هوش مصنوعی در ماهواره‌ها و سامانه‌های فضایی
مقدمه
هوش مصنوعی (AI) به طور فزاینده‌ای با فناوری فضایی مدرن درهم آمیخته شده است و این امکان را به فضاپیماها و ماهواره‌ها می‌دهد تا بیش از هر زمان دیگری به صورت خودکار و کارآمد عمل کنند. از کمک به مریخ‌نوردها برای ناوبری در زمینهای بیگانه گرفته تا پردازش حجم عظیمی از داده‌های رصد زمین در مدار، تکنیک‌هایی مانند یادگیری ماشین و برنامه‌ریزی خودکار در حال متحول ساختن نحوه اکتشاف و بهره‌برداری ما از فضا هستند. این گزارش مروری جامع بر تلاقی هوش مصنوعی و سامانه‌های ماهواره‌ای/فضایی ارائه می‌دهد و کاربردهای کلیدی، نقاط عطف تاریخی، وضعیت فعلی فناوری در بخش‌های مختلف، فناوری‌های توانمند‌ساز، مزایا و چالش‌ها، روندهای آینده و سازمان‌های اصلی پیشرو در این حوزه را پوشش می‌دهد.
کاربردهای هوش مصنوعی در سامانه‌های فضایی
هوش مصنوعی در طیف گسترده‌ای از فعالیت‌های مرتبط با فضا به کار گرفته می‌شود. کاربردهای کلیدی عبارتند از:
- تحلیل تصاویر ماهواره‌ای: بینایی ماشین مبتنی بر هوش مصنوعی به طور چشمگیری تفسیر تصاویر ماهواره‌ای را تسریع می‌بخشد. مدل‌های یادگیری ماشین می‌توانند به طور خودکار ویژگی‌های روی زمین (مانند وسایل نقلیه، ساختمان‌ها، محصولات کشاورزی یا کشتی‌ها) را شناسایی و طبقه‌بندی کنند و تغییرات را در طول زمان رصد کنند fedgovtoday.com. این فناوری با غربالگری سریع حجم عظیمی از تصاویر، به فعالیت‌های اطلاعاتی، پایش محیط زیست و واکنش به بلایای طبیعی کمک می‌کند. به عنوان مثال، آژانس ملی اطلاعات جغرافیایی-فضایی (NGA) از هوش مصنوعی برای اسکن تصاویر و شناسایی اشیا و فعالیت‌ها استفاده می‌کند تا تهدیدات احتمالی یا تحولات کلیدی را از مدار تشخیص دهد fedgovtoday.com. همچنین، روش‌های مولد هوش مصنوعی برای پر کردن خلاءها و ارائه زمینه در داده‌های تصویری مورد بررسی قرار گرفته‌اند fedgovtoday.com که به بهبود شناسایی و تحلیل اشیا کمک می‌کند. در بخش تجاری، شرکت‌هایی همانند Planet Labs از یادگیری ماشین برای تبدیل تصاویر روزانه زمین به تحلیل‌های کاربردی بهره می‌برند – شناسایی جنگل‌زدایی، پایش زیرساخت‌ها و غیره، با کمترین دخالت انسان fedgovtoday.com.
- ناوبری خودمختار و رباتیک: فضاپیماها و کاوشگرهای رباتیک از هوش مصنوعی برای ناوبری و اتخاذ تصمیمات بدون کنترل مداوم انسانی استفاده می‌کنند. مریخ‌نوردها نمونه بارزی هستند – مریخ‌نوردهای ناسا دارای سیستم‌های ناوبری خودمختار مبتنی بر هوش مصنوعی هستند که نقشه‌های سه‌بعدی از سطح تهیه می‌کنند، مخاطرات را شناسایی کرده و مسیرهای ایمن را به صورت مستقل برنامه‌ریزی می‌کنند nasa.gov. سیستم AutoNav مریخ‌نورد استقامت این امکان را می‌دهد که “در حالی‌که رانندگی می‌کند، فکر کند” و موانع را دور زده و سرعت حرکت خود را نسبت به مریخ‌نوردهای قبلی به طور قابل توجهی افزایش دهد nasa.gov nasa.gov. به طور مشابه، هوش مصنوعی به ماهواره‌های مداری اجازه می‌دهد با کمترین تماس با مرکز کنترل زمینی موقعیت خود را حفظ کرده و مانور دهند. پروژه‌های تحقیقاتی در حال توسعه قابلیت‌های پهلوگیری خودمختار با استفاده از برنامه‌ریزی مبتنی بر هوش مصنوعی هستند؛ به عنوان مثال، سیستم جدیدی به نام Autonomous Rendezvous Transformer (ART) با بهره‌گیری از شبکه عصبی Transformer (مشابه آنچه در ChatGPT استفاده می‌شود) به فضاپیماها اجازه می‌دهد تا مسیر پهلوگیری خود را با حداقل توان محاسباتی برنامه‌ریزی کنند space.com space.com. این امر به وسایل نقلیه فضایی آینده اجازه می‌دهد تا در مدار یا اطراف سیارات دوردست بدون هدایت لحظه‌ای انسانی به یکدیگر نزدیک و پهلوگیری کنند. در حوزه رباتیک نیز، هوش مصنوعی بازوهای رباتیک و ربات‌های سطحی را قدرت می‌بخشد – ربات آزمایشی CIMON (همراه تعاملی و متحرک خدمه) در ایستگاه فضایی بین‌المللی، یک دستیار هوشمند پرنده بود که می‌توانست با فضانوردان تعامل کند و وظایف ساده را از طریق فرمان صوتی انجام دهد airbus.com. این نمونه‌ها نشان می‌دهند چگونه خودمختاری مبتنی بر هوش مصنوعی برای پیمایش، اکتشاف و عملیات در محیط‌هایی که کنترل انسانی بلادرنگ امکان‌پذیر نیست، حیاتی است.
- پیش‌بینی وضعیت فضایی: هوش مصنوعی به پیش‌بینی طوفان‌های خورشیدی و سایر رویدادهای جوی فضایی که می‌توانند ماهواره‌ها و شبکه‌های برق را به خطر بیندازند، کمک می‌کند. با تحلیل داده‌های حسگرهای فضاپیماها، مدل‌های هوش مصنوعی می‌توانند پدیده‌هایی مانند طوفان‌های ژئومغناطیسی را با زمان پیش‌بینی بسیار بهتر پیش‌بینی کنند. به طور قابل توجهی، پژوهشگران ناسا یک مدل یادگیری عمیق به نام DAGGER توسعه داده‌اند که با استفاده از اندازه‌گیری‌های ماهواره‌ای باد خورشیدی پیش‌بینی می‌کند که طوفان خورشیدی ممکن است تا ۳۰ دقیقه زودتر در کجا بر روی زمین رخ دهد nasa.gov. این مدل که با داده‌های مأموریت‌هایی مثل ACE و Wind آموزش دیده است، می‌تواند پیش‌بینی‌های اختلال ژئومغناطیسی جهانی را در کمتر از یک ثانیه تولید کند و هر دقیقه به‌روزرسانی شود nasa.gov nasa.gov. این مدل با ترکیب داده‌های لحظه‌ای فضایی با شناسایی الگوهای هوش مصنوعی، عملکرد بهتری نسبت به مدل‌های قبلی دارد و امکان هشدارهایی مشابه «آژیر گردباد» برای طوفان‌های خورشیدی را فراهم می‌کند nasa.gov nasa.gov. چنین پیش‌بینی‌های تقویت‌شده با هوش مصنوعی برای فراهم کردن زمان کافی جهت محافظت از ماهواره‌ها و زیرساخت‌ها در برابر شراره‌های خورشیدی و پرتاب جرم تاج خورشیدی حیاتی است. علاوه بر طوفان‌های ژئومغناطیسی، هوش مصنوعی همچنین برای پیش‌بینی شار ذرات با انرژی بالا در کمربندهای تابش زمین nasa.gov و تفسیر داده‌های تلسکوپ‌های خورشیدی برای پیش‌بینی شعله‌های خورشیدی nextgov.com نیز به کار گرفته شده است – که توانایی ما را برای پیش‌بینی و کاهش اثرات وضعیت فضایی بهبود می‌بخشد.
- ردیابی زباله‌های فضایی و جلوگیری از برخورد: ابر رو به رشد زباله‌های مداری خطری برای برخورد با ماهواره‌ها ایجاد می‌کند و هوش مصنوعی برای حل این مشکل «مدیریت ترافیک فضایی» به کار گرفته شده است. یادگیری ماشین می‌تواند ردیابی و مدل‌سازی پیش‌بینی اشیاء در مدار را بهبود بخشد و به شناسایی برخوردهای پرخطر کمک کند. آژانس فضایی اروپا در حال توسعه یک سیستم خودکار جلوگیری از برخورد است که از هوش مصنوعی برای ارزیابی احتمال برخورد و تصمیمگیری در مورد زمان مانور دادن ماهواره استفاده می‌کند esa.int. به جای فرایند عمدتاً دستی امروزی – که در آن اپراتورها هر هفته صدها هشدار را بررسی می‌کنند esa.int – یک سیستم هوش مصنوعی می‌تواند به طور خودکار مسیرها را محاسبه کند، مانورهای بهینه برای اجتناب را انتخاب کند و حتی آنها را در خود ماهواره اجرا کند. در واقع، آژانس فضایی اروپا پیش‌بینی می‌کند که در آینده ماهواره‌ها با استفاده از هوش مصنوعی مانورهایشان را با یکدیگر هماهنگ خواهند کرد، اتفاقی که با شلوغ‌تر شدن مدار زمین پایین ضروری است esa.int esa.int. استارتاپ‌هایی مانند LeoLabs و Neuraspace نیز به طور مشابه از هوش مصنوعی برای مرتب‌سازی داده‌های حسگرها و پیش‌بینی نزدیکی‌های خطرناک استفاده می‌کنند و هشدارهای خودکار «همگرایی» صادر می‌نمایند. شرکت Thales Alenia Space با همکاری شرکت هوش مصنوعی Delfox در حال آزمایش یک هوش مصنوعی «جلوگیری هوشمند از برخورد» است که به ماهواره‌ها استقلال بیشتری در دوری از زباله‌ها یا حتی سلاح‌های ضدماهواره می‌دهد thalesaleniaspace.com thalesaleniaspace.com. با تجزیه و تحلیل سریع مدارها و گزینه‌های مانور، هوش مصنوعی می‌تواند سریع‌تر از انسان‌ها به منظور جلوگیری از برخورد واکنش نشان دهد. این پشتیبانی بهینه از تصمیمگیری با پرتاب ده‌ها هزار ماهواره جدید در منظومه‌های مگاکانستلیشن از هر زمان دیگری حیاتی‌تر می‌شود.
