs esa.int. Atšķirībā no mūsdienu lielākoties manuālā procesa – kur operatoriem nedēļā jāizvērtē simtiem brīdinājumu esa.int – MI sistēma varētu autonomi aprēķināt trajektorijas, izvēlēties optimālos izvairīšanās manevrus un pat veikt tos uz kuģa. Patiesībā EKA paredz, ka nākotnē satelīti koordinēs manevrus savā starpā, izmantojot mākslīgo intelektu, kas būs būtiski, jo zemo Zemes orbītu aizvien vairāk piepilda esa.int esa.int. Jaunuzņēmumi kā LeoLabs un Neuraspace tāpat izmanto mākslīgo intelektu, lai analizētu sensoru datus un prognozētu ciešas tuvošanās, izsniedzot automatizētus “konjunkcijas” brīdinājumus. Thales Alenia Space, sadarbojoties ar mākslīgā intelekta uzņēmumu Delfox, testē “Viedās sadursmju novēršanas” MI, kas sniegtu satelītiem lielāku autonomiju, izvairoties no atlūzām vai pat pretsatelītu ieročiem thalesaleniaspace.com thalesaleniaspace.com. Ātri analizējot orbītas un iespējamos manevrus, MI spēj reaģēt ātrāk nekā cilvēku vadītāji, novēršot sadursmes. Šāds optimizēts lēmumu atbalsts kļūst arvien nozīmīgāks, palaižot megakonstelācijas ar desmitiem tūkstošu jaunu satelītu.
MISIJU PLĀNOŠANA UN OPTIMIZĀCIJA: Mākslīgā intelekta paņēmieni vienkāršo sarežģīto uzdevumu plānot kosmosa misijas un satelītu darbību. Tas ietver automatizētu satelītu novērojumu, komunikācijas kontaktu un pat veselu misiju grafiku plānošanu. Uz MI balstītas plānošanas sistēmas spēj ņemt vērā daudzas dažādas ierobežojumu kategorijas (orbitālā dinamika, enerģijas pieejamība, bāzes staciju laika logi u.c.) un izstrādāt optimālus plānus daudzkārt ātrāk, nekā to spētu cilvēku komanda boozallen.com boozallen.com. Piemēram, tādi uzņēmumi kā Cognitive Space piedāvā uz MI balstītu misiju plānošanu Zemes novērošanas konstelācijām: to programmatūra autonomi nosaka attēlveidošanas mērķu prioritātes, sadala satelītu resursus un sastāda lejupsaistes grafikus, reāllaikā līdzsvarojot prioritātes un ierobežojumus aws.amazon.com aws.amazon.com. Šāda veida inteligenta automatizācija ļauj vienam operatoram efektīvi pārvaldīt simtiem satelītu lielu floti. Mākslīgais intelekts tiek izmantots arī trajektoriju optimizācijā – NASA un citas institūcijas izmanto algoritmus (dažkārt apvienojumā ar kvantu skaitļošanas pētījumiem), lai atrastu degvielas ziņā visekonomiskākos kosmosa kuģu ceļus vai optimizētu vairāku mērķu novērojumu secību boozallen.com douglevin.substack.com. Pat pilotējamās misijās MI spēj optimizēt misiju plānus un loģistiku. Rezumējot, mašīnmācīšanās un heuristiskās meklēšanas algoritmi palīdz organizēt kosmosa misijas ar augstāku efektivitāti, īpaši, ja darbību sarežģītība turpina augt.
Satelītu veselības uzraudzība un prognozējoša apkope: Satelīti ģenerē nepārtrauktu telemetriju par savām apakšsistēmām, un tagad mākslīgā intelekta algoritmi analizē šos datus, lai atklātu anomālijas un paredzētu kļūmes pirms to rašanās. Izmantojot mašīnmācīšanos anomāliju noteikšanai, operatori var pāriet no reaģējošām labošanām uz proaktīvu apkopju plānošanu – tādējādi pagarinot satelītu darbības laiku un izvairoties no dārgiem darbības pārtraukumiem. Ievērojams piemērs ir NOAA GOES-R laika apstākļu satelīti, kas kopš 2017. gada izmanto mākslīgā intelekta balstītu Advanced Intelligent Monitoring System (AIMS), lai uzraudzītu kosmosa kuģu veselību asrcfederal.com asrcfederal.com. AIMS apstrādā tūkstošiem telemetrijas parametru (temperatūras, spriegumus, sensora izvades utt.) un izmanto parauga atpazīšanu, lai pamanītu smalkas izmaiņas, kas var liecināt par gaidāmām iekārtu kļūmēm asrcfederal.com. Pēc tam tā var brīdināt inženierus vai pat veikt korektīvus pasākumus. Pēc NOAA datiem, šis mākslīgā intelekta rīks spēj noteikt problēmas un ieteikt risinājumus dažu minūšu vai stundu laikā, kamēr iepriekš ekspertiem problēmu diagnosticēšana prasīja dienas asrcfederal.com. Jau ir novērsti neplānoti pārtraukumi, savlaicīgi pamanot anomālijas (piemēram, instrumentu detektoru ietekmi no starojuma) un ļaujot veikt pielāgojumus vai pārstartēšanu pirms kļūmes rašanās asrcfederal.com asrcfederal.com. Līdzīgi arī satelītu ražotāji izmēģina uz kuģa iebūvētu mākslīgo intelektu kļūdu noteikšanai, izolācijai un atjaunošanai (FDIR) – būtībā sniedzot satelītiem noteiktu pašapkalpošanās līmeni. Orbitālos apkalpošanas transportlīdzekļos arī varētu izmantot mākslīgo intelektu, lai diagnosticētu klientu satelītu problēmas. Kopumā prognozējošā analītika uzlabo kosmosa infrastruktūras uzticamību un noturību, paredzot problēmas pēc smalkām datu pazīmēm asrcfederal.com asrcfederal.com.
Sakari un datu pārraide: Mākslīgais intelekts uzlabo sakarus kosmosā, izmantojot tādas metodes kā kognitīvais radio un automatizēta tīkla pārvaldība. Kognitīvās radio sistēmas izmanto ML/AI, lai dinamiski sadalītu frekvences un pielāgotu signāla parametrus uzreiz, kas ir būtiski, jo spektra izmantošana kosmosā kļūst arvien intensīvāka. NASA ir testējusi kognitīvos radio, kas ļauj satelītiem patstāvīgi atrast un izmantot brīvos spektra joslas, negaidot komandas no Zemes nasa.gov nasa.gov. Saskatot radiofrekvenču vidi un izmantojot AI, satelīts var izvairīties no traucējumiem un optimizēt lejupsaisti reāllaikā – līdzīgi kā inteliģents Wi-Fi maršrutētājs, kas maina kanālus. Tas uzlabo sakaru līniju efektivitāti un uzticamību nasa.gov. Mākslīgais intelekts tiek izmantots arī tīkla maršrutēšanā topošajās satelītu konstelācijās, kur tūkstošiem satelītu pārsūtīs datus režģveida tīklā. Mašīnmācīšanās var noteikt labākos datu pārsūtīšanas ceļus un inteliģenti sadalīt joslas platumu atkarībā no datplūsmas pieprasījuma un līniju stāvokļa. Turklāt datu apstrāde uz vietas (izmantojot AI) samazina neapstrādāto datu apjomu, ko jānosūta uz Zemi, atvieglojot joslas platuma prasības. Piemēram, ESA Φsat satelīti izmanto AI redzes algoritmus, lai orbitā filtrētu mākoņainos attēlus, tāpēc uz Zemi tiek sūtīti tikai noderīgi attēli esa.int. Arī ar AI balstītas saspiešanas metodes var datus kodēt daudz efektīvāk – Φsat-2 ir aprīkots ar AI darbinātu attēlu saspiešanas lietotni, kas būtiski samazina failu izmērus pirms to pārsūtīšanas esa.int. Astronautu saziņā AI balstīti balss palīgi un tulkošanas rīki (piemēram, ISS CIMON) uzlabo cilvēka un mašīnas mijiedarbību. Nākotnē, attīstoties lāzersakariem un 5G kosmosā, AI spēlēs galveno lomu tīkla resursu pārvaldībā un savienojuma uzturēšanā autonomi.

NASA Perseverance marsietis paļaujas uz ar AI darbinātu autonomu navigāciju, lai pārvietotos pa bīstamu Marsa reljefu bez tiešas cilvēku vadības nasa.gov. Tā iebūvētā “AutoNav” sistēma ļauj robotam plānot maršrutus un izvairīties no šķēršļiem reāllaikā, ievērojami palielinot braukšanas ātrumu un darbības rādiusu salīdzinājumā ar iepriekšējiem roveriem. Šī autonomija ir būtiska efektīvai Marsa izpētei, ņemot vērā lielās komunikācijas aiztures.

Tā AutoNav navigācijas mākslīgais intelekts ļāva tam braukt līdz pat 5× ātrāk nekā Curiosity, apstrādājot attēlus reāllaikā, lai izvairītos no briesmām nasa.gov nasa.gov.Perseverance nes arī mākslīgo intelektu zinātnei: piemēram, tā PIXL instrumentam ir “adaptīvās paraugu ņemšanas” mākslīgais intelekts, kas ļauj tam autonomi noteikt interesantas iežu īpašības analīzei bez Zemes vadības jpl.nasa.gov jpl.nasa.gov.2021. gadā pieauga arī mākslīgā intelekta izmantošana uz zemes, lai pārvaldītu augošo satelītu un kosmosa datu skaitu (piemēram,ASVKosmosa spēki ievieš mākslīgo intelektu Kosmosa Domēna Izpratnei).