- برنامه‌ریزی و بهینه‌سازی مأموریت: فناوری‌های هوش مصنوعی در حال ساده‌سازی وظایف پیچیده برنامه‌ریزی مأموریت‌های فضایی و عملیات ماهواره‌ای هستند. این شامل زمان‌بندی خودکار مشاهدات ماهواره‌ای، ارتباطات و حتی کل جدول زمانی مأموریت می‌شود. سیستم‌های برنامه‌ریزی مبتنی بر هوش مصنوعی می‌توانند طیف گسترده‌ای از محدودیت‌ها (دینامیک مداری، در دسترس بودن انرژی، پنجره‌های ایستگاه زمینی و غیره) را در نظر بگیرند و در کسری از زمانی که یک تیم انسانی نیاز دارد، برنامه‌های بهینه ارائه دهند boozallen.com boozallen.com. برای مثال، شرکت‌هایی مانند Cognitive Space برنامه‌ریزی مأموریت‌های مشاهده زمین مبتنی بر هوش مصنوعی را ارائه می‌دهند: نرم‌افزار آنها به طور خودکار اهداف تصویربرداری را اولویت‌بندی می‌کند، منابع ماهواره را تخصیص می‌دهد و عبورهای ارسال داده را با در نظر گرفتن اولویت‌ها و محدودیت‌ها در زمان واقعی زمان‌بندی می‌کند aws.amazon.com aws.amazon.com. این نوع اتوماسیون هوشمند به یک اپراتور اجازه می‌دهد تا ناوگانی متشکل از صدها ماهواره را با بهره‌وری بالا مدیریت کند. هوش مصنوعی همچنین در بهینه‌سازی مسیر حرکت مورد استفاده قرار می‌گیرد – ناسا و دیگر سازمان‌ها از الگوریتم‌ها (گاهی در ترکیب با تحقیقات رایانش کوانتومی) برای یافتن مسیرهای کم‌مصرف سوخت برای فضاپیماها یا بهینه‌سازی توالی‌های مشاهده چند هدفه بهره می‌برند boozallen.com douglevin.substack.com. حتی در مأموریت‌های سرنشین‌دار نیز هوش مصنوعی می‌تواند برنامه‌های مأموریت و لجستیک را بهینه کند. در مجموع، یادگیری ماشین و الگوریتم‌های جستجوی ابتکاری به هماهنگی مؤثرتر مأموریت‌های فضایی کمک می‌کنند، به‌ویژه زمانی که مقیاس عملیات و پیچیدگی آنها افزایش می‌یابد.
- پایش سلامت ماهواره و نگهداری پیش‌بینی‌کننده: ماهواره‌ها به طور مداوم تلمتری زیرسیستم‌های خود را تولید می‌کنند و الگوریتم‌های هوش مصنوعی اکنون این داده‌ها را برای شناسایی ناهنجاری‌ها و پیش‌بینی خرابی‌ها قبل از وقوع آنها تحلیل می‌کنند. با استفاده از یادگیری ماشین برای تشخیص ناهنجاری، اپراتورها می‌توانند از تعمیرات واکنشی به برنامه‌ریزی نگهداری پیشگیرانه حرکت کنند – که عمر ماهواره را افزایش داده و از قطعی‌های پرهزینه جلوگیری می‌کند. یک نمونه قابل توجه، ماهواره‌های هواشناسی GOES-R اداره ملی اقیانوسی و جوی (NOAA) است که از سال ۲۰۱۷ از یک سیستم پیشرفته هوش مصنوعی پایش (AIMS) مبتنی بر هوش مصنوعی برای نظارت بر سلامت فضاپیما استفاده کرده‌اند asrcfederal.com asrcfederal.com. AIMS هزاران پارامتر تلمتری (دماها، ولتاژها، خروجی سنسورها و غیره) را دریافت می‌کند و با استفاده از شناسایی الگو تغییرات ظریفی را که قبل از خرابی تجهیزات رخ می‌دهند، شناسایی می‌کند asrcfederal.com. سپس می‌تواند به مهندسان هشدار دهد یا حتی اقدامات اصلاحی را اجرا کند. به گفته NOAA، این ابزار هوش مصنوعی می‌تواند مشکلات را در عرض چند دقیقه یا ساعت شناسایی کرده و راه‌حل‌هایی ارائه دهد در حالی که قبلاً تشخیص مشکل برای متخصصان چند روز طول می‌کشید asrcfederal.com. این سامانه تاکنون با تشخیص ناهنجاری‌ها (مانند تأثیر تشعشعات بر آشکارسازهای ابزارها) و امکان ایجاد تنظیمات یا راه‌اندازی مجدد قبل از وقوع خرابی، از توقف‌های برنامه‌ریزی نشده جلوگیری کرده است asrcfederal.com asrcfederal.com. به طور مشابه، تولیدکنندگان ماهواره در حال بررسی استفاده از هوش مصنوعی بر روی ماهواره برای تشخیص عیب، جداسازی و بازیابی (FDIR) هستند – که عملاً درجه‌ای از هوش نگهداری خودکار را به ماهواره‌ها می‌دهد. وسایل تعمیر در مدار نیز ممکن است از هوش مصنوعی برای تشخیص مشکلات ماهواره‌های سرویس‌گیرنده استفاده کنند. در مجموع، تحلیل‌های پیش‌بینانه با پیش‌بینی مشکلات از روی نشانه‌های جزئی داده‌ای، قابلیت اطمینان و مقاومت زیربنای فضایی را بهبود می‌بخشد asrcfederal.com asrcfederal.com.
- ارتباطات و انتقال داده: هوش مصنوعی در حال ارتقاء ارتباطات فضایی از طریق تکنیک‌هایی مانند رادیوی شناختی و مدیریت خودکار شبکه است. سامانه‌های رادیوی شناختی با بهره‌گیری از هوش مصنوعی و یادگیری ماشین، فرکانس‌ها را به‌طور پویا تخصیص داده و پارامترهای سیگنال را در لحظه تنظیم می‌کنند؛ موضوعی که با افزایش تراکم استفاده از طیف فرکانسی در فضا اهمیت بیشتری می‌یابد. ناسا آزمایش‌هایی با رادیوهای شناختی انجام داده که به ماهواره‌ها امکان می‌دهد به‌طور خودکار و بدون انتظار برای دستور اپراتورهای زمینی، باندهای بلااستفاده طیف را پیدا کرده و به‌کار گیرند nasa.gov nasa.gov. با پایش محیط فرکانسی رادیویی و به‌کارگیری هوش مصنوعی، یک ماهواره می‌تواند از تداخل اجتناب کرده و ارتباط پایین‌دستی خود را در لحظه بهینه کند – درست مانند یک روتر وای‌فای هوشمند که بین کانال‌ها جابجا می‌شود. این امر موجب افزایش بهره‌وری و اطمینان‌پذیری لینک‌های ارتباطی می‌شود nasa.gov. همچنین از هوش مصنوعی برای مسیریابی شبکه در صورت‌های ماهواره‌ای آینده استفاده خواهد شد، جایی که هزاران ماهواره به‌صورت شبکه‌توری داده‌ها را میان خود ارسال می‌کنند. یادگیری ماشین می‌تواند بهترین مسیرهای مسیریابی و تخصیص هوشمندانه پهنای باند را بر اساس میزان ترافیک و شرایط لینک تعیین کند. علاوه بر این، پردازش داده‌ها در فضا (با هوش مصنوعی) مقدار داده خامی که باید به زمین ارسال شود را کاهش می‌دهد و نیاز پهنای باند را کم می‌کند. برای مثال، ماهواره‌های Φsat آژانس فضایی اروپا از الگوریتم‌های بینایی هوش مصنوعی برای فیلتر کردن تصاویر ابری در مدار بهره می‌برند تا فقط تصاویر مفید ارسال شوند esa.int. تکنیک‌های فشرده‌سازی داده مبتنی بر هوش مصنوعی نیز می‌توانند داده‌ها را به‌صورت بهینه‌تر رمزگذاری کنند – Φsat-2 یک برنامه فشرده‌سازی تصویر مبتنی بر هوش مصنوعی دارد که اندازه فایل‌ها را پیش از ارسال به‌طور چشمگیر کاهش می‌دهد esa.int. در ارتباط با فضانوردان، دستیارهای صوتی و ابزارهای ترجمه مبتنی بر هوش مصنوعی (مانند CIMON در ISS) تعامل انسان و ماشین را بهبود می‌بخشند. در آینده، با ظهور ارتباطات لیزری و 5G فضایی، هوش مصنوعی نقش کلیدی در مدیریت منابع شبکه و حفظ اتصال خودکار خواهد داشت.
مریخ‌نورد استقامت ناسا برای طی مسیرهای ناهموار و خطرناک مریخ بدون کنترل مستقیم انسان به ناوبری خودران مبتنی بر هوش مصنوعی تکیه می‌کند nasa.gov. سامانه خودکار “AutoNav” این مریخ‌نورد باعث می‌شود مسیر حرکت و دوری از موانع را در لحظه برنامه‌ریزی کند و این امر سرعت و محدوده پیمایش را نسبت به مریخ‌نوردهای قبلی به شکل قابل توجهی افزایش داده است. این خودمختاری در کاوش بهینه مریخ به دلیل تأخیرهای زیاد در ارتباطات، بسیار حیاتی است.
| سال | نقطه عطف |
|---|---|
| دهه ۱۹۷۰–۱۹۸۰ | مفاهیم اولیه هوش مصنوعی: سازمان‌های فضایی شروع به بررسی هوش مصنوعی برای کنترل مأموریت و سیستم‌های خبره می‌کنند.برای مثال، ناسا با نرم‌افزاری برای تشخیص خودکار خرابی در فضاپیماها و زمان‌بندی مشاهدات آزمایش می‌کند.این کاربردهای اولیه هوش مصنوعی توسط قابلیت‌های کامپیوتر محدود شده بودند اما زمینه را برای خودمختاری در فضا فراهم کردند parametric-architecture.com ntrs.nasa.gov.(در این دوره، بیشتر “هوش مصنوعی” به دلیل قدرت پردازش پایین رایانه‌های موجود روی فضاپیماها، مبتنی بر زمین بود.) |
| ۱۹۹۹ | عوامل راه دور در دیپ اسپیس ۱: یک پیشرفت بزرگ – کاوشگر دیپ اسپیس ۱ ناسا با نرم‌افزار هوش مصنوعی Remote Agent پرواز کرد، برای اولین بار یک سامانه هوش مصنوعی به طور خودمختار یک فضاپیما را کنترل کرد jpl.nasa.gov.به مدت ۳ روز در ماه مه ۱۹۹۹، عامل راه دور عملیات DS1 را بدون دخالت زمینی مدیریت کرد، فعالیت‌ها را برنامه‌ریزی نمود و عیوب شبیه‌سازی‌شده را به صورت بلادرنگ تشخیص داد jpl.nasa.gov jpl.nasa.gov.با موفقیت مشکلات را شناسایی و رفع کرد (برای مثالیک دوربین گیر کرده) با برنامه‌ریزی مجدد در مدار، ثابت کرد که هوش مصنوعی هدف‌محور می‌تواند یک مأموریت را به طور خودکار در مسیر نگه دارد jpl.nasa.gov jpl.nasa.gov.این آزمایش، یک تلاش مشترک توسط ناسا JPL و ناسا Ames بود که به عنوان “طلوع عصر جدیدی در اکتشافات فضایی” مورد استقبال قرار گرفت؛ عصری که در آن فضاپیماهای خودآگاه و خودکنترل، ماموریت‌های جسورانه‌تری را امکان‌پذیر می‌سازند jpl.nasa.gov.عامل راه دور برنده جایزه نرم‌افزار سال ناسا در سال ۱۹۹۹ شد jpl.nasa.gov و به عنوان نقطه عطفی در تاریخ هوش مصنوعی فضایی شناخته می‌شود. |
| ۲۰۰۱ تا ۲۰۰۴ | فضاپیمای علمی مستقل در EO-1: ماهواره «مشاهده زمین-۱» ناسا یک آزمایش علمی مستقل مبتنی بر هوش مصنوعی (ASE) را به نمایش گذاشت.تا سال ۲۰۰۴، ASE از یادگیری ماشینی روی برد برای تحلیل تصاویر در مدار استفاده می‌کرد و سپس بر اساس یافته‌ها ماهواره را دوباره برنامه‌ریزی می‌کرد esto.nasa.gov esto.nasa.gov.برای مثال، اگر هوش مصنوعی EO-1 فوران آتشفشانی را در یک تصویر تشخیص می‌داد، بلافاصله یک مشاهده پیگیری از آن آتشفشان را در عبور بعدی برنامه‌ریزی می‌کرد esto.nasa.gov.این خودمختاری حلقه بسته یکی از اولین نمونه‌های فضاپیما بود که تصمیمات علمی را به طور مستقل می‌گرفت.همچنین شامل یک برنامه‌ریز داخلی (CASPER) و نرم‌افزار اجرایی قوی بود که بر اساس مفاهیم عامل راه دور برای ماموریتی در مدار زمین ساخته شده بود.موفقیت ASE در شناسایی رویدادهایی مانند فوران‌ها و سیلاب‌ها به‌صورت لحظه‌ای، کارآمدی هوش مصنوعی را برای پایش واکنشی زمین تأیید کرد. |
| ۲۰۰۵–۲۰۱۲ | مریخ‌نوردها و هوش مصنوعی زمان‌بندی: خودرانی مبتنی بر هوش مصنوعی در اکتشاف مریخ و عملیات رصدخانه‌ها گسترش یافت.مریخ‌نوردهای اکتشافی مارس (اسپیریت و آپورچونیتی) در دهه ۲۰۰۰ از ناوبری خودران استفاده کردند و بعدها در طول ماموریت، نرم‌افزاری به نام AEGIS به آنها اجازه داد تا به صورت خودکار سنگ‌ها را با طیف‌سنج‌های خود هدف‌گیری کنند.این پیش‌درآمدی برای خودمختاری پیشرفته‌تر مریخ‌نوردهای بعدی بود.در همین حال، سامانه‌های برنامه‌ریزی هوش مصنوعی در عمل مورد استفاده قرار گرفتند – ناسا الگوریتم‌های زمان‌بندی پیشرفتهای برای ابزارها (مانند تلسکوپ فضایی هابل و صورت‌های فلکی ماهواره‌ای) توسعه داد تا جدول زمان‌بندی مشاهدات را بهینه کند.این استقرارهای اولیه هوش مصنوعی عملیاتی باعث افزایش بهره‌وری و کاهش حجم کار برای کنترل‌کنندگان انسانی شدند. |
| ۲۰۱۳ | اپسیلون JAXA – اولین وسیله پرتاب مجهز به هوش مصنوعی: سازمان پژوهش‌های فضایی ژاپن موشک اپسیلون را پرتاب کرد که اولین وسیله پرتاب با سیستم بررسی خودکار مبتنی بر هوش مصنوعی بود.هوش مصنوعی موجود در اپسیلون بررسی‌های سلامت خودکار و پایش را در طول شمارش معکوس و پرواز انجام داد، که نیاز به تیم‌های بزرگ کنترل زمینی را کاهش داد global.jaxa.jp global.jaxa.jp.این نوآوری زمان آماده‌سازی پرتاب را از ماه‌ها به فقط چند روز کاهش داد، زیرا موشک می‌تواند سیستم‌های خود را آزمایش کند و فقط به یک تیم کوچک در یک محیط «کنترل سیار» نیاز دارد global.jaxa.jp.موفقیت اپسیلون در سال ۲۰۱۳ نشان داد که هوش مصنوعی می‌تواند ضمن افزایش قابلیت اطمینان، هزینه‌های پرتاب را با خودکارسازی فرآیندهایی که قبلاً نیازمند نیروی کار زیاد بودند، کاهش دهد global.jaxa.jp global.jaxa.jp. |
| ۲۰۱۵ | هوش مصنوعی هدف‌یابی مریخ‌نورد کنجکاوی: مریخ‌نورد کنجکاوی ناسا، که در سال ۲۰۱۲ فرود آمد، تا سال ۲۰۱۵ سیستم هوش مصنوعی (AEGIS) را پیاده‌سازی کرده بود که به آن اجازه می‌داد اهداف سنگی را برای ابزار لیزری ChemCam به صورت خودکار با استفاده از تحلیل تصویر انتخاب کند.بنابراین کنجکاوی اولین مریخ‌نوردی شد که از هوش مصنوعی برای اتخاذ یک تصمیم علمی روی خود (انتخاب اهداف جالب بر اساس شکل/رنگ) استفاده کرد jpl.nasa.gov.این قابلیت، علم خودگردان پیشرفته‌تر در مریخ‌نورد پشتکار را پیش‌بینی کرد. |
| ۲۰۱۸ | CIMON – دستیار هوشمند خدمه در ایستگاه فضایی بین‌المللی: Crew Interactive MObile CompanioN (CIMON) که توسط ایرباس و IBM برای DLR ساخته شده بود، اولین دستیار فضانورد مبتنی بر هوش مصنوعی شد.این ربات کروی که در سال ۲۰۱۸ به ایستگاه فضایی بین‌المللی پرتاب شد، از هوش مصنوعی آی‌بی‌ام واتسون برای شناسایی صدا و تعاملات مکالمه‌ای استفاده می‌کرد airbus.com.سایمون می‌توانست در شرایط بی‌وزنی شناور شود، به دستورات شفاهی پاسخ دهد، اطلاعات را روی صفحه «صورت» خود نمایش دهد و حتی گفتگوهای کوتاه انجام دهد.این دستیار با موفقیت اولین آزمایش‌های خود را با فضانورد الکساندر گرست به پایان رساند و همکاری انسان و هوش مصنوعی در فضا را به نمایش گذاشت airbus.com airbus.com.CIMON نقطه‌ی ادغام هوش مصنوعی در پروازهای فضایی سرنشین‌دار برای پشتیبانی عملیاتی بود و نشان داد که دستیارهای مجازی می‌توانند به فضانوردان کمک کنند. |
| ۲۰۲۰ | ESA Φ-sat-1 – اولین پردازنده هوش مصنوعی سوار بر ماهواره در مدار زمین: آژانس فضایی اروپا Φ-sat-1 (PhiSat-1) را پرتاب کرد، که یک آزمایش CubeSat بود و نخستین ماهواره مشاهده زمین شد که یک تراشه اختصاصی هوش مصنوعی (Intel Movidius Myriad 2) را حمل می‌کرد esa.int.هوش مصنوعی Φ-sat-1 وظیفه داشت تصاویر پوشیده از ابر را به صورت آنبورد فیلتر کند – در واقع انجام غربالگری اولیه تصاویر در فضا تا فقط داده‌های مفید به زمین ارسال شوند esa.int.در سال 2020 راه‌اندازی شد و ثابت کرد که حتی ماهواره‌های کوچک نیز می‌توانند پردازش هوش مصنوعی لبه‌ای را در مدار انجام دهند و راه را برای دنبال‌کننده‌های بلندپروازانه‌تری مانند Φ-sat-2 هموار کردند. |
| 2021 | پشتکار و هوش مصنوعی روباتی پیشرفته: مریخی‌نورد پشتکار ناسا (فرود آمده در فوریه 2021) پیشرفته‌ترین سامانه خودگردان تا به امروز در مریخ را به ارمغان آورد.هوش مصنوعی ناوبری AutoNav به آن این امکان را داد تا با سرعتی تا ۵ برابر سریع‌تر از کنجکاوی حرکت کند، زیرا تصاویر را به صورت آنی پردازش می‌کرد تا از خطرات اجتناب کند nasa.gov nasa.gov.پشتکار همچنین هوش مصنوعی را برای علم حمل می‌کند: برای مثال، یک هوش مصنوعی «نمونه‌برداری تطبیقی» برای ابزار PIXL آن به مریخ‌نورد اجازه می‌دهد تا به طور خودکار ویژگی‌های جالب سنگ‌ها را برای تجزیه و تحلیل بدون راهنمایی از زمین شناسایی کند jpl.nasa.gov jpl.nasa.gov.سال ۲۰۲۱ همچنین شاهد افزایش استفاده از هوش مصنوعی بر روی زمین برای مدیریت تعداد رو به رشد ماهواره‌ها و داده‌های فضایی بود (مثلاًایالات متحدهنیروی فضایی به‌کارگیری هوش مصنوعی برای آگاهی دامنه فضایی). |
| 2024 | Φ-sat-2 و پس از آن: مأموریت ماهواره‌ای Φ-sat-2 آژانس فضایی اروپا (ESA) (راه‌اندازی شده در سال ۲۰۲۴) اولین مأموریت ماهواره‌ای کاملاً متمرکز بر هوش مصنوعی است که شش اپلیکیشن هوش مصنوعی برای انجام وظایفی از جمله تشخیص ابرها تا ردیابی کشتی‌ها را به همراه دارد esa.int.این فناوری نمایانگر پیشرفته‌ترین سطح به‌کارگیری هوش مصنوعی در مدار است و حتی امکان بارگذاری مدل‌های جدید هوش مصنوعی پس از پرتاب را فراهم می‌کند esa.int.در همان زمان، برنامه Blackjack دارپا ماهواره‌های کوچک آزمایشی را به کار می‌گیرد که هر یک دارای یک گره هوش مصنوعی Pit Boss هستند تا به‌صورت خودمختار محموله‌های مأموریت نظامی و شبکه‌بندی را در یک صورت فلکی توزیع‌شده مدیریت کنند militaryembedded.com.این تحولات نشان می‌دهد که هوش مصنوعی در حال گذار از حالت آزمایشی به عملیاتی در سامانه‌های فضایی است و سازمان‌ها و شرکت‌ها در حال برنامه‌ریزی برای استفاده از هوش مصنوعی به عنوان بخش اصلی مأموریت‌های آینده هستند. |
این جدول زمانی روند روشنی را نشان می‌دهد: آنچه به عنوان آزمایش‌های منفرد آغاز شد (مانند Remote Agent)، تا دهه ۲۰۲۰ منجر به ادغام گسترده هوش مصنوعی در فضاپیماها شده است.هر نقطه عطف، اعتماد به نفس ایجاد کرد که هوش مصنوعی می‌تواند به طور قابل اعتمادی در شرایط فضایی عمل کند.امروزه تقریباً تمام ماموریت‌های پیشرفته فضایی از نوعی هوش مصنوعی یا خودمختاری بهره می‌برند و سرمایه‌گذاری در زمینه هوش مصنوعی فضایی در سراسر جهان شتاب گرفته است.