Gads	Pagrieziena punkts
1970.–1980. gadi	Agrīnie mākslīgā intelekta koncepti: Kosmosa aģentūras sāk izpētīt MI izmantošanu misiju vadībā un ekspertu sistēmās.Piemēram, NASA veic eksperimentus ar programmatūru automātiskai kļūdu diagnostikai kosmosa kuģos un novērojumu plānošanai.Šīs agrīnās mākslīgā intelekta lietojumprogrammas bija ierobežotas ar datoru iespējām, taču tās lika pamatus autonomijai kosmosā parametric-architecture.com ntrs.nasa.gov.(Šajā periodā lielākā daļa “AI” bija bāzēta uz zemes, jo uz borta esošo datoru apstrādes jauda bija zema.)
1999	Attālinātais aģents uz Deep Space 1: Liels izrāviens – NASA kosmosa zonde Deep Space 1 lidoja ar Attālinātā aģenta mākslīgā intelekta programmatūru, pirmo reizi mākslīgā intelekta sistēmai autonomi kontrolējot kosmosa aparātu jpl.nasa.gov.Trīs dienas 1999. gada maijā Attālinātais aģents vadīja DS1 darbību bez iejaukšanās no Zemes, plānojot aktivitātes un reāllaikā diagnosticējot simulētas kļūmes jpl.nasa.gov jpl.nasa.gov.Tas veiksmīgi atklāja un novērsa problēmas (piem.piemēram, iestrēgušu kameru), veicot pārsplānošanu uz borta, pierādot, ka ar mērķiem vadīts mākslīgais intelekts spēj autonomi nodrošināt misijas norisi jpl.nasa.gov jpl.nasa.gov.Šis eksperiments, kas bija NASA JPL un NASA Ames kopīgs darbs, tika pasludināts par “jaunas ēras rītausmu kosmosa izpētē”, kurā pašapzinīgas, pašvadāmas kosmosa kuģi ļautu uzdrošināties lielākām misijām jpl.nasa.gov.Remote Agent ieguva NASA 1999. gada Gada programmatūras balvu jpl.nasa.gov un tiek uzskatīts par nozīmīgu notikumu kosmosa mākslīgā intelekta vēsturē.
2001–2004	Autonomais zinātnes kuģis EO-1: NASA Zemes novērošanas-1 satelīts demonstrēja ar mākslīgo intelektu darbinātu Autonomā zinātnes kuģa eksperimentu (ASE).Līdz 2004. gadam ASE izmantoja iebūvēto mašīnmācīšanos, lai analizētu attēlus orbītā un pēc konstatētā mainītu satelīta uzdevumus esto.nasa.gov esto.nasa.gov.Piemēram, ja EO-1 mākslīgais intelekts noteiktu vulkāna izvirdumu attēlā, tas nekavējoties ieplānotu turpmāku šī vulkāna novērošanu nākamajā pārlidojumā esto.nasa.gov.Šī slēgtā loka autonomija bija viens no pirmajiem gadījumiem, kad kosmosa kuģis pats pieņēma zinātniskus lēmumus.Tas ietvēra arī iebūvētu plānotāju (CASPER) un stabilu izpildes programmatūru, balstoties uz Remote Agent koncepcijām Zemes orbītā esošai misijai.ASE panākumi notikumu, piemēram, izvirdumu un plūdu, noteikšanā reāllaikā apstiprināja mākslīgā intelekta lietderību reaģējošā Zemes novērošanā.
2005–2012	Roveri un plānošanas MI: Ar mākslīgā intelekta vadītu autonomiju paplašinājās Marsa izpēte un observatoriju darbība.Mars Exploration Rovers (Spirit un Opportunity) 2000. gados izmantoja autonomu navigāciju un vēlāk misijas laikā programmatūru AEGIS, kas ļāva tām automātiski izvēlēties mērķus un analizēt akmeņus ar spektrometriem.Tas bija priekšvēstnesis vēlāk izstrādātajiem roveriem ar lielāku autonomiju.Tikmēr mākslīgā intelekta plānošanas sistēmas tika ieviestas uz zemes – NASA izstrādāja sarežģītus plānošanas algoritmus instrumentiem (piemēram, Habla kosmiskajam teleskopam un satelītu konstelācijām), lai optimizētu novērojumu grafikus.Šie agrīnie AI izvietošanas gadījumi darbībā uzlaboja efektivitāti un samazināja cilvēku kontrolieru darba slodzi.
2013	JAXA Epsilon – pirmais ar mākslīgo intelektu aprīkotais nesējs: Japānas Aerokosmiskās izpētes aģentūra palaida Epsilon raķeti, pirmo nesēju ar mākslīgā intelekta balstītu autonomu pārbaudes sistēmu.Epsilon iebūvētā mākslīgā intelekta sistēma veica automātiskās veselības pārbaudes un uzraudzību atskaites laika un lidojuma laikā, samazinot nepieciešamību pēc lielām zemes vadības komandām global.jaxa.jp global.jaxa.jp.Šī inovācija samazināja palaišanas sagatavošanas laiku no mēnešiem līdz tikai dažām dienām, ļaujot raķetei pašai pārbaudīt savas sistēmas un prasot tikai nelielu komandu “mobilās kontroles” režīmā global.jaxa.jp.Epsilon panākumi 2013. gadā parādīja, ka mākslīgais intelekts var palielināt uzticamību un vienlaikus samazināt palaišanas izmaksas, automatizējot agrāk darbietilpīgos procesus global.jaxa.jp global.jaxa.jp.
2015	Curiosity rover mākslīgā intelekta mērķēšana: NASA Marsa roveris Curiosity, kas nolaidās 2012. gadā, līdz 2015. gadam bija ieviesis mākslīgā intelekta sistēmu (AEGIS), kas tam ļāva autonomi izvēlēties klinšu mērķus savam ChemCam lāzera instrumentam, izmantojot attēlu analīzi.Tādējādi Curiosity kļuva par pirmo roveri, kas izmanto AI, lai pieņemtu zinātnisku lēmumu uz vietas (izvēloties interesējošos mērķus pēc formas/krāsas) jpl.nasa.gov.Šī iespēja paredzēja progresīvāku autonomo zinātni uz Perseverance.
2018	CIMON – MI apkalpes palīgs ISS: Crew Interactive MObile CompanioN (CIMON), ko izstrādāja Airbus un IBM DLR vajadzībām, kļuva par pirmo ar mākslīgo intelektu darbināto astronautu palīgu.Šis sfēriskais robots, kas tika palaists uz Starptautisko kosmosa staciju 2018. gadā, izmantoja IBM Watson MI balss atpazīšanai un sarunu mijiedarbībai airbus.com.CIMON varēja peldēt mikrogravitācijā, reaģēt uz mutiskiem komandām, attēlot informāciju uz sava ekrāna “sejas” un pat iesaistīties nelielās sarunās.Tas veiksmīgi pabeidza savus pirmos testus ar astronautu Aleksandru Gerstu, demonstrējot cilvēka un mākslīgā intelekta sadarbību kosmosā airbus.com airbus.com.CIMON iezīmēja mākslīgā intelekta integrāciju apkalpes kosmiskajos lidojumos operatīvam atbalstam un parādīja virtuālo asistentu potenciālu astronautu palīdzībai.
2020	ESA Φ-sat-1 – pirmais AI procesors Zemes orbītā: Eiropas Kosmosa aģentūra palaida Φ-sat-1 (PhiSat-1), CubeSat eksperimentu, kas bija pirmais, kas Zemes novērošanas satelītā nesa īpašu mākslīgā intelekta mikroshēmu (Intel Movidius Myriad 2) esa.int.Φ-sat-1 mākslīgais intelekts tika uzdots filtrēt ar mākoņiem aizklātus attēlus uz kuģa – būtībā veicot sākotnējo attēlu šķirošanu kosmosā, lai lejupielādētu tikai noderīgus datus esa.int.Palaists 2020. gadā, tas pierādīja, ka pat mazi satelīti var veikt mākslīgā intelekta apstrādi orbītā, paverot ceļu vēl ambiciozākiem turpmākajiem projektiem, piemēram, Φ-sat-2.
2021	Perseverance un progresīvs roveru mākslīgais intelekts: NASA Perseverance marsa robots (nolaidās 2021. gada februārī) Marsā ieviesa līdz šim visaugstāko autonomiju.
2024	Φ-sat-2 un tālāk: ESA Φ-sat-2 (palaišana 2024. gadā) ir pilnībā uz mākslīgo intelektu orientēta satelīta misija, kurā uz borta ir sešas mākslīgā intelekta lietotnes dažādiem uzdevumiem, sākot no mākoņu noteikšanas līdz kuģu izsekošanai esa.int.Tas pārstāv vismodernāko mākslīgā intelekta ieviešanu orbītā un pat ļauj augšupielādēt jaunus AI modeļus pēc palaišanas esa.int.Aptuveni tajā pašā laikā DARPA Blackjack programma izvieto eksperimentālus mazos satelītus, katru ar Pit Boss mākslīgā intelekta mezglu, lai autonomi pārvaldītu militāros misiju kravslodzi un tīklu izplatītā zvaigznājā militaryembedded.com.Šie notikumi liecina, ka mākslīgais intelekts kosmosa sistēmās pāriet no eksperimentālās uz operatīvo fāzi, un aģentūras un uzņēmumi plāno AI kā būtisku sastāvdaļu nākotnes misijās.

Šī laika skala skaidri parāda tendenci: tas, kas sākās kā atsevišķi eksperimenti (piemēram, Remote Agent), līdz 2020. gadiem ir novedis pie plašas mākslīgā intelekta integrācijas kosmosa kuģos.

Katrs sasniegtais posms vairoja pārliecību, ka mākslīgais intelekts spēj uzticami darboties kosmosa apstākļos.Mūsdienās gandrīz visas progresīvās kosmosa misijas ietver kādu mākslīgā intelekta vai autonomijas elementu, un investīcijas kosmosa mākslīgajā intelektā visā pasaulē pieaug arvien straujāk.

Mākslīgā intelekta vēsturiskā attīstība kosmosa tehnoloģijās

AI izmantošana kosmosa sistēmās ir attīstījusies no eksperimentālām sākotnēm līdz kodolsastāvdaļai daudzās misijās. Galvenie pavērsiena punkti ir:

AI pašreizējais stāvoklis kosmosa sistēmās

Valdības un aģentūru programmas: Nacionālās kosmosa aģentūras aktīvi ievieš AI visās zinātnes, izpētes un satelītu programmās. NASA izmanto AI roveru autonomijai, planētu zinātnes datu analīzei, Zemes novērošanai un misiju operācijās. Piemēram, NASA Frontier Development Lab (FDL) ir publiskā un privātā sektora partnerība, kas izmanto AI, lai risinātu tādus izaicinājumus kā saules vētru prognozēšana (kas noveda pie DAGGER modeļa) nasa.gov, Mēness resursu kartēšana un astronautu veselības uzraudzība. NASA topošajā Artemis programmā tiek izmēģināti AI asistenti (Callisto balss aģents tika palaists apkārt Mēnesim) un tiek apsvērta AI izmantošana autonomām sistēmām Lunar Gateway. ESA arī ir padarījusi AI par savas stratēģijas stūrakmeni – ārpus Φ-sat misijām ESA ɸ-lab veicina AI risinājumus Zemes novērošanai un navigācijai, kā arī tādi projekti kā Automātiskā sadursmju novēršana tiek izstrādāti kosmosa drošībai esa.int esa.int. Eiropas Kosmosa aģentūra arī izmanto AI uz zemes, lai pārvaldītu sarežģītus satelītu instrumentu grafikus un apstrādātu datu plūsmu no observatorijām. Citas aģentūras: JAXA ir demonstrējusi AI palaišanas iekārtās un pēta ar AI darbināmus zondus (piemēram, asteroīdu izpētei), Roscosmos un CNSA (Ķīna) ziņots, ka iegulda autonomijā uz borta un izmanto AI attēlu analīzei un cilvēku kosmosa lidojumu atbalstam (Ķīnas 2021. gada Marsa roveram ir autonoma navigācija, un Ķīna ir apspriedusi ar AI pārvaldītas mega-konstelācijas). ASV Nacionālā okeanogrāfijas un atmosfēras pārvalde (NOAA), kā minēts, jau izmanto AI satelītu veselības uzraudzībai un raugās uz AI, lai uzlabotu laikapstākļu prognozēšanu, izmantojot satelītu datu asimilāciju nextgov.com. Īsumā, valdības kosmosa centieni uzskata AI par būtisku, lai maksimāli palielinātu misiju zinātnisko atdevi un pārvaldītu arvien sarežģītākas operācijas.

Militārie un aizsardzības jautājumi: Aizsardzības un nacionālās drošības kopiena aktīvi investē mākslīgajā intelektā kosmosa vajadzībām, ko vada nepieciešamība pieņemt lēmumus ātrāk strīdīgā un ar datiem piesātinātā vidē boozallen.com boozallen.com.

ASVAizsardzības departamentam ir vairākas programmas: piemēram, DARPA Blackjack projekts ir vērsts uz nelielu zemo orbītu (LEO) satelītu prototipu konstelācijas izvietošanu, katru aprīkojot ar Pit Boss mākslīgā intelekta mezglu, lai autonomi koordinētu tīklu un kopīgotu taktiskos datus militaryembedded.com.Ideja ir tāda, ka militāro satelītu flote varētu ar iebūvētajiem sensoriem noteikt mērķus (piemēram, mobilo raķešu palaišanas iekārtas vai kuģus) un sadarbojoties izlemt, kuram satelītam ir vislabākais skats, lai novērotu vai izsekotu, pēc tam automātiski pāradresēt šim satelītam datu vākšanu un tālāku pārsūtīšanu – viss bez centralizēta kontroliera militaryembedded.com boozallen.com.Šāda veida autonomā “no sensora līdz šāvējam” ķēde ievērojami saīsina reaģēšanas laiku.ASVKosmosa spēki arī ievieš mākslīgo intelektu, lai nodrošinātu kosmosa domēna informētību – izsekojot objektus un potenciālos draudus orbītā.Ņemot vērā tūkstošiem novērojumu dienā, Kosmosa spēki izmanto AI/ML, lai automatizētu jaunu satelītu vai manevru identificēšanu.Eksperti norāda, ka mākslīgais intelekts ir nepieciešams, lai tiktu galā ar “milzīgo kosmosa satiksmes datu plūsmu” un ātri atšķirtu normālus notikumus no anomālijām vai naidīgām darbībām airandspaceforces.com airandspaceforces.com.Sabiedroto aizsardzības organizācijas (piem.,Eiropā) tāpat pēta mākslīgo intelektu satelītu uzraudzībai, raķešu brīdināšanai (mākslīgais intelekts sensoru datu filtrēšanai, lai novērstu viltus trauksmes) un kosmosa resursu kiberdrošībai.Zemes segmentā MI palīdz aizsardzības satelītu misiju plānošanā, līdzīgi kā komerciālajos lietojumos, taču uzsvars tiek likts uz noturību (MI autonomi pārkonfigurē tīklus, ja satelīti tiek traucēti vai pakļauti uzbrukumam).Izlūkošanas aģentūras izmanto mākslīgo intelektu, lai analizētu satelītattēlus un signālizlūkošanas informāciju lielā apjomā, kā norādīts NGA izmantotajā mākslīgā intelekta risinājumā attēlanalīzei fedgovtoday.com.Kopsavilkumā var teikt, ka militārās kosmosa sistēmas ievieš mākslīgo intelektu, lai iegūtu ātrumu un efektivitāti — vai tas būtu armijas vienību ātrāka satelītu izlūkošana ar MI atlasītiem attēliem, vai arī autonomu satelītu kopums, kas pārvirza sakarus pēc tam, kad kāds mezgls ir zaudēts.Šīs spējas tiek uzskatītas par spēka reizinātājiem.Tomēr pastāv arī piesardzība: aizsardzības jomas pārstāvji uzsver “uzticamu mākslīgo intelektu” – algoritmiem ir jābūt izskaidrojamiem un drošiem, lai komandieri varētu uzticēties to rezultātiem fedgovtoday.com boozallen.com.Notiek centieni pārbaudīt un apstiprināt mākslīgā intelekta sistēmas kritiski svarīgām kosmosa misijām.