تکامل تاریخی هوش مصنوعی در فناوری‌های فضایی
استفاده از هوش مصنوعی در سامانه‌های فضایی از آغازهای آزمایشی به یک بخش اساسی در بسیاری از مأموریت‌ها تبدیل شده است. نقاط عطف کلیدی عبارت‌اند از:
وضعیت کنونی هوش مصنوعی در سامانه‌های فضایی
برنامه‌های دولت‌ها و آژانس‌ها: آژانس‌های فضایی ملی به طور فعال در حال ادغام هوش مصنوعی در برنامه‌های علمی، اکتشافی و ماهواره‌ای خود هستند. ناسا از هوش مصنوعی برای خودگردانی مریخ‌نوردها، تحلیل داده‌های علوم سیاره‌ای، پایش زمین و عملیات مأموریت‌ها استفاده می‌کند. به عنوان مثال، آزمایشگاه توسعه مرزی ناسا (FDL) یک همکاری بخش دولتی-خصوصی است که از هوش مصنوعی برای مقابله با چالش‌هایی مانند پیش‌بینی طوفان‌های خورشیدی (که منجر به مدل DAGGER شده است) nasa.gov، نقشه‌برداری منابع قمری و پایش سلامت فضانوردان بهره می‌برد. برنامه آتی آرتمیس ناسا در حال آزمایش دستیاران هوشمند (عامل صوتی Callisto که به دور ماه پرواز کرد) است و استفاده از هوش مصنوعی برای سامانه‌های خودمختار در گیت‌وی قمری را مد نظر دارد. آژانس فضایی اروپا (ESA) نیز هوش مصنوعی را به عنوان بخش کلیدی راهبرد خود قرار داده است – فراتر از ماموریت‌های Φ-sat، آزمایشگاه ɸ-ESA در حال پرورش راهکارهای هوش مصنوعی برای پایش زمین و ناوبری است و پروژه‌هایی مانند اجتناب خودکار از برخورد برای ایمنی فضایی در حال توسعه هستند esa.int esa.int. آژانس فضایی اروپا از هوش مصنوعی برای مدیریت زمان‌بندی پیچیده ابزارهای ماهواره‌ای و همچنین مدیریت حجم عظیم داده‌های رصدخانه‌ها نیز در زمین استفاده می‌کند. سایر آژانس‌ها: جاکسا (JAXA) از هوش مصنوعی در پرتاب‌گرها استفاده کرده و تحقیقاتی را بر روی کاوشگرهای هوشمند (مانند کاوش سیارک‌ها) انجام می‌دهد، روسکاسموس و CNSA (چین) نیز reportedly در زمینه خودگردانی سامانه‌های آنبورد سرمایه‌گذاری می‌کنند و از هوش مصنوعی برای تحلیل تصاویر و پشتیبانی از پروازهای سرنشین‌دار بهره می‌برند (مریخ‌نورد ۲۰۲۱ چین دارای ناوبری خودکار است و چین درباره صورت‌های فلکی کلان مدیریت‌شده با هوش مصنوعی تحقیق می‌کند). اداره ملی اقیانوسی و جوی آمریکا (NOAA) همانطور که ذکر شد، اکنون از هوش مصنوعی برای سلامت ماهواره‌ها بهره می‌برد و به دنبال افزایش کیفیت پیش‌بینی‌های جوی با استفاده از تجمیع داده‌های ماهواره‌ای با کمک هوش مصنوعی است nextgov.com. به طور خلاصه، تلاش‌های فضایی دولتی هوش مصنوعی را برای حداکثرسازی بازده علمی مأموریت‌ها و مدیریت عملیات‌های روزافزون پیچیده حیاتی می‌دانند.
نظامی و دفاعی: جامعه دفاعی و امنیت ملی به شدت در زمینه هوش مصنوعی برای فضا سرمایه‌گذاری می‌کند، که این امر ناشی از نیاز به تصمیمگیری سریع‌تر در محیطی رقابتی و اشباع از داده است boozallen.com boozallen.com.ایالات متحده آمریکاوزارت دفاع چندین برنامه دارد: به عنوان مثال، پروژه بلک‌جک دارپا با هدف استقرار یک صورت فلکی نمونه از ماهواره‌های کوچک در مدار پایین زمین (LEO) است که هر کدام به یک گره هوش مصنوعی Pit Boss مجهز شده‌اند تا به صورت خودمختار شبکه را هماهنگ کرده و داده‌های تاکتیکی را به اشتراک بگذارند militaryembedded.com.ایده این است که یک ناوگان از ماهواره‌های نظامی بتواند اهدافی مانند پرتابگرهای موشکی متحرک یا کشتی‌ها را با استفاده از حسگرهای روی خود شناسایی کند و به صورت مشترک تصمیم بگیرد کدام ماهواره بهترین موقعیت را برای مشاهده یا ردیابی دارد، سپس به طور خودکار آن ماهواره را برای جمع‌آوری داده‌ها و ارسال آن راهنمایی کند – همه این‌ها بدون نیاز به یک کنترل‌کننده مرکزی militaryembedded.com boozallen.com.این نوع زنجیره خودمختار «از حسگر تا تیرانداز» زمان واکنش را به طرز چشمگیری کاهش می‌دهد.ایالات متحده آمریکانیروی فضایی نیز از هوش مصنوعی برای آگاهی دامنه فضایی – ردیابی اشیاء و تهدیدهای احتمالی در مدار – استفاده می‌کند.با توجه به هزاران مشاهده در هر روز، نیروی فضایی از هوش مصنوعی و یادگیری ماشین برای خودکارسازی شناسایی ماهواره‌های جدید یا مانورها استفاده می‌کند.کارشناسان اشاره می‌کنند که هوش مصنوعی برای همگام شدن با «جریان وسیع داده‌های ترافیک فضایی» و همچنین تشخیص سریع رویدادهای عادی از ناهنجاری‌ها یا اقدامات خصمانه مورد نیاز است airandspaceforces.com airandspaceforces.com.سازمان‌های دفاعی متحد (ماننددر اروپا نیز به طور مشابه از هوش مصنوعی برای نظارت ماهواره‌ای، هشدار موشکی (استفاده از هوش مصنوعی برای فیلتر کردن داده‌های حسگر به منظور تشخیص هشدارهای اشتباه) و امنیت سایبری دارایی‌های فضایی استفاده می‌شود.در بخش زمینی، هوش مصنوعی به برنامه‌ریزی مأموریت برای ماهواره‌های دفاعی کمک می‌کند، مشابه کاربردهای تجاری اما با تأکید بر تاب‌آوری (هوش مصنوعی برای پیکربندی مجدد خودکار شبکه‌ها در صورت اختلال یا حمله به ماهواره‌ها).سازمان‌های اطلاعاتی از هوش مصنوعی برای تحلیل تصاویر ماهواره‌ای و اطلاعات سیگنالی در مقیاس وسیع استفاده می‌کنند، همانطور که استفاده NGA از هوش مصنوعی برای تحلیل تصاویر در fedgovtoday.com ذکر شده است.خلاصه اینکه، سیستم‌های فضایی نظامی در حال استفاده از هوش مصنوعی برای افزایش سرعت و کارایی هستند—چه این به معنای دریافت سریع‌تر اطلاعات ماهواره‌ای توسط یک واحد ارتش از طریق تصاویر منتخب توسط هوش مصنوعی باشد، یا خوشه‌ای از ماهواره‌های خودران که پس از از دست دادن یک گره، ارتباطات را مجدداً مسیر دهی می‌کنند.این قابلیت‌ها به عنوان نیروهای چندبرابرکننده تلقی می‌شوند.با این حال، احتیاط نیز وجود دارد: ذینفعان حوزه دفاع بر «هوش مصنوعی مورد اعتماد» تأکید می‌کنند – الگوریتم‌ها باید قابل توضیح و مقاوم باشند تا فرماندهان به خروجی‌های آنها اعتماد کنند fedgovtoday.com boozallen.com.تلاش‌ها برای تأیید و اعتبارسنجی سامانه‌های هوش مصنوعی برای ماموریت‌های حیاتی فضایی ادامه دارد. بخش تجاری: شرکت‌های خصوصی فضایی و استارتاپ‌ها با اشتیاق هوش مصنوعی را برای دستیابی به مزایای رقابتی در هزینه و قابلیت پذیرفته‌اند. به عنوان مثال، اسپیس‌ایکس به شدت به اتوماسیون و الگوریتم‌های پیشرفته (گرچه همیشه به طور صریح به عنوان «هوش مصنوعی» نام‌گذاری نمی‌شوند) تکیه دارد – راکت‌های فالکون ۹ این شرکت به کمک بینایی کامپیوتری و ادغام حسگرها خودشان فرود می‌آیند و فضاپیمای Crew Dragon با استفاده از ناوبری هدایت شده توسط هوش مصنوعی و تصویربرداری لایدار، الحاق کاملاً خودکار با ایستگاه فضایی بین‌المللی انجام می‌دهد space.com. گفته می‌شود ماهواره‌های استارلینک اسپیس‌ایکس دارای سیستم اجتناب خودکار از برخورد هستند که با استفاده از داده‌های ردیابی، بدون دخالت انسان، از برخورد با زباله‌های فضایی یا ماهواره‌های دیگر اجتناب می‌کند که برای مجموعه‌ای با بیش از ۴۰۰۰ ماهواره یک ضرورت است. شرکت‌های تصویربرداری زمین مانند Planet Labs عملاً کسب‌وکار خود را بر پایه هوش مصنوعی بنا کرده‌اند: پلنت حدود ۲۰۰ نانوساتلایت تصویربرداری را مدیریت می‌کند و از