Komerciālais sektors: Privātās kosmosa kompānijas un jaunuzņēmumi ar entuziasmu ievieš mākslīgo intelektu (MI), lai iegūtu konkurences priekšrocības izmaksu un iespēju jomā. Piemēram, SpaceX ļoti paļaujas uz automatizāciju un sarežģītiem algoritmiem (lai gan tos ne vienmēr tieši dēvē par “MI”) – tās Falcon 9 raķetes pašas nosēžas, izmantojot datorredzi un sensoru saplūšanu, un Crew Dragon kosmosa kuģi veic pilnībā autonomas dokēšanās ar SKS, izmantojot MI vadītu navigāciju un LIDAR attēlveidošanu space.com. Ir ziņots, ka SpaceX Starlink satelītiem ir autonoma sadursmju izvairīšanās sistēma, kas izmanto izsekošanas datus, lai izvairītos no gružiem vai citiem satelītiem bez cilvēku iejaukšanās – tas ir obligāti 4 000+ satelītu mega-konstelācijai. Zemes novērošanas kompānijas, piemēram, Planet Labs, praktiski balsta savus biznesa modeļus uz MI: Planet pārvalda apmēram 200 attēlveidojošus nanosatelītus un izmanto mašīnmācīšanos mākonī, lai analizētu ikdienas attēlu straumi (atklājot izmaiņas, objektus un anomālijas) klientiem fedgovtoday.com. Maxar Technologies un BlackSky līdzīgi izmanto MI, lai nodrošinātu analītiskos pakalpojumus (piem., identificējot militāro aprīkojumu vai dabas katastrofu sekas attēlos). Ražošanā jaunuzņēmumi, piemēram, Relativity Space, izmanto MI vadītus 3D printerus un mašīnmācīšanās atgriezenisko saiti, lai optimizētu raķešu ražošanu nstxl.org – viņu rūpnīcas MI mācās no katra drukājuma, lai uzlabotu kvalitāti un ātrumu. Satelītu operatori ievieš MI tīklu optimizācijai; piemēram, uzņēmumi, kas pārvalda lielus komunikāciju satelītu parkus, izmanto MI grafikus datplūsmas maršrutēšanai un spektra dinamiski sadalei. Cognitive Space, minēts iepriekš, piedāvā savu MI operāciju platformu gan komerciālajiem konstelāciju operatoriem, gan valdībai. Pat tradicionālie aerokosmiskie giganti ir uzsākuši īpašas MI iniciatīvas: Lockheed Martin ir izveidojis “AI Factory”, lai trenētu neironu tīklus uz modernām simulācijām un izmēģina MI vadītas SmartSat misijas (vienā tika izmantots NVIDIA Jetson MI modulis attēlu uzlabošanai uz borta) developer.nvidia.com developer.nvidia.com. Airbus un Thales Alenia iekļauj MI iespējas savās nākamās paaudzes satelītēs un sadarbojas ar MI uzņēmumiem (piemēram, Airbus ar IBM CIMON projektam, Thales ar hiperspektrālās attēlanalīzes uzņēmumiem). Komerciālā tendence ir acīmredzama – MI tiek uzskatīts par galveno faktoru operāciju automatizācijā (samazinot darbinieku nepieciešamību), sistēmu veiktspējas paaugstināšanā un jaunu datu pakalpojumu nodrošināšanā. Tas ietver palaišanu (autonomas raķetes), satelītus (apstrāde uz borta) un lejupejošo analītiku (neapstrādātu kosmosa datu pārvēršana ieskatā ar MI palīdzību).

Tehnoloģiskie pamati, kas nodrošina MI kosmosā

Uz kuģa esošā “Edge” skaitļošana: Viena no būtiskākajām izmaiņām ir uzlabotā kosmosam piemērotā skaitļošanas aparatūra, kas ļauj sarežģītus mākslīgā intelekta modeļus darbināt tieši uz kosmosa kuģiem.Tradicionāli satelītu procesori bija vairākas reizes lēnāki nekā patērētāju elektronikas ierīcēs (radiācijas noturības dēļ), kas ierobežoja datu apstrādi uz vietas.Mūsdienās tomēr parādās starojuma izturīgi AI paātrinātāji.ESA Φ-sat misijās tika izmantots Movidius Myriad 2 VPU – būtībā mazs neironu tīkla paātrinātājs – lai veiktu attēlu atpazīšanu orbītā.Līdzīgi Lockheed Martin eksperimentālā SmartSat platforma izmanto NVIDIA Jetson GPU bāzētus datorus uz mazajiem satelītiem developer.nvidia.com developer.nvidia.com.2020. gadā Lockheed un USC palaida CubeSat ar Jetson, lai testētu mākslīgā intelekta lietotnes, piemēram, attēlu superizšķirtspēju un reāllaika attēlu apstrādi kosmosā developer.nvidia.com developer.nvidia.com.Jetson nodrošināja vairāk nekā 0,5 TFLOP datora jaudas, kas ir milzīgs lēciens cubesat satelītiem, ļaujot attēlu uzlabošanu reāllaikā (ar viņu SuperRes AI lietotni) un iespēju augšupielādēt jaunu ML programmatūru pēc palaišanas developer.nvidia.com developer.nvidia.com.Vēl viens piemērs ir DARPA Pit Boss, būtībā superdatora mezgls, ko izstrādājusi SEAKR Engineering un kas tiks izmantots Blackjack satelītus, lai veiktu izkliedēto AI apstrādi un datu apvienošanu zvaigznājā militaryembedded.com.Lai atbalstītu šos sasniegumus, tiek izstrādāti nākamās paaudzes kosmosa procesori: NASA jaunais High-Performance Spaceflight Computing (HPSC) mikroshēma (būvēta ar 12 RISC-V kodoliem) nodrošinās 100x lielāku aprēķinu jaudu nekā pašreizējie pret starojumu izturīgie CPU un īpaši atbalstīs AI/ML darba slodzes ar vektoru paātrinātājiem sifive.com nasa.gov.Sagaidāms, ka HPSC debitēs vēlāk šajā desmitgadē, un tas ļaus 2030. gadu misijām palaist sarežģītus redzes un mācīšanās algoritmus uz borta, vienlaikus atbilstot stingrām enerģijas un uzticamības prasībām nasa.gov nasa.gov.Kopsavilkumā, būtisks progress kosmosa lietošanai paredzētajā datortehnikā – no mākslīgā intelekta paātrinātājiem nelielos satelītos līdz vairāku kodolu starojuma noturīgiem procesoriem – veido aparatūras pamatu autonomiem, ar mākslīgo intelektu bagātiem kosmosa kuģiem.
AI spēju sasniegšana kosmosā prasa pārvarēt unikālus tehniskus izaicinājumus. Galvenie virzītājspēki ir:
Uz kuģa programmatūras ietvari un neironu tīkli: Programmatūras attīstība ir tikpat svarīga. Inženieri izstrādā vieglas AI modeļus un optimizētu kodu, kas var darboties ar kosmosa kuģa atmiņas un apstrādes ierobežojumiem. Tiek izmantotas tādas metodes kā modeļu saspiešana, kvantizācija un FPGA paātrinājums, lai izvietotu neironu tīklus kosmosā. Piemēram, mākoņu noteikšanas AI Φ-sat-1 bija saspiests konvolucionālais tīkls, kas reāllaikā noteica mākoņus daudzspektrālajos datos, bet gaidāmais Φ-sat-2 atbalsta pielāgojamas AI lietotnes, ko var augšupielādēt un darbināt orbītā ar elastīgu programmatūrā definētu kravas datoru esa.int esa.int. Šis būtībā rada lietotņu veikala kosmosā paradigmu – satelītus var pārkonfigurēt ar jaunu AI uzvedību pēc palaišanas. Turklāt kļūst par standartu arī robustas autonomijas programmatūras arhitektūras (ko aizsākuši Remote Agent un citi). Tās ietver izpildsistēmas, kas var deleģēt plānus apakšsistēmām un risināt ārkārtas situācijas, un modeļu balstītas spriešanas dzinējus kļūdu diagnostikai. Progresīvas programmatūras un spējīga aparatūras sinerģija nozīmē, ka mūsdienu satelīti var mitināt pilnas AI/ML datu apstrādes ķēdes uz kuģa: no sensoru datu savākšanas → pirmapstrādes → inferencēm (piem., objektu noteikšana attēlā) → līdz lēmumam (piem., vai pārsūtīt datus uz Zemi vai veikt jaunu novērojumu). Dažos satelītos darbojas pat vairāki AI modeļi dažādiem uzdevumiem (Φ-sat-2 vienlaikus darbojas seši esa.int). Svarīgs virzītājspēks šeit ir edge AI koncepts – algoritmu izstrāde, lai tie darbotos ierobežotā, dažkārt pārtrauktā skaitļošanas vidē ar augstu uzticamību. Tas ietver plašu testēšanu pret radiācijas izraisītām kļūdām un drošības sistēmām, lai AI neapdraudētu kosmosa kuģi, ja tā darbība kļūst traucēta.
Zemes segments mākslīgais intelekts un mākoņdatošanas integrācija: Ne visi kosmosa mākslīgā intelekta risinājumi jāizvieto uz pašas kosmosa kuģa – vēl viena aktuāla tendence ir mākoņdatošanas un mākslīgā intelekta integrācija zemes stacijās un misiju vadībā. Operatori izmanto mākoņplatformas, lai reālā laikā apstrādātu satelītu telemetriju un attēlus ar mākslīgo intelektu, tiklīdz tie tiek saņemti, kā arī gudrāk vadītu satelītus. Piemēram, Amazon Web Services (AWS) un Microsoft Azure piedāvā “zemes stacija kā pakalpojums”, kas ļauj satelītu datiem nonākt tieši mākoņdatošanas datu centros, kur mākslīgā intelekta modeļi tos analizē pāris sekunžu laikā pēc iegūšanas. AWS gadījuma izpētē demonstrēts Mākoņa misiju vadības centrs (CMOC), kur misiju plānošanas, lidojuma dinamika un datu analīzes apakšsistēmas darbojas kā mikropakalpojumi mākonī aws.amazon.com aws.amazon.com. Šādā arhitektūrā mākslīgais intelekts tiek izmantots anomāliju detektēšanai telemetrā (izmantojot AWS SageMaker mašīnmācīšanās modeļus, lai noteiktu ārpus normas telemetrijas rādījumus) un flotes optimizācijai (Cognitive Space risinājums CNTIENT.AI darbojas uz AWS, lai automatizētu satelītu grafiku) aws.amazon.com aws.amazon.com. Mākonis nodrošina praktiski neierobežotus resursus, lai trenētu modeļus uz vēsturiskajiem kosmosa datiem un veiktu resursprasīgu analīzi (piemēram, sintezētās apertūras radara attēlu apstrādi vai tūkstošu sastapšanās brīdinājumu analīzi). Tas arī ļauj nodrošināt globālu mērogojamību – ar mākslīgo intelektu vadīti operāciju centri var augt līdz ar konstelācijas izplešanos, nepieaugot fiziskajai infrastruktūrai proporcionāli aws.amazon.com aws.amazon.com. Satelītu un ar mākslīgo intelektu aprīkotu mākoņsistēmu ciešā sasaistīšana ir svarīga pašreizējā kosmosa mākslīgā intelekta ainavas sastāvdaļa. Tā ļauj ieviest hibrīdintelektu – pamata lēmumi un datu samazināšana tiek veikti uz kuģa, bet padziļināta analīze un stratēģiski lēmumi – uz Zemes, izmantojot lielo datu MI, ar atgriezenisko saiti starp abām pusēm.
Specializēti mākslīgā intelekta algoritmi kosmosam: Šo sistēmu pamatā ir algoritmi, kas īpaši pielāgoti kosmosa lietojumiem. Piemēram, redzes balstītas navigācijas algoritmi izmanto neironu tīklus, lai veiktu optisko navigāciju (identificējot orientierus vai zvaigznes pozīcijas/orientācijas noteikšanai). Pastiprinātā mācīšanās tiek pētīta kosmosa kuģu vadības jomā – piem., orientācijas vadības sistēmās, kas iemācās optimālas vilces komandas degvielas patēriņa samazināšanai, vai RL politikas, kas iemācās veikt orbitālās satikšanās un doklēšanas manevrus. Stanfordas komandas ART doklēšanas mākslīgais intelekts ir piemērs, kur mācīšanās balstīta pieeja (Transformer neironu tīkls) aizstāj brutālu trajektoriju aprēķinu space.com. Vēl viena joma ir anomāliju noteikšana: tādas metodes kā vienas klases SVM vai autoenkoderu tīkli tiek izmantoti telemetrijas datu analīzei, lai atklātu ārpus normas esošus datus, kas norāda uz kļūmēm, kā tas tiek darīts GOES AIMS un līdzīgās sistēmās asrcfederal.com asrcfederal.com. Dabīgās valodas apstrāde pat ienāk kosmosa operācijās; misiju vadības centri izmēģina mākslīgā intelekta palīgus, kas spēj analizēt procedūru dokumentus vai balss komandas (piemēram, sarunpalīgs astronautiem, kas spēj atrisināt problēmas, izmantojot rokasgrāmatas). Visbeidzot, kvantu izpēte sniedz iespējas noteiktiem ar kosmosu saistītiem MI aprēķiniem (plašāk tas apskatīts nākamajā sadaļā) – piemēram, kvantu algoritmi varētu atrisināt sarežģītas orbitālās optimizācijas vai šifrēt komunikāciju tā, kā to nevar viegli atšifrēt klasiskās mākslīgā intelekta sistēmas nstxl.org. Visi šie algoritmu un skaitļošanas tehnikas attīstības virzieni ir mugurkauls, kas padara MI praktisku izmantošanu kosmosā iespējamu.

ESA Φsat-2, kas palaists 2024. gadā, ir viens no pirmajiem satelītiem, kas īpaši izstrādāts, lai izmantotu iebūvēto mākslīgo intelektu. Tā izmēri ir tikai 22×10×33 cm, un šis CubeSat satelīts ir aprīkots ar jaudīgu MI koprocesoru, kas analizē attēlus orbītā – pilnībā autonomi veicot tādus uzdevumus kā mākoņu noteikšana, karšu ģenerēšana, kuģu un meža ugunsgrēku atpazīšana pirms datu nosūtīšanas uz Zemi esa.int. Apstrādājot datus tieši satelītā, Φsat-2 uz Zemi sūta tikai noderīgu, iepriekš analizētu informāciju, būtiski samazinot datu pārraides joslas platuma pieprasījumu un ļaujot saņemt reāllaika ieskatus no kosmosa. Šī misija demonstrē miniatūrizētu aparatūras un sarežģītas MI programmatūras konverģenci niecīgā satelītā.

Mākslīgā intelekta izmantošanas ieguvumi kosmosā

MI integrācija kosmosa sistēmās sniedz daudzus ieguvumus:

Uzlabota autonomija un lēmumu pieņemšana reāllaikā: Mākslīgais intelekts ļauj kosmosa kuģiem pieņemt momentānus lēmumus uz klāja, negaidot norādījumus no Zemes. Tas ir būtiski tālās misijās (piemēram, Marsa roveros vai dziļās kosmosa zondēs), kur komunikācijas aizture var svārstīties no minūtēm līdz stundām. Darbojoties lokāli, MI sniedz iespēju ātri reaģēt uz dinamiskām situācijām – rovers var apstāties, lai izvairītos no apdraudējuma tiklīdz to pamana tā kameras, vai satelīts var izvairīties no atlūzām dažu sekunžu laikā. Būtībā MI piešķir pašpietiekamības līmeni, kas ļauj misijām turpināties droši un efektīvi pat tad, ja nav sakaru. Tas arī mazina nepieciešamību pēc nepārtrauktas cilvēku uzraudzības. Piemēram, Remote Agent demonstrēja, ka MI spēj patstāvīgi reāllaikā novērst kosmosa kuģa kļūmes jpl.nasa.gov jpl.nasa.gov. Nesen Sentinel-2 meža ugunsgrēku eksperiments pierādīja, ka apdraudējumu noteikšana (piemēram, meža ugunsgrēki vai nelegāla kuģošana) tieši uz satelīta nodrošina gandrīz reāllaika brīdinājumus reaģējošajām dienestiem, salīdzinot ar stundu vai pat dienu kavēšanos, ja viss apstrādes process notiktu uz Zemes sentinels.copernicus.eu sentinels.copernicus.eu. Kopumā autonomais MI “notikuma vietā” var būtiski palielināt misiju tempu un zinātniskos ieguvumus.
Datu apstrādes efektivitāte: Mūsdienu kosmosa kuģi savāc daudz vairāk datu, nekā iespējams nosūtīt uz Zemi ierobežotās joslas platuma dēļ. Mākslīgais intelekts piedāvā risinājumu, filtrējot, saspiežot un prioritizējot datus jau to ieguves vietā. Satelīti var izmantot MI redzes algoritmus, lai atlasītu interesantākos attēlus vai viedi saspiestu datus (kā to dara Φsat-2 ar iebūvētu attēlu kompresiju esa.int), pārsūtot informācijām bagātu saturu un atmetot liekos vai aizklātos attēlus. Šī datu šķirošana maksimāli palielina katras lejupsaistes minūtes vērtību. Piemēram, Φsat-1 MI atmeta attēlus ar mākoņiem, ļaujot 30% vairāk lietderīgu attēlu nonākt analītiķiem, nevis tukšiem mākoņiem esa.int. Tāpat MI var apvienot daudzavotu sensoru datus uz borta, samazinot apjomu – piemēram, sintezējot augsta līmeņa notikuma ziņojumu no vairākiem mērījumiem tā vietā, lai nosūtītu visus neapstrādātos datus. Šī efektivitāte ir būtiska misijām, piemēram, Zemes novērošanas satelītu konstelācijām, kur nepārtraukta attēlu uzņemšana spētu pārslogot zemes stacijas bez līdzekļiem datu filtrēšanai uzreiz. Arī uz zemes MI palīdz tikt galā ar datu plūdiem: mašīnmācīšanās modeļi pārskata terabaitiem lielu attēlu un telemetrijas daudzumu, lai atrastu anomālijas vai interesējošus objektus, tādējādi būtiski samazinot manuālo darbu un nodrošinot, ka netiek palaista garām svarīga informācija. Faktiski MI darbojas kā inteliģents datu pārvaldnieks, nodrošinot, ka no ierobežotām komunikācijas iespējām iegūstam pēc iespējas vairāk ieskatu.
Uzlabota misiju vadība un mērogojamība: Automatizācija, izmantojot mākslīgo intelektu, ļauj pārvaldīt daudz sarežģītākas operācijas, nekā tas būtu iespējams manuāli. Viens ar mākslīgo intelektu vadīts vadības sistēmas var koordinēt desmitiem kosmosa kuģu, plānot tūkstošiem novērojumu vai ātri pārplānot, reaģējot uz izmaiņām – uzdevumiem, kas cilvēku operatorus pārspētu gan apjomā, gan ātrumā. Tas kļūst arvien svarīgāk, jo mēs izvietojam megakonstelācijas un veicam daudzkomponentu misijas. Uz mākslīgā intelekta bāzēta grafiku plānošana un resursu optimizācija var ievērojami uzlabot resursu izmantošanu (satelītu sensori, antenu laiks, degviela), atrodot optimālus risinājumus, ko cilvēki varētu nepamanīt. Piemēram, mākslīgā intelekta plānotājs varētu palielināt attēlveidošanas konstelācijas ražību, nodrošinot, ka satelīti nedublē pārklājumu un tiek dinamiski pārdalīti steidzamiem mērķiem (piemēram, pēkšņiem dabas katastrofām) dažu minūšu laikā. Mākslīgais intelekts ir arī nenogurstošs un var uzraudzīt sistēmas 24/7, nezaudējot uzmanību, nekavējoties paziņojot par problēmām. Tā rezultātā uzticamība uzlabojas – mākslīgais intelekts var pamanīt un labot nelielas novirzes, pirms tās kļūst nopietnas. GOES-R programma savu mākslīgā intelekta uzraudzību atzina par satelītu misijas mūža pagarināšanas iemeslu, novēršot kļūmes asrcfederal.com asrcfederal.com. Runājot par izmaksām, mākslīgais intelekts un automatizācija samazina darbaspēka intensitāti: aģentūras var darbināt vairāk satelītu, neprasot eksponenciāli lielākas misiju vadības komandas. SpaceX to pierādīja, vadot Falcon 9 raķešu floti, kas nolaižas autonomi – izslēdzot ar cilvēku vadītu atgūšanas operāciju nepieciešamību (un risku), un viņi ar salīdzinoši mazu komandu pārvalda tūkstošiem Starlink satelītu, pateicoties arī autonomajām sistēmām. Kopsavilkumā – mākslīgais intelekts padara kosmosa operācijas mērogojamas, efektīvas un noturīgas, kas savukārt samazina izmaksas un palielina misiju iespējas un ambīcijas.
Jaunas iespējas un pakalpojumi: Mākslīgais intelekts (MI) ne tikai uzlabo esošos procesus – tas arī atver pilnīgi jaunus misiju konceptus. Dažas lietas vienkārši nebija iespējamas pirms MI. Piemēram, adaptīvie zinātniskie instrumenti (piemēram, Perseverance robots ar PIXL, kas izmanto MI, lai izlemtu, kuras iežu īpašības analizēt jpl.nasa.gov jpl.nasa.gov) var veikt izpētes, kas būtu nepraktiskas ar pastāvīgu vadību no Zemes. Satelītu spieti varētu koordinēt novērojumus (piem., sintētiskās apertūras radara interferometrijai vai daudzleņķa attēlveidošanai) caur MI sadarbību, sasniedzot sarežģītus mērījumus grupas ietvaros. MI var ļaut izveidot “domājošus” kosmosa kuģus, kas dinamiski pārkonfigurējas paši – nākotnes satelīti varētu automātiski sadalīt enerģiju vai mainīt sensora režīmus, izmantojot MI, lai sasniegtu misijas mērķus mainīgos apstākļos. Zemes orbītā MI vadītā ģeotelpiskā analītika ir kļuvusi par atsevišķu pakalpojumu: uzņēmumi pārdod brīdinājumus, piemēram, “šajās koordinātēs ir uzcelta jauna ēka” vai “šajā reģionā pasliktinās ražas veselība”, ko rada MI analīze pēc satelītu datiem. Šāda veida tuvu reāllaika Zemes ieskates pakalpojums nebija iespējams globālā mērogā bez MI. Kosmosa izpētē MI varētu ļaut pilnīgi jaunus izpētes veidus, piemēram, autonomus roverus vai dronus, kas var izlūkot priekšā galvenajai misijai, vai zondes, kas patstāvīgi meklē biosignatūras un pieņem lēmumus par paraugu savākšanu – veicot zinātni uz vietas tā, kā pašlaik paļaujamies uz zinātniekiem uz Zemes. Pat cilvēku misijās ir ieguvumi, jo MI asistenti var palīdzēt apkalpei ar diagnostiku, tulkojumiem vai garīgi izaicinošu aprēķinu veikšanu, efektīvi palielinot mazas komandas efektivitāti. Galvenais secinājums ir tāds, ka MI paplašina kosmosa sistēmu iespējas, ļaujot misijām būt ambiciozākām un pielāgoties spējīgākām nekā jebkad iepriekš.

MI izmantošanas izaicinājumi kosmosā

Lai arī ieguvumi ir ievērojami, MI izmantošana kosmosa vidē rada būtiskus izaicinājumus un ierobežojumus:

Aprēķinu ierobežojumi (jauda, apstrāde, atmiņa): Kosmosa kuģiem ir ierobežoti elektroapgādes resursi un parasti pieticīga apstrādes aparatūra salīdzinājumā ar uz Zemes bāzēto skaitļošanu. Augstas veiktspējas procesori rada arī siltumu, kas vakuumā ir jāatdzesē. Mākslīgā intelekta algoritmu (īpaši dziļo neironu tīklu) darbība var būt aprēķinu un enerģijas ziņā ļoti prasīga. Izaicinājums ir radīt pietiekami vieglu MI vai nodrošināt lielāku skaitļošanas jaudu uz kuģa, nepārsniedzot izmēra/svara/jaudas ierobežojumus. Ir panākts zināms progress (kā minēts attiecībā uz jauniem procesoriem), taču kosmosa kuģu procesori joprojām ievērojami atpaliek no modernākajiem serveriem. Inženieriem rūpīgi jālīdzsvaro MI uzdevumu intensitāte pret enerģijas patēriņu – piemēram, attēlu apstrādes MI var darboties tikai tad, kad kosmosa kuģis atrodas saulē, izmantojot saules enerģiju, un pāriet gaidstāves režīmā, kad tas ir ēnā. Sentinel-2 uz kuģa izvietotā MI eksperimenta komanda norādīja, ka zemes apstrādes procesu atkārtošana orbītā ir “aprēķinu ziņā intensīva un grūti izpildāma ar ierobežotajiem borta resursiem” sentinels.copernicus.eu. Komandai nācās izstrādāt energoefektīvus algoritmus un pat pielāgotu zema latentuma reģistrācijas metodi, lai tas būtu iespējams sentinels.copernicus.eu sentinels.copernicus.eu. Tas uzsver, cik svarīgs kosmosā ir ikviens CPU cikls un vats. Turklāt atmiņas apjoms ir ierobežots – uz Zemes simtiem MB apjomīgi MI modeļi ir jāsamazina vai jākvantē līdz dažiem MB, lai tie ietilptu kosmosa kuģa atmiņā. Īsumā – kosmosa vide piespiež MI inženierus optimizēt darbu maksimālai efektivitātei, un ne katru MI algoritmu var vienkārši ieviest, neveicot būtisku vienkāršošanu.
Starojums un uzticamība: Kosmoss ir skarba starojuma vide, īpaši ārpus Zemes zemās orbītas. Augstas enerģijas daļiņas var izraisīt bitu pārrakstīšanu vai bojājumus elektroniskajos ķēdēs – parādība, ko sauc par vienreizējiem notikumu traucējumiem. Tas ir problemātiski AI aprēķiniem, jo apgrieztais bits neironu tīkla svarā vai procesora reģistrā var novest pie nepareiziem lēmumiem vai pat sistēmas avārijas. Pretstarojuma procesori to mazina ar īpašiem risinājumiem (piemēram, kļūdu labošanas atmiņa, rezerves ķēdes), taču tie nevar pilnībā novērst šo problēmu un bieži atpaliek veiktspējā. Tāpēc būtisks izaicinājums ir nodrošināt, ka AI sistēmas ir kļūdu panesīgas. Izstrādātājiem ir jāievieš kļūdu noteikšana (piemēram, rezultātu saprātīguma pārbaudes) un drošas kļūmes mehānismi – piemēram, ja AI iznākums ir dīvains vai modelis kļūst nereaģējošs, kosmosa kuģim jāatgriežas drošajā režīmā vai jāizmanto vienkāršākas vadības likumi. Paši AI algoritmi var prasīt redundanci; pētnieki ir pētījuši ansambļu modeļus vai vairākuma balsošanas loģiku, lai viens bitu pārrakstījums katastrofāli nemainītu iznākumu. AI programmatūras testēšana starojuma apstākļos (piemēram, izmantojot augstas enerģijas daļiņu starus laboratorijās) tagad ir svarīga validācijas sastāvdaļa. Ierobežojums attiecas arī uz aparatūras paātrinājumu: daudzi komerciālie AI paātrinātāji (GPU, TPU) nav izturīgi pret starojumu. Projekti kā NASA PULSAR eksperiments testē COTS (komerciālas plauktu preces) AI aparatūru zemās orbītās, bet jebkurai dziļas kosmosa misijai, visticamāk, vajadzēs specializētus čipus. Kopumā līdzsvara panākšana starp AI aprēķināmajiem vajadzībām un prasību pēc izturīgas, pret starojumu drošas darbības ir būtisks tehnisks šķērslis kosmosa AI attīstībai.
Verifikācija un uzticība: AI sistēmas, īpaši tās, kas balstītas uz mašīnmācīšanos, var būt “melnās kastes”, kuru izturēšanos visos scenārijos nav viegli paredzēt. Kosmosa misijām jābūt ārkārtīgi uzticamām – satelītu nav viegli pārstartēt vai nekavējoties iejaukties, ja tas pieņem sliktu lēmumu 100 miljonu kilometru attālumā. Tāpēc jebkuram autonomanam AI ir jābūt rūpīgi pārbaudītam un validētam. Tas ir sarežģīti, jo stāvokļu telpa (visi iespējamie gadījumi) autonomajā navigācijā ir milzīga, un ML sistēmas ārpus apmācības datu kopas var uzvesties neparedzami. Pastāv malu gadījumu izraisītu kļūdu risks – piemēram, attēlanalīzes AI var kļūdaini interpretēt savādus sensoru artefaktus kā īstas pazīmes un pieņemt nepareizu lēmumu. Uzticības iegūšana AI lēmumiem ir izaicinājums; operatori saprotami piesardzīgi nodod kontroli AI. Kosmiskās nozares pārstāvji izstrādā jaunus AI validācijas veidus, piemēram, Montekarlo simulācijas ar tūkstošiem nejaušu scenāriju, lai statistiski novērtētu drošību, vai arī formālas verifikācijas paņēmienus vienkāršākiem mācīšanās balstītiem regulatoriem. Vēl viens aspekts ir paskaidrojamība – noteiktām lietojumprogrammām (piemēram, aizsardzība/izlūkošana) lietotājiem jāspēj saprast, kāpēc AI ieteica tieši konkrētu manevru vai atzīmēja noteiktu mērķi fedgovtoday.com. Nodrošināt, ka AI spēj izskaidrot savu loģiku (vai vismaz, ka inženieri var to interpretēt pēc fakta), ir aktīvs pētījumu virziens. Kamēr šie verifikācijas izaicinājumi nav pārvarēti, AI kritiskās lomās var būt ierobežots vai prasīt cilvēka līdzdalību kā rezerves risinājumu. Tas ir tikpat ļoti organizatorisks un procesu, kā tehnoloģisks izaicinājums: tas nozīmē ieviest jaunus standartus un sertifikācijas procesus kosmosa AI, līdzīgi, kā tiek sertificēta lidojumu programmatūra.
Saziņas un atjaunināšanas ierobežojumi: Kad kosmosa kuģis ir palaists, tā programmatūras vai mākslīgā intelekta modeļu atjaunināšana var būt sarežģīta, īpaši misijās ārpus Zemes orbītas. Atšķirībā no ierīcēm uz Zemes ar pastāvīgu interneta pieslēgumu, kosmosa objektiem ir pārtraukta, zemas joslas platuma saite. Piemēram, liela jauna neironu tīkla augšupielāde uz Marsa roveru dziļās kosmosa tīklam var prasīt vairākas stundas vērtīgo saziņas laiku. Turklāt, ja atjaunināšanas procesā kaut kas noiet greizi, nav viegli to atsaukt, neriskējot ar visu misiju. Tas rada izaicinājumus AI sistēmu uzturēšanā aktuālā līmenī ar jaunākajiem datiem vai metodēm. Revolucionārs jauns ML modelis izstrādāts pēc palaišanas? Iespējams, to nav praktiski ieviest, ja vien misija nav īpaši izstrādāta elastīgām augšupielādēm (kā to plāno Φsat-2, esa.int). Lielākā daļa misiju būs atkarīgas no tiem AI, kas tika uzsākti kopā ar kuģi, kā rezultātā rodas spiediens “izdarīt pareizi” un nodrošināt robustumu jau sākumā. Ierobežotās konektivitātes dēļ, ja AI sastopas ar situāciju ārpus tā apmācības, tas ne vienmēr var nekavējoties lūgt palīdzību vai papildus datus. Šī iemesla dēļ planetārie roveri joprojām tiek rūpīgi pārraudzīti – ja roveram esošais AI nav pārliecināts par konkrētu akmeni, dati parasti tiek nosūtīti uz Zemi, lai to analizētu zinātnieki, nevis riskētu pieņemt nepareizu lēmumu. Ar laiku uzlabota sakaru infrastruktūra (piemēram, lāzera sakaru releji) un mācīšanās uz vietas varētu šo ierobežojumu mazināt, taču šobrīd šis izaicinājums ir reāls.
Ētiskie un drošības apsvērumi: Mākslīgajam intelektam arvien vairāk pārņemot lēmumu pieņemšanu kosmosā, rodas jautājumi par ētiskajām robežām un drošības mehānismiem. Piemēram, aizsardzības misijās, ja MI identificē satelītu kā naidīgu un varbūt pat ierosina pretpasākumus, jānodrošina stingra cilvēku uzraudzība, lai novērstu nevēlamu eskalāciju – būtībā kosmiskā analogs autonomo ieroču debatēm. Civilajās misijās jāpārliecinās, ka MI vienmēr prioritizē kosmosa kuģa drošību; nevēlamies, lai MI piespiež sistēmu pārkāpt drošus limitus zinātnisku rezultātu vārdā. Pastāv arī MI aizspriedumu risks – ja MI ir apmācīts ar noteiktu Zemes attēlu informāciju un nokļūst pavisam citā kontekstā (piemēram, citā klimatā vai ainavā), rezultāti var būt aizspriedumaini. Astronomijā zinātniekiem jānodrošina, lai MI algoritmi (piemēram, eksozvaigžņu atklāšanā vai kosmisko notikumu noteikšanā) būtu labi izprasti, lai nejauši neieviestu aizspriedumus atklājumos. Šie izaicinājumi nozīmē, ka MI uzdevumi ir rūpīgi jāpārdomā un jāuzrauga. Daudzas misijas ievieš pakāpenisku autonomiju – MI var patstāvīgi pieņemt tikai nelielus, zema riska lēmumus, bet viss, kas saistīts ar misijas kritiski svarīgiem vai potenciāli bīstamiem lēmumiem, prasa apstiprinājumu no Zemes vai vismaz iespēju iejaukties cilvēkam.

Kopsavilkumā, MI ieviešana kosmosā nav vienkārša. Tas prasa visaugstākā līmeņa inženieriju, lai izveidotu sistēmas, kas ir efektīvas, robustas un uzticamas tik ekstremālai videi kā kosmoss. Misijas bieži sāk ar piesardzīgu MI pielietojumu (lēmumu atbalsts, konsultatīvās lomas, vai daļēji autonomi režīmi) un tikai pakāpeniski paplašina autonomiju, pieaugot pārliecībai. Neskatoties uz to, virziens ir uz šo izaicinājumu pārvarēšanu, izmantojot uzlabotas tehnoloģijas (piemēram, radiācijas izturīgus MI procesorus) un metodes (labāka verifikācija, testēšana orbītā).

Nākotnes tendences un pētniecības virzieni

Tuvākajos gados MI loma kosmosa sistēmās tikai padziļināsies. Galvenās tendences un pētniecības jomas ietver:

Ar Mākslīgo intelektu vadīta kosmosa izpēte: Mākslīgais intelekts būs nākamās paaudzes izpētes misiju centrā. Topošie roboti izpētnieki – vai tie būtu Marsa braucēji, Mēness roboti vai tālās kosmosa zondes – sagaidāms, ka tiem būs arvien lielāka autonomija. NASA Dragonfly rotorplānam (kas paredzēts Titāna izpētei 2030. gados) būs nepieciešams mākslīgais intelekts, lai orientētos Titāna nezināmajā reljefā un atmosfērā, būtībā pašam pilotējot sevi apkārt Saturna mēnesim uz dažādām zinātniskās izpētes vietām. Līdzīgi arī nākotnes Marsa misijas (piemēram, paraugu atgūšanas braucēji) visticamāk izmantos mākslīgo intelektu, lai autonomi satiktos ar paraugu konteineriem vai pieņemtu zinātniskus lēmumus par to, kurus paraugus savākt. Gatavojoties cilvēku misijām uz Marsu, mākslīgais intelekts palīdzēs apkalpei ar dzīvojamo moduļu pārvaldību, virsmas navigāciju un reāllaika zinātnisko analīzi (jo astronauti nevar būt eksperti visās jomās, mākslīgā intelekta palīgs varētu palīdzēt identificēt ģeoloģiskās iezīmes vai meklēt dzīvības pazīmes datos). Ar mākslīgo intelektu vadīta zinātne ir liela tēma: kosmosa kuģi arvien vairāk interpretēs datus uz vietas, lai izlemtu, kas ir interesants, nevis tikai vāks datus un sūtīs tos uz zemi. Pētnieki izmanto terminu “zinātniskā autonomija” – kosmosa kuģis, kas zina, ko meklēt, un var pielāgot savu misiju, lai turpinātu aizraujošus atklājumus arī bez ilgstošas saziņas ar Zemi nas.nasa.gov. Starpplanētu misijas izmantos arī mākslīgo intelektu kļūdu pārvaldībai skarbajos kosmosa apstākļos, kur ātra atveseļošanās var nozīmēt atšķirību starp misijas turpinājumu vai zaudēšanu. Pastāv pat vīzija par ar mākslīgo intelektu vadītu izpēti, kas varētu darboties vidēs, kas ir pārāk bīstamas cilvēkiem vai tradicionālajām zondēm – piemēram, nākotnes Eiropas kriobots (ledus caurdurošs robots) ar mākslīgo intelektu varētu patstāvīgi meklēt mikrobu dzīvību apakšzemes okeānos un uz vietas lemt, kurus paraugus analizēt. Kopumā mākslīgais intelekts tiek uzskatīts par būtisku iespējotāju tālākai un ātrākai izpētei – iespējot vairāk zinātnes ar mazāku tiešo kontroli. Kosmosa aģentūrām ir skaidras ceļvežu kartes šim nolūkam (piemēram, NASA 2040. gada Mākslīgā intelekta izpētes stratēģija captechu.edu), kas paredz mākslīgo intelektu kā “inteliģentu līdzpilotu” cilvēku izpētniekiem un autonomu aģentu – robotiskajiem izpētniekiem.
Autonomas satelītu zvaigznāji un mega-zvaigznāji: Pieaugot aktīvo satelītu skaitam, šo flotu pārvaldība ārkārtīgi paļausies uz mākslīgo intelektu un automatizāciju. Visticamāk, mēs redzēsim ar mākslīgo intelektu darbināmus zvaigznājus, kur satelīti koordinējas caur savstarpējām saitēm un pieņem kolektīvus lēmumus. Sakaru zvaigznājos tas varētu nozīmēt dinamisku datu maršrutēšanu caur tīklu atkarībā no noslogojuma vai to, ka satelīti automātiski pielāgo savu jaudu un frekvences, lai minimizētu savstarpējos traucējumus (telpas bāzēts mākslīgā intelekta vadītas tīkla optimizācijas pielietojums). Zemes novērošanas zvaigznājos satelīti varētu dalīties ar informāciju par mērķiem – ja viena satelīta mākslīgais intelekts atklāj kaut ko (piemēram, meža ugunsgrēku), tas varētu brīdināt pārējos pārvirzīties un iegūt papildu novērojumus, to visu darot autonomi. Zvaigznājiem būs jāspēj autonomi uzturēt arī savu orbitālo izkārtojumu; mākslīgais intelekts var palīdzēt ar nepārtrauktu formāciju lidošanu, noturot satelītus precīzās relatīvās pozīcijās (kā, piemēram, ESA gaidāmajā Proba-3 divu satelītu misijā, kur tiks testēta precīza formācijas lidošana, iespējams, ar MI vadību). Mega-zvaigznāju gadījumā zemas Zemes orbītā (desmitiem tūkstošu satelītu, kā Starlink, OneWeb, Amazon’s Kuiper), sadursmju novēršana un satiksmes koordinācija kļūst par milzīgu uzdevumu – šeit, visticamāk, mākslīgais intelekts kļūs par Kosmosa satiksmes vadības sistēmu pamatu, izsekojot katru satelītu un veicot manevrus, lai sadursmes novērstu globāli koordinētā veidā, neizraugot vienu satelītu kursā ar citu. Sagaidāms arī vairāk starp-satelītu MI: sadalīti mākslīgā intelekta algoritmi, kas darbojas vairākos satelītos, lai kopīgi risinātu problēmas (kā decentralizēts neironu tīkls kosmosā). Piemēram, satelītu kopums varētu kolektīvi apstrādāt attēlu, katrs veicot daļu uzdevuma, vai izpildīt sadalītu sensoru uzdevumu, kur katrs satelīts ar MI apstrādā daļu no lielāka aprēķina (piemēram, 3D struktūras kartēšana no dažādiem skatpunktiem). Būtībā tendence virzās no atsevišķiem viediem satelītiem uz viediem bara veida zvaigznājiem. Tas pārveidos mūsu skatījumu uz misijām – viena satelīta vietā uz vienu misiju, mums būs ar MI koordinēti zvaigznāji, kas sasniedz misijas mērķus kā vienota sistēma. Aizsardzības progresīvo pētījumu aģentūra (DARPA) un citas aktīvi eksperimentē šajā jomā (piemēram, DARPA System-of-Systems pieeja kosmosam). Lai to īstenotu, būs nepieciešama uzticama satelītu savstarpējā komunikācija un standartizēti protokoli, lai satelīti varētu sazināties un domāt kopā. Rezultāts varētu būt uzlabota noturība (ja viens satelīts pārstāj darboties, citi kompensē), reāllaika globālā pārklājuma iespējas ar inteliģentu pārvirzi un mazāka nepieciešamība cilvēku iesaistei rutīnas pārvaldībā.
Cilvēka un mākslīgā intelekta sadarbība kosmosā: Cilvēku kosmiskās lidošanas jomā tiek gaidīts, ka mākslīgais intelekts ieņems arvien lielāku lomu kā apkalpes palīgs un misijas partneris. Nākotnes kosmosa kuģos un apdzīvojamās stacijās (tādās kā Artemis Mēness bāzei vai Marsa tranzīta kuģim) visticamāk tiks izmantotas MI sistēmas, kas pārvaldīs dzīvības nodrošinājuma sistēmas, optimizēs enerģijas un siltuma izmantošanu, kā arī noteiks sistēmu anomālijas – būtībā, tas būs “autopilots” apdzīvojamai videi, kas veiks ikdienišķus vai kritiski svarīgus pastāvīgus uzdevumus, lai astronauti varētu vairāk koncentrēties uz izpēti. Jau agrīnu piemēru redzējām ar CIMON SKS (Starptautiskajā kosmosa stacijā), un nākotnē varētu būt vēl attīstītākas sarunspējīgas MI, kas varētu atbildēt uz astronautu jautājumiem (“Kā man novērst šo gaisa filtra problēmu?” piesaistot instrukciju rokasgrāmatas) vai pat sniegt medicīniskus padomus, salīdzinot simptomus ar medicīnas datu bāzi. NASA strādā pie virtuālo palīgu konceptiem (piemēram, ESA’s Analog-1 eksperimenti testēja dažādas cilvēka-robota mijiedarbības iespējas, un NASA Cilvēka izpētes programma pēta aģenta tipa atbalstu izolācijā). Līdz 2030. gadiem astronautiem dziļās kosmosa misijās varētu būt MI pavadonis, kas uzraudzīs viņu kognitīvo un emocionālo stāvokli (palīdzot mazināt psiholoģiskos izaicinājumus ilgstošām misijām) un darbosies kā starpnieks ar Zemi, apkopo saziņu vai veic rutīnas pārbaudes. Teleoperācija ir vēl viena joma – astronauti varētu izmantot MI, lai attālināti vadītu roverus vai dronus uz planētas virsmas (MI varētu nodrošināt autonomu stabilizāciju vai šķēršļu apiešanu, padarot astronauta darbu vieglāku). Būtībā, MI paaugstinās cilvēka darba ražīgumu un drošību: ja astronauts veic sarežģītu remontu, MI var uzraudzīt, lai neviens solis netiktu izlaists, pielāgot apkārtējās vides parametrus vai pat sinhroni vadīt otru robotizētu roku. Šāda sadarbība bieži tiek saukta par “kognitīvo automatizāciju” – MI pārņem procedūru un problēmu risināšanas smagāko kognitīvo daļu, savukārt cilvēks to vada. Konkretā, tuvākajā nākotnē paredzamā piemērs ir NASA plāns izmantot Alexa balss asistenta tehnoloģiju (no Amazon), kas pielāgota kosmosa vajadzībām un tika demonstrēta (ierobežotā veidā) Orion kuģī Artemis I laikā. Nākotnes versijas varētu sasaistīties ar kuģa sistēmām – astronauts varētu teikt “Dators, pārbaudi mūsu saules paneļu stāvokli,” un MI apkopotu telemetriju un sagatavotu atbildi. Gala mērķis ir padarīt apkalpes misijas autonomākas no Zemes, kas ir obligāti, dodoties tālāk (jo gaismas ātruma aizture un sakaru pārtraukumi nozīmē, ka apkalpei jāspēj paļauties uz sevi). Cilvēkiem drošiem MI risinājumiem būs jāiziet plaši testi un validācija, taču progress patērētāju MI asistentos un robotikā arvien vairāk tiek izmantots kosmosa pielietojumos.
AI starpplanētu un dziļo kosmosa misijām: Tā kā misijas dodas tālāk (uz Marsu, asteroīdiem, ārējām planētām un vēl tālāk), mākslīgais intelekts kļūst ne tikai noderīgs, bet bieži arī būtisks. Viens no galvenajiem iemesliem ir komunikācijas aizkave – uz Marsu vienvirziena gaismas pārvietošanās laiks ir 4–20 minūtes; uz Jupiteru tas pārsniedz 30 minūtes. Kosmosa kuģi pie Jupitera vai Saturna nevar vadīt no Zemes ar tālvadību tiešsaistē. Tādēļ nākotnes dziļā kosmosa zondes būs atkarīgas no mākslīgā intelekta navigācijai (optiskā navigācija, izmantojot pavadoņus vai zvaigznes, automatizēta šķēršļu apiešana nolaišanās brīžos), zinātniskajai autonomijai (piemēram, izvēlēties, kurus paraugus savākt uz komētas vai kā pielāgot orbītu, lai labāk novērotu kaut ko interesantu), kā arī kļūdu pārvaldībai uz vietas (jo, ja nākas gaidīt stundu, lai pajautātu Zemei, kā rīkoties, var zaudēt visu misiju). Projektos, piemēram, NASA ierosinātajā Europa Lander jau ir skatīti AI balstīti mērķu izvēles risinājumi – nolaišanās pie interesantiem objektiem un pēc tam pašas nolaišanās platformas AI nosaka, kurus ledus paraugus izkausēt un analizēt, lai meklētu biopazīmes, balstoties uz sensoru datiem. Turklāt autonomas zondes kopas varētu izpētīt tādas vides kā Saturna gredzenus vai Marsa alas; šo zvārstmiju vadīšanai lielā attālumā no Zemes būs nepieciešama vietēja bāzēta AI kontrole. Arī dziļā kosmosa tīkla grafiku plānošana varētu izmantot AI, lai optimāli sadalītu komunikācijas laiku starp daudzām attālām misijām, īpaši, palielinoties zondēm. Vēl viens progresīvs jēdziens ir zinātnisko secinājumu veikšana uz vietas: iedomājieties tādu teleskopu kā JWST vai nākotnes kosmisko observatoriju, kas izmanto AI, lai reāllaikā konstatētu pārejošu notikumu (piemēram, pārnovu vai gamma uzliesmojumu) savos datos un tad autonomi pārorientētos vai mainītu novērojumus, lai to fiksētu – būtībā nosakot notikumu un veicot sekojošus mērījumus uz vietas, negaidot cilvēka norādījumus. Tas varētu ievērojami palielināt zinātnisko atdevi, jo ļautu reaģēt ātrāk nekā ar cilvēka iesaisti, īpaši īslaicīgos notikumos. Visticamāk, AI tiks izmantots arī trajektoriju plānošanā sarežģītiem lidojumiem ar vairākiem gravitācijas manevriem vai orbītas noturēšanai nestabilos punktos (piemēram, Gateway orbīta ap Mēnesi) – uzdevumiem, kur meklējamo iespēju apjoms ir milzīgs un AI var efektīvi optimizēt risinājumus. Kopsavilkumā: jo tālāk un ilgāk misijas dodas, jo vairāk tām jāpaļaujas uz viedu borta intelektu, padarot dziļā kosmosa izpēti un AI attīstību savstarpēji cieši saistītus.
AI satelītu zvaigznājos & mega-zvaigznājos: (Apskatīts iepriekš autonomajos zvaigznājos, bet šeit sīkāk par mega-zvaigznājiem). Ar desmitiem tūkstošu satelītu, kas nodrošina nepārtrauktu globālu platjoslas pārklājumu (Starlink u.c.), manuāla vadība nav iespējama. Nākotnes mega-zvaigznāji, visticamāk, izmantos augstu centralizētas un izkliedētas AI pakāpi. Centralizētā AI (uz zemes serveriem) analizēs visa tīkla stāvokli un izsniegs augsta līmeņa pielāgojumus (piemēram, satelītu pārvietošanu starp orbītas plaknēm, lai samazinātu pārslodzi, vai optimizētu zemes staciju nodošanas, balstoties uz prognozētu lietotāju pieprasījumu). Izkliedētā AI (uz borta) ļaus satelītiem lokāli vienoties par spektra izmantošanu un kopīgi izvairīties no sadursmēm. Federatīvā mācīšanās ir jēdziens, kas varētu tikt pielietots – satelīti varētu lokāli apmācīt mazus modeļus uz orbītas datiem un dalīties atziņās ar centrālo sistēmu, katram nevajadzot pilnus datu kopumus, tā kopīgi uzlabojot reakciju uz kosmosa laikapstākļiem vai vilkmes kompensācijas stratēģijas. Vēl viena tendence ir “gudro kravu” koncepcija: piemēram, attēlveidošanas zvaigznājos, kur katra satelīta kameras signāls tiek analizēts uz vietas ar AI, lai tikai būtiski notikumi tiktu pārraidīti. Pieaugot attēlveidošanas satelītu skaitam, tas būs būtiski, lai neapgrūtinātu analītiķus uz zemes ar liekiem attēliem. Jau pašlaik uzņēmumi pēta AI izvietošanu zvaigznāja “malā” šī iemesla dēļ (piemēram, Satellogic un citi runā par attēlu pirmapstrādi uz orbītas). Sakaru zvaigznājos AI varētu pārvaldīt starpsatelītu lāzera sakarus – dinamiski pārkonfigurējot tīkla topoloģiju, lai apietu traucējumus vai samazinātu aizturi konkrētā reģionā pīķa laikā. Būtībā mega-zvaigznāji darbosies kā milzīgas izkliedētas mašīnas, un AI būs operētājsistēma, kas tās darbinās. Ir arī jauna tendence par kosmosa satiksmes koordināciju starp dažādiem zvaigznājiem – varbūt neitrālas AI sistēmas varētu mediēt, piemēram, starp Starlink un cita uzņēmuma zvaigznāju, lai nodrošinātu to nesadzīšanos un drošu orbītas slotu izmantošanu. Regulatori, piemēram, FCC un starptautiskās institūcijas, nākotnē varētu pieprasīt noteiktas autonomas koordinācijas spējas satelītos, lai pārvaldītu šo daudzdalībnieku vidi. Tas viss norāda uz nākotni, kur Zemes orbītas telpa būs aktīva, pašpārvaldoša satelītu ekosistēma – “Kosmosa Lietu Internets” – ar AI kā līmi, kas to satur kopā.
Kvantu Datori un Mākslīgais Intelekts kosmosā: Lai gan tas vēl ir agrīnā stadijā, kvantu datoru un mākslīgā intelekta apvienošana (“Kvantu MI”) nākotnē varētu būt izšķiroša pārmaiņa kosmosa tehnoloģijās. Kvantu datori noteiktus uzdevumu tipus spēj atrisināt daudz ātrāk nekā klasiskie datori – piemēram, optimizācijas uzdevumus, šifrēšanu/atšifrēšanu un paraugu atpazīšanas darbus. Ja kvantu procesorus varēs pielāgot darbam kosmosā, kosmosa kuģi varētu aprīkot ar mazu kvantu koprocesoru, lai paātrinātu MI algoritmus vai veiktu ļoti ātru datu analīzi. Viena no potenciālajām pielietojuma jomām ir kvantu uzlabota mašīnmācīšanās: kvantu dators varētu apstrādāt daļu no neironu tīkla aprēķiniem vai palīdzēt efektīvāk apmācīt modeļus, tādējādi ļaujot sarežģītākiem MI modeļiem darboties ierobežotu resursu apstākļos nstxl.org. Vēl viena nozare ir sakaru drošība – kvantu skaitļošana varētu stiprināt satelītu sakaru šifrēšanu (kvantu atslēgu sadale jau tiek testēta ar satelītiem), savukārt MI palīdzētu pārvaldīt kvantu sakaru kanālu unikālo trokšņu un kļūdu raksturlielumus. Zemes atbalsta jomā tādas organizācijas kā NASA un ESA pēta kvantu datoru izmantošanu, piemēram, misiju plānošanā un kosmosa datu apstrādē uz Zemes; kvantu optimizācija varētu uzlabot maršrutu plānošanu starpplanetārajiem lidojumiem vai atrisināt tūkstošiem novērojumu grafiku mega-konstelācijas ietvaros tā, kā to nevarētu izdarīt klasiskie datori saprātīgā laikā nstxl.org kroop.ai. IBM un citi jau ir uzsākuši sadarbību (IBM ir Kvantu Tīkls, kurā, piemēram, CERN un vairākas kosmosa aģentūras piedalās, lai izpētītu to pielietojumu iespējas). Ir reāli, ka tuvāko desmit vai divdesmit gadu laikā daži satelīti (īpaši militārie vai lieli tālo kosmosa misiju zondes) varētu tikt aprīkoti ar radiācijas noturīgiem kvantu procesoriem specializētiem uzdevumiem – pat ja tikai uzlabotai šifrēšanai vai augstas precizitātes fizisko parādību simulēšanai. Papildus, kvantu sensori (piemēram, kvantu gravimetri vai pulksteņi), kas ģenerē datus, varētu izmantot MI šo datu interpretēšanai – joma, ko sauc par kvantu uzlabotu MI sensoriku. Lai gan kvantu skaitļošana kosmosā joprojām ir eksperimentāla, tiek prognozēta konverģence: kvantu MI varētu sekundēs pabeigt milzīgus aprēķinus trajektoriju izstrādē vai kosmosa kuģu simulācijās, kā arī atklāt jaunas iespējas, piemēram, lielu tīklu reāllaika optimizāciju un šobrīd neatrisināmu kodu atšifrēšanu nstxl.org. Pirmie soļi jau tiek sperti (Ķīna palaidusi kvantu zinātnes satelītus, un komerciālie uzņēmumi palaiž superatdzesētas sistēmas, lai testētu komponentes mikrogravitācijā). Rezumējot, kvantu tehnoloģijas nākotnē varētu revolucionāri uzlabot MI kosmosā, un savukārt MI palīdzēs izmantot kvantu efektus – virzot nākamo augstas veiktspējas skaitļošanas laikmetu ārpus Zemes. Pagaidām tas ir nākotnes virziens, kam vērts pievērst uzmanību, jo notiek plaši pētniecības un izstrādes darbi.
Uzlabotās mākslīgā intelekta tehnikas: ģeneratīvais dizains, digitālie dvīņi un citi: Vēl viens nākotnes virziens ir MI izmantošana ne tikai darbībā, bet arī kosmosa sistēmu projektēšanā un testēšanā. Ģeneratīvā dizaina algoritmi, ko vada MI, var autonomi izveidot optimālas kosmosa kuģu konstrukcijas vai komponentus, izpētot plašu dizaina variantu klāstu (noteiktu ierobežojumu ietvaros) – NASA jau ir izmantojusi ģeneratīvo MI, lai izstrādātu labākas antenu formas un vieglas struktūras kosmosa kuģiem nstxl.org. Šī tendence, visticamāk, pieaugs, ļaujot ātrāk izstrādāt aparatūru, kas ir optimizēta veiktspējai. Digitālie dvīņi – virtuālas kosmosa kuģu vai pat Zemes kopijas – arī ir uzmanības centrā. Tādi uzņēmumi kā Lockheed Martin un NVIDIA veido MI darbinātus Zemes vides digitālos dvīņus, lai simulētu klimata un orbitālās situācijas nvidianews.nvidia.com developer.nvidia.com. Kosmosa kuģiem digitālais dvīnis, kas tiek atjaunināts reāllaikā ar telemetriju un MI analītiku, var prognozēt kosmosa kuģa veselības problēmas vai simulēt manevrus pirms to izpildes, uzlabojot drošību. NASA un ESA investē šajās ar MI darbinātajās simulācijas vidēs kā daļu no misiju vadības. Visbeidzot, raugoties tālāk nākotnē, ir interese par pašbraucošiem kosmosa kuģiem (pilnībā autonomu misiju izpildi) un pat pašatjaunojošām sistēmām, kur MI varētu vadīt robotus vai 3D printerus, lai salabotu bojājumus kosmosa kuģos bez cilvēku iejaukšanās. Šo ideju aizmetņi jau ir redzami tagad (piemēram, SKS ir 3D printeri, un mēs esam redzējuši pirmos robotizētās uzpildīšanas eksperimentus – pievienojiet MI un kādu dienu satelīts varētu autonomi aizlāpīt mikrometeorīda caurumu savā saules panelī). Šādas spējas veicina ilgtermiņa misiju (piemēram, vairāku gadu ceļojumu vai pastāvīgu Mēness bāžu) koncepcijas, kur autonomija ir būtiska. Katrs no šiem virzieniem – no dizaina līdz dzīves cikla beigām – parāda, ka MI kļūst arvien būtiskāka kosmosa sistēmu dzīves ciklā.