یادگیری ماشین در فضای ابری برای تحلیل جریان روزانه تصاویر (تشخیص تغییرات، اشیاء و ناهنجاری‌ها) برای مشتریان استفاده می‌کند fedgovtoday.com. شرکت‌های Maxar Technologies و BlackSky به طور مشابه از هوش مصنوعی برای ارائه خدمات تحلیلی (مانند شناسایی تجهیزات نظامی یا تاثیرات بلایای طبیعی در تصاویر) بهره می‌برند. در حوزه تولید، استارتاپ‌هایی همچون Relativity Space از چاپگرهای سه‌بعدی مبتنی بر هوش مصنوعی و بازخورد یادگیری ماشین برای بهینه‌سازی ساخت راکت‌ها استفاده می‌کنند nstxl.org – هوش مصنوعی کارخانه آنها از هر چاپ یاد می‌گیرد تا کیفیت و سرعت را بهبود دهد. اپراتورهای ماهواره‌ای نیز هوش مصنوعی را برای بهینه‌سازی شبکه پذیرفته‌اند؛ برای نمونه، شرکت‌هایی که ناوگان‌های بزرگ ماهواره‌های مخابراتی را مدیریت می‌کنند، از زمان‌بندی هوشمند هوش مصنوعی برای هدایت ترافیک و تخصیص طیف فرکانس به صورت پویا استفاده می‌کنند. شرکت Cognitive Space که پیش‌تر ذکر شد، پلتفرم عملیات مبتنی بر هوش مصنوعی خود را هم به اپراتورهای تجاری مجموعه‌های ماهواره‌ای و هم به دولت ارائه می‌دهد. حتی غول‌های سنتی هوافضا نیز برنامه‌های اختصاصی هوش مصنوعی دارند؛ شرکت لاکهید مارتین یک «کارخانه هوش مصنوعی» ایجاد کرده تا شبکه‌های عصبی را در شبیه‌سازی پیشرفته آموزش دهد و ماموریت‌های آزمایشی مبتنی بر هوش مصنوعی SmartSat را انجام می‌دهد (یکی از آنها از ماژول هوش مصنوعی NVIDIA Jetson برای بهبود تصویر در خود ماهواره استفاده کرد) developer.nvidia.com developer.nvidia.com. ایرباس و تالس آلنیا نیز قابلیت‌های هوش مصنوعی را در نسل بعدی ماهواره‌های خود تعبیه کرده‌اند و با شرکت‌های هوش مصنوعی مشارکت می‌کنند (مثلاً همکاری ایرباس با IBM برای پروژه CIMON و تالس با شرکت‌های تحلیلی تصاویر فراطیفی). روند تجاری کاملاً روشن است – هوش مصنوعی کلیدی برای خودکارسازی عملیات (کاهش نیاز به نیروی انسانی)، افزایش کارایی سامانه‌ها و امکان ارائه خدمات داده‌ای جدید دیده می‌شود. این طیف، حوزه‌های پرتاب (راکت‌های خودکار)، ماهواره‌ها (پردازش درون‌برد) و تحلیل‌های پایین‌دستی (تبدیل داده‌های خام فضایی به بینش کاربردی با هوش مصنوعی) را شامل می‌شود.
زیرساخت‌های فناورانه زمینه‌ساز هوش مصنوعی در فضا
- محاسبات «لبه» روی فضاپیما: یکی از تغییرات اساسی، بهبود سخت‌افزار محاسباتی مقاوم در برابر شرایط فضایی است که امکان اجرای مدل‌های پیچیده هوش مصنوعی را به صورت محلی روی فضاپیما فراهم می‌کند.
دستیابی به قابلیت‌های هوش مصنوعی در فضا نیازمند غلبه بر چالش‌های فنی منحصربه‌فردی است. عوامل کلیدی شامل موارد زیر هستند:
Φsat-2 آژانس فضایی اروپا (ESA)، که در سال ۲۰۲۴ پرتاب شد، یکی از نخستین ماهواره‌هایی است که به طور خاص برای بهره‌گیری از هوش مصنوعی آنبورد ساخته شده است. این کیوب‌ست با اندازه only ۲۲×۱۰×۳۳ سانتیمتر، دارای یک هم‌پردازنده هوش مصنوعی قدرتمند است که تصاویر را در مدار تحلیل می‌کند – انجام وظایفی مانند تشخیص ابرها، ترسیم نقشه، شناسایی کشتی و آتش‌سوزی به طور خودکار پیش از ارسال داده به زمین esa.int. با پردازش داده‌ها روی لبه، Φsat-2 می‌تواند تنها اطلاعات مفید و از پیش تحلیل‌شده را به زمین ارسال کند، که این امر نیاز به پهنای باند را به شدت کاهش داده و امکان ارائه بینش‌های بلادرنگ از فضا را فراهم می‌کند. این مأموریت همگرایی فناورانه سخت‌افزارهای مینیاتوری و نرم‌افزار پیشرفته هوش مصنوعی را در یک ماهواره کوچک نشان می‌دهد.
مزایای استقرار هوش مصنوعی در فضا
یکپارچه‌سازی هوش مصنوعی در سامانه‌های فضایی فواید متعددی به همراه دارد:
- افزایش خودمختاری و تصمیمگیری در لحظه: هوش مصنوعی به فضاپیماها این امکان را می‌دهد که بدون انتظار برای دستورالعمل‌های زمین، تصمیمات آنی را در همان لحظه اتخاذ کنند. این ویژگی برای ماموریت‌های دوردست (مانند مریخ‌نوردها یا کاوشگرهای اعماق فضا) که تاخیر در ارتباطات ممکن است از چند دقیقه تا چند ساعت طول بکشد، حیاتی است. با انجام عملیات به صورت محلی، هوش مصنوعی امکان واکنش سریع نسبت به رویدادهای پویا را فراهم می‌کند؛ مثلاً یک مریخ‌نورد می‌تواند به محض مشاهده یک خطر توسط دوربین‌هایش توقف کند، یا یک ماهواره می‌تواند تنها در عرض چند ثانیه از برخورد با زباله فضایی اجتناب کند. به طور خلاصه، هوش مصنوعی سطحی از خودکفایی را فراهم می‌کند که ماموریت‌ها حتی زمانی که ارتباط قطع است می‌توانند ایمن و کارآمد ادامه یابند. این مسأله همچنین نیاز به پایش مداوم توسط انسان را کاهش می‌دهد. به عنوان مثال، آزمایش Remote Agent نشان داد که یک هوش مصنوعی می‌تواند به طور مستقل و در زمان واقعی مشکلات فضاپیما را شناسایی و رفع کند jpl.nasa.gov jpl.nasa.gov. اخیراً نیز آزمایش Sentinel-2 نشان داده است که شناسایی خطرات (مانند آتش‌سوزی‌های جنگلی یا کشتی‌رانی غیرقانونی) به صورت مستقیم و درون سامانه باعث ایجاد هشدارهای تقریباً آنی به نیروهای واکنش‌دهنده می‌شود، در حالی که اگر تمام پردازش‌ها روی زمین انجام می‌شد، این فرایند ساعت‌ها یا حتی روزها به طول می‌انجامید sentinels.copernicus.eu sentinels.copernicus.eu. به طور کلی، حضور هوش مصنوعی خودران در محل می‌تواند سرعت و بازده علمی ماموریت‌ها را به طرز چشمگیری افزایش دهد.
- بهره‌وری در مدیریت داده‌ها: فضاپیماهای امروزی داده‌های بسیار بیشتری نسبت به ظرفیت ارسال به زمین جمع‌آوری می‌کنند، چرا که پهنای باند محدود است. هوش مصنوعی با فیلتر کردن، فشرده‌سازی و اولویت‌بندی داده‌ها در همان منبع راه‌حلی ارائه می‌دهد. ماهواره‌ها می‌توانند با استفاده از الگوریتم‌های بینایی هوشمند، جالب‌ترین تصاویر را انتخاب کرده یا داده‌ها را به صورت هوشمندانه فشرده کنند (همانند Φsat-2 که فشرده‌سازی تصویر را بر روی ماهواره انجام می‌دهد esa.int) و محتوای غنی از اطلاعات را ارسال و تصاویر تکراری یا پوشیده را حذف کنند. این مدیریت داده ارزش هر دقیقه ارتباط را به حداکثر می‌رساند. برای مثال، هوش مصنوعی Φsat-1 پیکسل‌های ابری را حذف کرد تا ۳۰٪ تصاویر مفیدتر به جای ابرهای بی‌فایده به تحلیلگران برسد esa.int. همچنین، هوش مصنوعی می‌تواند داده‌های حسگرهای چندمنبعی را روی فضاپیما ترکیب کرده و حجم داده را کاهش دهد؛ برای مثال، به جای ارسال تمام داده‌های خام، گزارشی از رویدادهای سطح بالا از چندین اندازه‌گیری تهیه کند. این کارایی برای ماموریت‌هایی مانند صورت‌های فلکی پایش زمین حیاتی است، جایی که تصویربرداری مداوم بدون پالایش آنی می‌تواند ایستگاه‌های زمینی را اشباع کند. در سمت زمین نیز، هوش مصنوعی به مدیریت سیل داده‌ها کمک می‌کند: مدل‌های یادگیری ماشین ترابایت‌ها تصویر یا تله‌متری را برای یافتن ناهنجاری یا اهداف مورد نظر غربال می‌کنند و به طور قابل توجهی حجم کار دستی را کاهش می‌دهند و ضمانت می‌کنند که اطلاعات مهم از دست نرود. در اصل، هوش مصنوعی مانند یک سرپرست هوشمند داده عمل می‌کند و اطمینان می‌دهد که ما نهایت بینش را از فرصت‌های محدود ارتباطی به دست آوریم.