Kopsavilkumā nākotnē MI pārveidosies no palīga par neatņemamu kosmosa arhitektūras pamatu. Mums būs gudrāki, neatkarīgāki un sadarboties spējīgāki kosmosa kuģi, kas ļaus īstenot ambiciozus projektus, piemēram, ilgstošas Mēness bāzes, pilotētas Marsa ekspedīcijas un milzīgas Zemes apkalpojošas satelītu konstelācijas – visus šos projektus vadīs attīstīts MI, kuru tikai tagad sākam izstrādāt. Kā norādīts vienā nozares ziņojumā, “nākotne ir MI integrēšana ar kvantu skaitļošanu, risinot sarežģītas problēmas un uzlabojot misiju iespējas tālu pāri tam, kas iespējams šodien” medium.com. Nākamās desmitgades šo prognozi, visticamāk, apstiprinās aizraujošā veidā.

Galvenie dalībnieki un ieguldītāji MI un kosmosa jomā

Plaša organizāciju ekosistēma veicina progresu šajā MI un kosmosa krustpunktā:

Nacionālās kosmosa aģentūras: NASA un ESA vada daudzas AI-kosmosa iniciatīvas. NASA Jet Propulsion Laboratory (JPL) un Ames Research Center vēsturiski ir vadījuši AI izmantošanu misijās (Remote Agent, Autonomous Sciencecraft, Marsa robota autonomija u.c.). NASA arī īsteno Frontier Development Lab (FDL) sadarbībā ar akadēmisko vidi un tehnoloģiju uzņēmumiem, lai izmantotu AI kosmosa zinātnes izaicinājumiem nasa.gov. ESA Φ-lab (Phi Lab) ir veltīts AI un digitālajām tehnoloģijām Zemes novērošanai, organizējot tādas programmas kā Orbital AI Challenge jaunuzņēmumiem esa.int esa.int. Nacionālās aģentūras Eiropā (DLR Vācijā, CNES Francijā, ASI Itālijā u.c.) vada savus projektus – piemēram, DLR līdzizstrādāja CIMON, CNES ir AI laboratorija, kas strādā pie satelītattēlu apstrādes un autonomijas, un Lielbritānijas Kosmosa aģentūra finansē AI cubesat eksperimentus. Āzijā arvien aktīvākas ir JAXA Japānā un ISRO Indijā: JAXA ar Epsilon raķetes AI un pētījumiem par autonomajiem zondēm, bet ISRO pēta AI orbitālo gružu izsekošanai un attēlu analīzei (kā arī sadarbojas ar NASA DAGGER geomagnētisko vētru jomā nasa.gov). Ķīnas Nacionālā Kosmosa Administrācija (CNSA) un saistītie Ķīnas institūti ir arī aktīvi ieguldījuši – Ķīnas nesenajām misijām (lunārās zondes, Marsa rovers Zhurong) ir autonomas funkcijas, un Ķīna ir paziņojusi par plāniem izveidot “inteliģentu” mega-konstelāciju un pat AI vadāmas kosmosa saules enerģijas stacijas koncepciju. Lai gan informācija ir ierobežota, Ķīnas universitātes un uzņēmumi (piemēram, Baidu, kas, kā ziņots, strādājis pie kosmosa kuģu AI) noteikti ir nozīmīgi spēlētāji. Rezumējot: lielākās kosmosa aģentūras visā pasaulē atzīst AI nozīmi un iegulda būtiskus resursus pētniecībā un attīstībā, testa misijās un sadarbībās, lai to attīstītu.
Militārās un aizsardzības organizācijas: ASV Space Force un tādas organizācijas kā Air Force Research Laboratory (AFRL) un DARPA ir nozīmīgi ieguldītāji. Iepriekš minētais DARPA Blackjack/Pit Boss projekts ietver līgumslēdzējus, piemēram, SEAKR Engineering un Scientific Systems Company, un DARPA bieži sadarbojas ar vadošajām universitātēm (piemēram, Stenfordas SLAB dokēšanas mākslīgā intelekta jomā space.com, MIT u.c.) progresīvai izpētei. ASV Aizsardzības departaments izveidoja Joint Artificial Intelligence Center (JAIC), kuram ir arī ar kosmosu saistītas MI iniciatīvas, un National Geospatial-Intelligence Agency (NGA) iegulda MI tehnoloģijās satelītu izlūkošanai (pat organizējot konkursus par labākajiem datorredzes algoritmiem satelītattēliem). Space Enterprise Consortium (SpEC), OTA līgumu mehānisms, ir finansējis daudzas mazas kompānijas inovācijām MI un kosmosa jomā nstxl.org – tas norāda uz Aizsardzības departamenta pieeju piesaistīt netradicionālus dalībniekus. NATO un Eiropas aizsardzības aģentūrām arī ir programmas – piemēram, Apvienotās Karalistes Defence Science and Technology Lab (DSTL) rīko “kosmosa MI hakatonus”, Francijas militārās kosmosa pavēlniecība pēta MI izmantošanu kosmosa novērošanā. Šie aizsardzības dalībnieki ne tikai finansē tehnoloģijas, bet arī palīdz izstrādāt standartus uzticamam MI kritiskās sistēmās. Viņu prasības (drošība, uzticamība) bieži virza progresu, kuram MI sistēmām ir jāatbilst.
NewSpace jaunuzņēmumi un tehnoloģiju uzņēmumi: Dinamisks jaunuzņēmumu kopums paplašina iespējas konkrētās kosmosa mākslīgā intelekta nišās.