- افزایش عملیات مأموریت و مقیاس‌پذیری: خودکارسازی از طریق هوش مصنوعی این امکان را فراهم می‌کند که عملیات‌های بسیار پیچیده‌تری نسبت به شیوه‌های دستی مدیریت شوند. یک سیستم کنترل مبتنی بر هوش مصنوعی می‌تواند ده‌ها فضاپیما را هماهنگ کند، هزاران مشاهده را زمان‌بندی کند یا دوباره‌برنامه‌ریزی سریع را در واکنش به تغییرات انجام دهد – وظایفی که از لحاظ مقیاس و سرعت، انسان‌ها را دچار فرسودگی می‌کند. این موضوع با اجرای ابرصورت‌های فلکی و انجام مأموریت‌های چند عنصری اهمیت بیشتری می‌یابد. زمان‌بندی و بهینه‌سازی منابع مبتنی بر هوش مصنوعی می‌تواند به طور قابل توجهی کارایی استفاده از منابع (حسگرهای ماهواره‌ای، زمان آنتن، سوخت) را با یافتن راه‌حل‌های بهینه‌ای که ممکن است انسان‌ها از آن غفلت کنند، افزایش دهد. به عنوان مثال، یک زمان‌بندی‌کننده مبتنی بر هوش مصنوعی ممکن است بازدهی یک صورت فلکی تصویربرداری را با اطمینان از عدم تکرار پوشش توسط ماهواره‌ها و ارجاع پویا به اهداف فوری (مانند فجایع ناگهانی طبیعی) ظرف چند دقیقه، افزایش دهد. هوش مصنوعی همچنین خستگی‌ناپذیر است و می‌تواند سیستم‌ها را به صورت ۲۴ ساعته و ۷ روز هفته بدون افت دقت زیر نظر بگیرد و بلافاصله مشکلات را علامت‌گذاری کند. قابلیت اطمینان نیز به همین دلیل افزایش می‌یابد – هوش مصنوعی می‌تواند انحرافات کوچک را پیش از آنکه تشدید شوند، شناسایی و اصلاح کند. برنامه GOES-R طول عمر مأموریت‌های ماهواره‌ای خود را به اعتبار پایش هوش مصنوعی و جلوگیری از شکست‌ها افزایش داد asrcfederal.com asrcfederal.com. از منظر هزینه نیز، هوش مصنوعی و خودکارسازی شدت نیروی انسانی را کاهش می‌دهند: سازمان‌ها می‌توانند بدون نیاز به تیم‌های کنترل مأموریت بسیار بزرگتر، تعداد بیشتری ماهواره را مدیریت کنند. اسپیس‌ایکس این را با پرواز ناوگانی از بوسترهای فالکون ۹ که به‌صورت خودکار فرود می‌آیند، اثبات کرد – بدون نیاز (و ریسک) به عملیات نجات سرنشین‌دار، و آنها هزاران ماهواره استارلینک را نیز با تیم نسبتاً کوچکی و با کمک سیستم‌های خودکار اداره می‌کنند. به طور خلاصه، هوش مصنوعی عملیات فضایی را مقیاس‌پذیرتر، کارآمدتر و مقاوم‌تر می‌سازد که به تبع آن هزینه‌ها کاهش یافته و سطح بلندپروازی مأموریت‌هایی که می‌توانیم انجام دهیم، افزایش می‌یابد.
- قابلیت‌ها و خدمات جدید: هوش مصنوعی فقط فرآیندهای موجود را بهبود نمی‌بخشد – بلکه مفاهیم جدیدی از ماموریت‌ها را نیز باز می‌کند. برخی کارها قبل از ظهور هوش مصنوعی اصلاً ممکن نبودند. برای مثال، ابزارهای علمی تطبیق‌پذیر (مانند PIXL مریخ‌نورد استقامت که با هوش مصنوعی تصمیم می‌گیرد کدام ویژگی‌های سنگ را تحلیل کند jpl.nasa.gov jpl.nasa.gov) می‌توانند تحقیقات را به‌طور مستقل انجام دهند که با راهنمایی دائمی از زمین غیرعملی بود. ماهواره‌های خوشه‌ای می‌توانند از طریق همکاری هوش مصنوعی رصدها را هماهنگ کنند (مثلاً برای تداخل‌سنجی رادار دهانه ترکیبی یا تصویربرداری چند زاویه‌ای)، و به‌عنوان یک گروه، اندازه‌گیری‌های پیچیده‌ای انجام دهند. هوش مصنوعی می‌تواند فضاپیماهای «متفکر» را ممکن کند که به صورت پویا خودشان را پیکربندی می‌کنند – ماهواره‌های آینده شاید بتوانند به طور خودکار برای رسیدن به اهداف ماموریت و شرایط متغیر، انرژی تخصیص دهند یا حالت حسگرها را تغییر دهند. در مدار زمین، تحلیل‌های ژئواسپشیال مبتنی بر هوش مصنوعی خود به یک خدمت تبدیل شده‌اند: شرکت‌ها هشدارهایی مانند «یک ساختمان جدید در این مختصات ساخته شده است» یا «سلامت محصولات کشاورزی در این منطقه رو به وخامت است» را عرضه می‌کنند که توسط تحلیل هوش مصنوعی داده‌های ماهواره‌ای تولید شده‌اند. چنین خدماتی که بینش‌های تقریبا بلادرنگ از زمین ارایه می‌دهد، بدون هوش مصنوعی در مقیاس جهانی ممکن نبود. در اکتشافات فضایی، هوش مصنوعی می‌تواند حالت‌های جدیدی از اکتشاف را ممکن کند، مانند مریخ‌نوردها یا پهپادهایی که می‌توانند به صورت مستقل جلوتر از ماموریت اصلی شناسایی انجام دهند، یا فرودگرهایی که به طور خودکار به جستجوی نشانه‌های زیستی بپردازند و درباره جمع‌آوری نمونه تصمیمگیری کنند – کاری که امروزه بر دوش دانشمندان زمین گذاشته‌ایم. حتی ماموریت‌های انسانی نیز منتفع می‌شوند، چون دستیاران هوش مصنوعی می‌توانند به خدمه در تشخیص، ترجمه، یا انجام محاسبات پیچیده ذهنی کمک کنند و در نتیجه قابلیت‌های یک گروه کوچک را افزایش دهند. نتیجه نهایی این است که هوش مصنوعی دامنه توانایی‌های سامانه‌های فضایی را گسترش می‌دهد و ماموریت‌ها را جاه‌طلبانه‌تر و تطبیق‌پذیرتر از همیشه می‌کند.
چالش‌های به‌کارگیری هوش مصنوعی در فضا
در حالی که مزایا چشمگیر است، استفاده از هوش مصنوعی در محیط فضایی با چالش‌ها و محدودیت‌های قابل توجهی همراه است:
- محدودیت‌های محاسباتی (قدرت، پردازش، حافظه): فضاپیماها بودجه انرژی محدودی دارند و معمولاً سخت‌افزار پردازشی نسبتاً ساده‌تری نسبت به رایانه‌های زمینی دارند. پردازنده‌های پرقدرت نیز حرارت زیادی تولید می‌کنند که باید در خلاء دفع شود. اجرای الگوریتم‌های هوش مصنوعی (به‌ویژه شبکه‌های عصبی عمیق) می‌تواند بسیار پرمصرف از نظر انرژی و توان پردازشی باشد. چالش این است که یا هوش مصنوعی را آنقدر سبک طراحی کنیم یا نیروی پردازشی بیشتری در فضاپیما فراهم کنیم بدون اینکه از محدودیت‌های اندازه/وزن/قدرت فراتر برویم. پیشرفت‌هایی حاصل شده است (همانطور که درباره پردازنده‌های جدید بحث شد)، اما CPUهای فضاپیما هنوز بسیار عقب‌تر از سرورهای پیشرفته هستند. مهندسین باید بار کاری هوش مصنوعی و مصرف انرژی را با دقت متعادل کنند؛ برای مثال، یک هوش مصنوعی پردازش تصویر ممکن است فقط زمانی اجرا شود که فضاپیما در نور خورشید قرار دارد تا از انرژی خورشیدی استفاده کند و هنگام گرفتگی غیرفعال شود. آزمایش هوش مصنوعی فضاپیمایی Sentinel-2 اشاره کرد که بازتولید پردازش‌های زمینی در مدار “بسیار پرمصرف و دشوار است که با منابع محدود فضاپیما انجام شود” sentinels.copernicus.eu. تیم مجبور شد الگوریتم‌های کم‌مصرف و حتی یک تکنیک ثبت مکانی با تاخیر پایین مخصوص توسعه دهد تا اجرای آن ممکن شود sentinels.copernicus.eu sentinels.copernicus.eu. این نشان می‌دهد که هر سیکل پردازنده و هر وات انرژی در فضا اهمیت دارد. به علاوه، حافظه محدود است – مدل‌های هوش مصنوعی که روی زمین صدها مگابایت حجم دارند باید هرس یا کم‌حجم شوند تا شاید به چند مگابایت برسند و در حافظه فضاپیما جا بگیرند. به طور خلاصه، محیط فضایی مهندسین هوش مصنوعی را مجبور به بهینه‌سازی شدید برای بهره‌وری می‌کند و هر الگوریتم هوش مصنوعی به راحتی بدون ساده‌سازی قابل اجرا نیست.
در مجموع، بهره‌گیری از هوش مصنوعی در فضا کار ساده‌ای نیست. این کار نیازمند مهندسی پیشرفته برای ساخت سامانه‌هایی است که به اندازه کافی کارآمد، مقاوم و قابل اعتماد برای شرایط فضایی باشند. معمولاً مأموریت‌ها استفاده محافظه‌کارانه از هوش مصنوعی را آغاز می‌کنند (نقش پشتیبانی تصمیم، مشاوره یا حالت‌های نیمه‌خودمختار) و تنها تدریجاً با افزایش اعتماد، خودمختاری را گسترش می‌دهند. با این وجود، روند حرکت به سمت غلبه بر این چالش‌هاست، از طریق فناوری‌های بهتر (مانند تراشه‌های هوش مصنوعی مقاوم به تابش) و روش‌هایی مانند اعتبارسنجی بهبود یافته و تست در مدار.
روندها و جهت‌گیری‌های پژوهشی آینده
سال‌های پیش رو نوید نقش‌آفرینی بیشتر هوش مصنوعی در سامانه‌های فضایی را می‌دهند. روندها و حوزه‌های کلیدی پژوهشی عبارت‌اند از:
- اکتشاف فضایی مبتنی بر هوش مصنوعی: هوش مصنوعی در قلب ماموریت‌های اکتشافی نسل بعد قرار خواهد گرفت. کاوشگرهای رباتیک آینده – چه مریخ‌نوردها، ربات‌های ماه یا کاوشگرهای اعماق فضا – انتظار می‌رود سطح فزاینده‌ای از خودمختاری داشته باشند. درگون‌فلای ناسا (که قرار است در دهه ۲۰۳۰ تایتان را کاوش کند) برای ناوبری در زمین و جو ناشناخته تایتان نیاز به هوش مصنوعی دارد و اساساً خودش را به اطراف قمر زحل برای رسیدن به سایت‌های علمی مختلف هدایت می‌کند. به طور مشابه، ماموریت‌های آینده مریخ (مانند ربات‌های جمع‌آوری نمونه‌ها) به احتمال زیاد از هوش مصنوعی برای ملاقات خودکار با ظروف نمونه یا برای تصمیمگیری علمی درباره جمع‌آوری نمونه‌ها استفاده خواهند کرد. با برنامه‌ریزی سفرهای انسانی به مریخ، هوش مصنوعی به خدمه ها در مدیریت زیستگاه، ناوبری در سطح و تحلیل علمی لحظه‌ای کمک خواهد کرد (چون فضانوردان نمی‌توانند در همه چیز متخصص باشند، دستیار هوش مصنوعی می‌تواند به شناسایی ویژگی‌های زمین‌شناسی یا جستجوی نشانه‌های حیات در داده‌ها کمک کند). علم مبتنی بر هوش مصنوعی موضوع بزرگی است: به جای اینکه فقط داده جمع‌آوری کرده و به زمین ارسال کند، فضاپیماها به طور فزاینده داده‌ها را به صورت داخلی تفسیر می‌کنند تا تصمیم بگیرند چه چیزی جالب است. پژوهشگران از اصطلاح «خودمختاری علمی» استفاده می‌کنند – فضاپیمایی که می‌داند به دنبال چه چیزی بگردد و می‌تواند ماموریتش را برای پیگیری یافته‌های جالب بدون نیاز به مکاتبه طولانی با زمین تنظیم کند nas.nasa.gov. ماموریت‌های بین‌سیاره‌ای همچنین از هوش مصنوعی برای مدیریت خطا در محیط‌های خشن اعماق فضا استفاده خواهند کرد، جایی که بازیابی سریع می‌تواند تفاوت بین ادامه یا از دست رفتن ماموریت باشد. حتی چشم‌انداز کاوشگران هوش مصنوعی وجود دارد که می‌توانند در محیط‌هایی بسیار پرخطر برای انسان یا کاوشگرهای معمولی فعالیت کنند – مثلاً یک کرایوبات آینده در اروپا (ربات نفوذکننده یخ) با هوش مصنوعی می‌تواند به طور مستقل به دنبال حیات میکروبی در اقیانوس‌های زیرسطحی بگردد و به سرعت درباره نمونه‌های قابل‌تحلیل تصمیمگیری کند. در کل، هوش مصنوعی به عنوان یک عامل کلیدی برای اکتشاف سریع‌تر و دورتر دیده می‌شود – علم بیشتری با کنترل مستقیم کمتر انجام می‌دهد. آژانس‌های فضایی برای این رویکرد نقشه راه مشخص دارند (مثلاً استراتژی اکتشاف هوش مصنوعی ناسا تا ۲۰۴۰ captechu.edu) که در آن هوش مصنوعی به عنوان «همراه هوشمند» برای کاوشگران انسانی و به عنوان یک عامل خودران برای ربات‌ها دیده می‌شود.
- صورتفلک‌های ماهواره‌ای خودران و مگاکانستلیشن‌ها: با افزایش چشمگیر تعداد ماهواره‌های فعال، مدیریت این ناوگان‌ها به شدت به هوش مصنوعی و اتوماسیون وابسته خواهد شد. به احتمال زیاد شاهد صورتفلک‌های مبتنی بر هوش مصنوعی خواهیم بود که در آن ماهواره‌ها از طریق لینک‌های بین‌ماهواره‌ای با یکدیگر هماهنگ شده و تصمیمات جمعی می‌گیرند. در صورتفلک‌های ارتباطی، این می‌تواند به معنای مسیریابی پویا داده‌ها در شبکه براساس میزان تراکم، یا تنظیم خودکار توان و فرکانس‌ها توسط ماهواره‌ها برای به حداقل رساندن تداخل با یکدیگر باشد (کاربردی فضایی برای بهینه‌سازی شبکه مبتنی بر هوش مصنوعی). در صورتفلک‌های مشاهده زمین، ماهواره‌ها ممکن است اطلاعات مربوط به اهداف را به اشتراک بگذارند؛ اگر هوش مصنوعی یک ماهواره چیزی را تشخیص دهد (مثلاً یک آتش‌سوزی جنگل)، می‌تواند سایر ماهواره‌ها را برای بازتخصیص مأموریت و گرفتن تصاویر تکمیلی به‌صورت خودکار مطلع کند. صورتفلک‌ها همچنین باید به طور خودکار پیکربندی مداری خود را حفظ کنند؛ هوش مصنوعی می‌تواند با پرواز دسته‌جمعی مدوام، موقعیت‌های نسبی دقیق ماهواره‌ها را حفظ کند (مانند مأموریت آینده Proba-3 آژانس فضایی اروپا که پرواز دقیق در دسته با کمک احتمالی هوش مصنوعی را آزمایش خواهد کرد). با حضور مگاکانستلیشن‌ها در مدار پایین زمین (ده‌ها هزار ماهواره مانند استارلینک، OneWeb، Kuiper آمازون)، اجتناب از برخورد و هماهنگی ترافیک به وظایفی عظیم تبدیل خواهد شد – در اینجا، هوش مصنوعی به احتمال زیاد ستون فقرات سیستم‌های مدیریت ترافیک فضایی خواهد بود، هر ماهواره را ردیابی کرده و مانورهای فرار را به طرز هماهنگ در سطح جهان اجرا خواهد کرد تا جاخالی دادن یک ماهواره موجب برخورد با دیگری نشود. انتظار می‌رود هوش مصنوعی بین‌ماهواره‌ای بیشتری نیز ببینیم: الگوریتم‌های توزیع‌شده هوش مصنوعی که روی چندین ماهواره برای حل مسائل به صورت جمعی اجرا می‌شوند (تا حدی شبیه یک شبکه عصبی غیرمتمرکز در فضا). برای مثال، یک خوشه ماهواره‌ای می‌تواند یک تصویر را به طور جمعی پردازش کند به این صورت که هر یک بخشی از کار را انجام دهند، یا عملیات سنجش توزیع‌شده انجام دهند که در آن هوش مصنوعی هر ماهواره بخشی از یک محاسبه بزرگتر را به عهده می‌گیرد (مثلاً ترسیم ساختار سه‌بعدی از زوایای مختلف). در اصل گرایش به سمت حرکت از ماهواره‌های هوشمند مجزا به سوی خوشه‌های هوشمند ماهواره‌ای است. این موضوع نحوه تعریف مأموریت‌ها را متحول خواهد کرد – به جای یک ماهواره = یک مأموریت، صورتفلک‌های مدیریت‌شده با هوش مصنوعی اهداف مأموریت را به عنوان یک سامانه واحد انجام خواهند داد. سازمان پروژه‌های پژوهشی پیشرفته دفاعی آمریکا (DARPA) و دیگر نهادها به طور فعال در این حوزه آزمایش‌هایی انجام می‌دهند (مثلاً رویکرد System-of-Systems دارپا برای فضا). تحقق این هدف نیازمند ارتباطات کراس‌لینک قابل اعتماد و پروتکل‌های استاندارد برای ارتباط و تفکر مشترک ماهواره‌هاست. نتایج این رویکرد شامل بهبود تاب‌آوری (در صورت خرابی یک ماهواره، دیگران جبران می‌کنند)، پوشش جهانی لحظه‌ای با بازتخصیص هوشمند و کاهش نیاز به دخالت انسانی در مدیریت روتین صورتفلک‌ها خواهد بود.