Planet Labs

fedgovtoday.com

Orbital Insight

Descartes Labs

LeoLabs

nstxl.org

Cognitive Space

aws.amazon.com

Ubotica Technologies

Hypergiant Industries

Relativity Space

nstxl.org

SkyWatch

Advanced Navigation

Kitty Hawk (BlackSky)

Starlink (SpaceX)

OneWeb

Kuiper (Amazon)

Satelītu ražotāji

Satellogic

Terran Orbital

universitātes un pētniecības laboratorijas

space.com

Ventures

SCIENTIA

Izcili aviācijas un kosmosa uzņēmumi: Tradicionālie aviācijas un kosmosa giganti, piemēram, Lockheed Martin, Airbus Defence & Space, Boeing, Northrop Grumman un Thales Alenia Space, arvien vairāk integrē mākslīgo intelektu savos produktos un pakalpojumos. Lockheed Martin darbojas vairākos virzienos: tā AI Factory iekšējai lietošanai, SmartSat arhitektūra pavadoņiem, kā arī sadarbība ar NVIDIA mākslīgā intelekta digitālo dvīņu un “edge computing” jomā nvidianews.nvidia.com developer.nvidia.com. Airbus izstrādāja CIMON un izmanto mākslīgo intelektu satelītattēlu analīzei (caur savu meitasuzņēmumu Airbus Intelligence), kā arī, visticamāk, iekļaus autonomiju savās nākotnes satelītu platformās. Northrop Grumman (kas ir uzbūvējis daudzus GEO komunikāciju satelītus) publiski ir bijis salīdzinoši klusāks, tomēr uzņēmumam ir autonomas satikšanās programmas (piemēram, MEV apkalpošanas transportlīdzeklis ar autonomas dokēšanas algoritmiem), un, visticamāk, tas ir iesaistīts aizsardzības līgumos autonomām sistēmām. Thales Alenia ir ļoti aktīvs: papildus sadursmju novēršanas mākslīgajam intelektam thalesaleniaspace.com uzņēmums izmanto mākslīgo intelektu satelītu noderīgās slodzes optimizācijai un pēta mākslīgā intelekta pārvaldītas satelītu zvaigznājus. Šie lielie uzņēmumi bieži sadarbojas ar jaunuzņēmumiem un akadēmiskajām aprindām, lai ieviestu jaunas metodes. Viņi arī palīdz noteikt nozares praksi, iekļaujot mākslīgā intelekta iespējas piedāvājumos par jaunām satelītu sistēmām (piemēram, Zemes novērojumu satelīta līgumā tagad var prasīt uz vietas aprīkotu mākslīgo intelektu – uzņēmumi piedāvā savus risinājumus). Vēl viens piemērs ir Raytheon (Blue Canyon Technologies, Raytheon meitasuzņēmums, būvē platformas DARPA projektam “Blackjack”, katrs aprīkots ar Pit Boss mezgliem spacenews.com). Papildus IBM piedalījās ar Watson AI CIMON projektā, kā arī aktīvi interesējas par kosmosa nozari (IBM strādājis arī ar DARPA pie dažiem kosmosa AI projektiem). IBM, Google, Microsoft, Amazon – tehnoloģiju giganti – galvenokārt sniedz ieguldījumu caur sadarbības projektiem: nodrošinot mākoņpakalpojumus vai AI ietvarus kosmosa misijām un reizēm sadarbojoties tieši (Microsoft Azure Orbital, Amazon AWS Ground Station ar AI integrāciju, Google Cloud sadarbībā ar NASA FDL u.c.). Līdz ar kosmosa un tehnoloģiju sektoru saplūšanu, šie lielie uzņēmumi kļūst par nozīmīgiem AI rīku piegādātājiem, pat ja tie paši satelītus neražo.

Būtībā tā ir daudzveidīga ekosistēma: kosmosa aģentūras nosaka lielus misiju mērķus un finansē pētniecību un attīstību, aizsardzības nozare nodrošina impulsu un finansējumu augsta riska lietojumiem, labi izveidoti aerokosmiskie uzņēmumi sniedz ieviešanas jaudu un sistēmu kompetenci, bet veiklās jaunuzņēmumi ienes inovatīvus risinājumus un virza noteiktus segmentus uz priekšu. Sadarbība ir izplatīta – piemēram, NASA vai ESA sadarbojas ar jaunuzņēmumu, lai izstrādātu kravu, vai lielie uzņēmumi iegādājas AI jaunuzņēmumus, lai uzlabotu savas iespējas. Novērojamas arī starpnozaru sadarbības, piemēram, Lockheed Martin + NVIDIA Zemes digitālo dvīņu izstrādē nvidianews.nvidia.com, vai IBM + Airbus + DLR projektā CIMON airbus.com. Šī ekosistēmas pieeja paātrina progresu, nodrošinot, ka sasniegumi komerciālajā AI (piemēram, labāka datorredze) ātri nonāk kosmosa pielietojumos, un otrādi – kosmosa izaicinājumi veicina jaunu AI pētījumu attīstību (piemēram, kā padarīt AI noturīgu pret radiāciju vai ļoti ierobežotiem datiem). Kosmoss kļūstot pieejamākam plašākam lokam, varam sagaidīt arī atvērtā koda AI programmatūras kopienas kosmosa lietojumiem – daži agrīnie piemēri jau ir pieejami GitHub kubsata autonomijai.

Visu šo dalībnieku kopējie centieni strauji attīsta AI izmantošanu kosmosā, pārvēršot to, kas reiz bija zinātniskā fantastika, par operatīvo realitāti. Turpinot sadarbību un inovācijas, nākamā desmitgade, visticamāk, nesīs vēl lielāku izrāvienu – veicinot rutīnas AI autonomiju lielākajā daļā kosmosa misiju.

Secinājumi

Mākslīgā intelekta un satelītu, kā arī kosmosa sistēmu sapludināšana ievada jaunu ēru kosmosa izpētē un izmantošanā. AI ļauj satelītiem redzēt un domāt orbītā – analizēt attēlus, pārvaldīt sarežģītas zvaigznājus un izvairīties no apdraudējumiem ar minimālu cilvēka iesaisti. Kosmosa kuģi, kas dodas uz citām pasaulēm, kļūst arvien pašpietiekamāki, izmantojot AI navigācijai, zinātnes veikšanai un pat pašremontam tālu prom no Zemes. Uz Zemes AI palīdz kosmosa aģentūrām un uzņēmumiem pārvaldīt milzīgo apjomu un sarežģītību mūsdienu kosmosa operācijās – no mega zvaigznājiem līdz pētībait-līmeņa datu analīzei.

Šajā ziņojumā aprakstīts, kā AI tiek izmantots dažādās jomās (no Zemes novērošanas līdz kosmosa kuģu autonomijai), izsekoti tā attīstības posmi pēdējo desmitgažu laikā un apskatīti pašreizējie pielietojumi civilajā, komerciālajā un aizsardzības sektorā. Tāpat ir apspriesti tehnoloģiskie elementi, kas šo padara iespējamu – no specializēta aparatūras līdz moderniem algoritmiem – kā arī ievērojamie ieguvumi (reālā laika lēmumu pieņemšana, efektivitāte, mērogojamība), ko AI sniedz kosmosa sistēmām. Vienlaikus AI ieviešanai kosmosā ir izaicinājumi, kas rūpīgi jāpārvalda: ierobežoti skaitļošanas resursi, skarba vide un nepieciešamība pēc absolūtas uzticamības un paļāvības uz autonomiem lēmumiem. Šo izaicinājumu pārvarēšana ir aktuāls pētniecības un inženierijas uzdevums, un progress šajā jomā notiek pastāvīgi.

Skatoties nākotnē, mākslīgā intelekta loma kosmosā tikai pieaugs. Nākotnes misijas, visticamāk, būs neiespējamas bez mākslīgā intelekta – vai tā būtu tūkstošu satelītu koordinēšana, lai nodrošinātu globālu internetu, vai zondes navigēšana cauri Encelada ledus geizeriem. Mākslīgais intelekts darbosies kā inteliģents līdzatklājējs – tāds, kas var atklāt, pielāgoties un optimizēt kopā ar cilvēku pētniekiem. Tādi jaunās paaudzes risinājumi kā kvantu skaitļošana sola vēl vairāk palielināt mākslīgā intelekta spējas kosmosā, risinot problēmas, kas iepriekš bija nesasniedzamas. Mēs varam sagaidīt gudrākus kosmosa kuģus, kas sadarbojas kā spieti, robotu bāzes uz Mēness un Marsa, kas autonomi sevi apkalpo, un zinātniskos instrumentus, kas darbojas kā MI pētnieki, interpretējot datus uz vietas un meklējot nezināmo.

Kopsavilkumā, mākslīgais intelekts strauji kļūst par kosmosa inovāciju stūrakmeni. Partnerība starp mākslīgo intelektu un kosmosa tehnoloģijām mums ļauj risināt kosmosa plašumu un sarežģītību pilnīgi jaunā veidā. Kā sacīja viens NASA pētnieks: ar mākslīgo intelektu “no tālvadības mēs pārejam uz pašvadāmām” kosmosa misijām – palielinot to ātrumu, veiklību un ambīcijas jpl.nasa.gov nasa.gov. Turpmāka šo jomu saplūšana paplašinās cilvēces iespējas kosmosā, padarot zinātnisko fantastiku par darbības realitāti. Nākotnes kosmosa izpēte un satelītu pakalpojumi tiks būvēti uz inteliģentām sistēmām, kas ļaus mums iet tālāk, rīkoties ātrāk un zināt vairāk nekā jebkad agrāk. Tā ir aizraujoša attīstības trajektorija, kur katrs jaunais sasniegums mākslīgajā intelektā mūs aizved arvien dziļāk Galīgajā robežā, bruņotus ar rīkiem, lai to izprastu un apgūtu kā vēl nekad agrāk.

Avoti: Šajā ziņojumā sniegtā informācija ir iegūta no plaša un aktuāla avotu klāsta, tostarp oficiālām kosmosa aģentūru publikācijām (NASA, ESA, JAXA), nozares ziņu avotiem (SpaceNews, Airbus un Thales preses paziņojumiem) un pētījumu gadījumu izpētēm. Nozīmīgas atsauces ietver NASA paziņojumus par Mākslīgā Intelekta izmantošanu Saules vētru prognozēšanā nasa.gov nasa.gov, ESA dokumentāciju par Φsat eksperimentālajām misijām esa.int esa.int, informāciju par Marsa robota autonomiju no JPL nasa.gov, Thales Alenia ziņojumu par Mākslīgā Intelekta izmantošanu sadursmju novēršanā thalesaleniaspace.com, kā arī NOAA/ASRC Federal ieskatus par Mākslīgā Intelekta izmantošanu satelītu veselības uzraudzībā GOES-R misijā asrcfederal.com asrcfederal.com. Šie un citi citētie avoti nodrošina faktisko pamatu aprakstītajām iespējām un tendencēm, atspoguļojot pašreizējo situāciju 2024.—2025. gadā. Nozare strauji attīstās, taču norādītie piemēri ataino galvenos notikumus Mākslīgā Intelekta un kosmosa sistēmu mijiedarbībā šobrīd.

Tags: kosmoss, mākslīgais intelekts, satelīti

Jaunākie ziņojumi

Mākslīgais intelekts satelītu un kosmosa sistēmās

Ievads Mākslīgais intelekts (MI) arvien ciešāk ir saistīts ar mūsdienu kosmosa tehnoloģijām, ļaujot kosmosa kuģiem un satelītiem darboties autonomāk un efektīvāk nekā jebkad agrāk. Sākot ar palīdzību Marsa roveriem orientēties svešā reljefā, līdz pat milzīgu Zemes novērošanas datu plūsmu apstrāde…

AI Revolution: 48 Hours of Breakthroughs, Battles, and Backlash (July 17–18, 2025)

AI revolūcija: 48 stundas izrāvienu, cīņu un pretreakciju (2025. gada 17.–18. jūlijs)

Galvenie korporatīvie AI paziņojumi un produktu izlaišana Tika atklāts OpenAI ChatGPT aģents, ieviešot personīgā AI asistenta režīmu ChatGPT platformā. OpenAI 17. jūlijā laida klajā ChatGPT “aģentu”, pievienojot spēcīgas jaunas “aģentiskas” iespējas tā populārajam čatbotam reuters.com inkl.com. A…

AirPods Pro 2 vs the World: Best True Wireless Earbuds of 2025 Compared

AirPods Pro 3 baumu apkopojums: veselības sensori, H3 mikroshēma un pārsteidzošs izlaišanas datums

Apple AirPods Pro 3 veidojas kā viens no nozīmīgākajiem Apple austiņu uzlabojumiem pēdējo gadu laikā. Lai gan Apple nav oficiāli paziņojusi par šīm nākamās paaudzes AirPods Pro, vairāki ticami baumu, noplūžu un ekspertu ziņojumi ir izveidojuši spilgtu priekšstatu par to, ko gaidīt. Sākot ar pilnī…

Google Pixel Watch 4: Big Battery Boost, New Features & All the Latest Rumors

Google Pixel Watch 4: Lielāks akumulatora jauninājums, jaunas funkcijas un visi jaunākie baumu

Ievads: Pixel Watch 4 ažiotāža un ko sagaidīt Google Pixel Watch 4 veidojas par vienu no visvairāk gaidītajiem viedpulksteņiem 2025. gadā. Kā Google ceturtās paaudzes valkājamā ierīce, tiek gaidīts, ka tā pilnveidos Pixel Watch formulu ar smalkiem dizaina uzlabojumiem, ilgāku baterijas darbības l…

Samsung Galaxy Buds 3 Pro vs. AirPods, Sony, Bose: Ultimate Earbud Showdown

Samsung Galaxy Buds 3 Pro pret AirPods, Sony, Bose: Augstākais austiņu salīdzinājums

Ievads: Jaunie Galaxy Buds 3 Pro izaicina labākos Samsung Galaxy Buds 3 Pro ir ieradušies, lai izaicinātu vadošos bezvadu austiņu ražotājus, piemēram, Apple, Sony, Bose un citus. Šīs jaunākās flagmaņa austiņas piedāvā jaunu kātiņa dizainu, uzlabotus divus draiverus un ar mākslīgo intelektu darbin…