- همکاری انسان و هوش مصنوعی در فضا: در حوزه پروازهای فضایی سرنشین‌دار، انتظار می‌رود که هوش مصنوعی به عنوان دستیار خدمه و شریک مأموریت نقش فزاینده‌ای ایفا کند. فضاپیماها و زیستگاه‌های آینده (مانند آنهایی که برای پایگاه ماه آرتمیس یا کشتی سفر به مریخ در نظر گرفته شده‌اند) احتمالاً مجهز به سیستم‌های هوش مصنوعی خواهند بود تا پشتیبانی حیات را مدیریت کنند، مصرف انرژی و گرمایش را بهینه‌سازی کنند و ناهنجاری‌های سیستمی را تشخیص دهند – اساساً یک “خلبان خودکار” برای زیستگاه که وظایف معمولی یا حیاتی و مستمر را انجام می‌دهد تا فضانوردان بتوانند بر کاوش تمرکز کنند. نمونه اولیه‌ای از این امر را با CIMON در ایستگاه فضایی بین‌المللی دیدیم، و در آینده ممکن است هوش مصنوعی‌های مکالمه‌ای پیشرفته‌تری داشته باشیم که به سوالات فضانوردان پاسخ دهند (“چطور این مشکل فیلتر هوا را رفع کنم؟” با ارجاع به دفترچه‌های راهنما) یا حتی با تطبیق علائم با پایگاه داده پزشکی، مشاوره پزشکی ارائه دهند. ناسا بر روی مفاهیم دستیار مجازی کار می‌کند (آزمایش‌های پروژه Analog-1 آژانس فضایی اروپا (ESA) برخی تعاملات انسان-ربات را بررسی کرد، و برنامه پژوهش انسانی ناسا در حال مطالعه پشتیبانی‌های عامل‌گونه برای شرایط انزوا است). تا دهه ۲۰۳۰، فضانوردان ممکن است در مأموریت‌های اعماق فضا، یک همراه هوش مصنوعی داشته باشند که حالت شناختی و عاطفی آنها را رصد کند (برای کمک به مقابله با چالش‌های روان‌شناختی مأموریت‌های طولانی) و به عنوان رابطی با کنترل زمینی، ارتباطات را خلاصه یا بررسی‌های معمول را انجام دهد. تله‌اپریشن حوزه دیگری است – فضانوردان ممکن است از هوش مصنوعی برای هدایت از راه دور ربات‌ها یا پهپادها در سطح سیارات استفاده کنند (هوش مصنوعی می‌تواند تثبیت خودکار یا اجتناب از برخورد با اشیاء را فراهم کند و کار فضانورد را آسان‌تر سازد). اساساً، هوش مصنوعی بهره‌وری و ایمنی انسان را افزایش خواهد داد: اگر یک فضانورد در حال انجام تعمیر پیچیده‌ای باشد، هوش مصنوعی می‌تواند تضمین کند که هیچ مرحله‌ای فراموش نشود، کنترل‌های محیطی را تنظیم کند یا حتی یک بازوی رباتیک دوم را هماهنگ با انسان هدایت کند. این همکاری اغلب به عنوان «اتوماسیون شناختی» نامیده می‌شود – هوش مصنوعی بار سنگین شناختی رویه‌ها و عیب‌یابی را بر عهده می‌گیرد و توسط انسان هدایت می‌شود. نمونه‌ای ملموس و نزدیک، برنامه ناسا برای بهره‌گیری از فناوری دستیار صوتی Alexa (از شرکت آمازون) است که برای فضا تطبیق داده شده و (در سطحی محدود) در فضاپیمای اوریون طی مأموریت Artemis I نمایش داده شد. نسخه‌های آینده ممکن است با سیستم‌های فضاپیما ادغام شوند – به طوری که فضانورد بتواند بگوید “کامپیوتر، وضعیت آرایه‌های خورشیدی ما را بررسی کن” و هوش مصنوعی داده‌های تله‌متری را جمع‌آوری و پاسخ را گزارش کند. هدف نهایی، خودکفا کردن بیشتر مأموریت‌های سرنشین‌دار از زمین است که با توجه به افزایش فاصله (و تأخیر سرعت نور و قطع‌های ارتباطی)، ضروری است تا خدمه بتوانند به خود متکی باشند. سیستم‌های هوش مصنوعی مخصوص سرنشینان باید تحت آزمایش و اعتبارسنجی فراوانی قرار گیرند، اما پیشرفت در دستیارهای هوش مصنوعی مصرف‌کننده و رباتیک، به طور پیوسته وارد کاربردهای فضایی می‌شود.
- هوش مصنوعی برای ماموریت‌های بین سیاره‌ای و اعماق فضا: هرچه ماموریت‌ها دورتر بروند (مریخ، سیارک‌ها، سیارات بیرونی و فراتر)، هوش مصنوعی نه تنها مفید بلکه اغلب ضروری می‌شود. یکی از دلایل اصلی تاخیر ارتباطی است – در مریخ، زمان انتقال نور یک‌طرفه ۴ تا ۲۰ دقیقه است؛ در مشتری این زمان بیش از ۳۰ دقیقه است. یک فضاپیما در مشتری یا زحل نمی‌تواند از زمین کنترل لحظه‌ای شود. بنابراین، کاوشگرهای آینده اعماق فضا به هوش مصنوعی برای ناوبری (ناوبری نوری با استفاده از ماه و ستارگان، اجتناب از مخاطرات در زمان واقعی برای فرودگرها)، خودمختاری علمی (انتخاب نمونه‌هایی برای جمع‌آوری روی یک دنباله‌دار، یا تصمیمگیری برای تغییر مدار جهت مشاهده بهتر یک پدیده جالب) و مدیریت خطاهای آنبرد (زیرا انتظار کشیدن یک ساعت برای پرسیدن از زمین می‌تواند به معنای از دست دادن ماموریت باشد) نیاز دارند. پروژه‌هایی مانند فرودگر اروپا ناسا به استفاده از هوش مصنوعی برای انتخاب اهداف – فرود در نزدیکی ویژگی‌های جالب و سپس تصمیمگیری هوش مصنوعی فرودگر برای ذوب و تجزیه و تحلیل نمونه‌های یخ جهت جستجوی زیست‌نشانگرها بر اساس داده‌های حسگر – پرداخته‌اند. علاوه بر این، دسته‌های خودران از کاوشگرهای کوچک ممکن است محیط‌هایی مانند حلقه‌های زحل یا غارهای مریخ را بررسی کنند؛ هماهنگی این دسته‌ها در فاصله زیاد از زمین نیازمند کنترل مبتنی بر هوش مصنوعی محلی است. حتی زمان‌بندی شبکه فضای عمیق نیز ممکن است از هوش مصنوعی برای تخصیص بهینه زمان ارتباطات بین ماموریت‌های متعدد و دوردست بهره ببرد، به‌ویژه با اعزام تعداد بیشتری کاوشگر. یک مفهوم پیشرفته دیگر استنباط علمی آنبرد است: تصور کنید تلسکوپی مانند تلسکوپ فضایی جیمز وب یا یک رصدخانه آینده از هوش مصنوعی برای شناسایی رویدادهای گذرا (مانند ابرنواختر یا انفجار پرتو گاما) در داده‌های خود در زمان واقعی و سپس تغییر جهت یا تنظیم مشاهدات به صورت خودکار برای ثبت آن – اساساً کشف و پیگیری در همان فضاپیما – استفاده کند. این کار می‌تواند با پاسخگویی سریع‌تر نسبت به عملیات انسانی، بازدهی علمی را به ویژه برای پدیده‌های زودگذر بسیار افزایش دهد. همچنین احتمالاً شاهد استفاده از هوش مصنوعی در برنامه‌ریزی مسیر برای مسیرهای پیچیده با استفاده از جاذبه چند سیاره‌ای یا حفظ موقعیت در مدارهای ناپایدار (مانند مدار گیت‌وی به دور ماه) خواهیم بود – وظیفه‌هایی که فضای جستجوی آنها بسیار بزرگ است و بهینه‌سازی هوش مصنوعی می‌تواند راه‌حل‌های موثرتری پیدا کند. به طور خلاصه، هرچه ماموریت‌ها دورتر و طولانی‌تر بروند، بیشتر مجبور به تکیه بر هوشمندی داخلی خواهند بود و کاوش اعماق فضا و توسعه هوش مصنوعی دست در دست هم پیش خواهند رفت.
- هوش مصنوعی در صورت‌های ماهواره‌ای و ابرصورت‌های ماهواره‌ای: (پیش‌تر در بخش صورت‌های خودران توضیح داده شد، اما برای توضیح بیشتر درباره ابرصورت‌های ماهواره‌ای به طور خاص.) با ده‌ها هزار ماهواره برای تأمین اینترنت پهن‌باند پیوسته جهانی (استارلینک و غیره)، کنترل دستی غیرممکن است. ابرصورت‌های آینده احتمالاً از میزان بالایی از هوش مصنوعی متمرکز و توزیع‌شده بهره خواهند برد. هوش مصنوعی متمرکز (در سرورهای زمینی) وضعیت کلی شبکه را تحلیل کرده و تنظیمات سطح بالا را صادر می‌کند (مانند جابه‌جایی ماهواره‌ها بین صفحات مداری برای کاهش ازدحام، یا بهینه‌سازی تحویل ایستگاه‌های زمینی بر اساس پیش‌بینی تقاضای کاربران). هوش مصنوعی توزیع‌شده (درون ماهواره‌ها) امکان مذاکره محلی برای استفاده از طیف فرکانسی و اجتناب تعاملی از برخورد را فراهم می‌سازد. یادگیری فدره مفهومی است که می‌تواند کاربرد داشته باشد – ماهواره‌ها می‌توانند مدل‌های کوچکی را به صورت محلی بر اساس داده‌های مدار آموزش داده و یافته‌های خود را بدون نیاز به تمامی داده‌ها با سیستم مرکزی به اشتراک بگذارند تا بهبودهایی مانند واکنش به شرایط جوی فضایی یا استراتژی‌های جبران کشش جو را به صورت جمعی ارتقا دهند. روند دیگر، ایده «محموله‌های هوشمند» است: برای مثال، صورت‌های تصویربرداری که در آن هر فید دوربین ماهواره در مدار توسط هوش مصنوعی تحلیل می‌شود تا فقط رویدادهای مهم منتقل شود. با افزایش تعداد ماهواره‌های تصویربرداری، این امر برای جلوگیری از سیل تصاویر تکراری بر روی تحلیلگران زمینی حیاتی خواهد بود. شرکت‌هایی همچون Satellogic و برخی دیگر بررسی پردازش تصویر در مدار (“edge”) را با این هدف آغاز کرده‌اند. در صورت‌های مخابراتی، هوش مصنوعی می‌تواند لینک‌های لیزری بین‌ماهواره‌ای را مدیریت کند – پیکربندی مجدد توپولوژی شبکه برای عبور از نقاط قطعی یا کاهش تاخیر ارتباط در مناطق خاص هنگام اوج مصرف. در اصل، ابرصورت‌های ماهواره‌ای همانند ماشین‌های توزیع‌شده عظیم عمل خواهند کرد و هوش مصنوعی سیستم‌عاملی است که آنها را راه‌اندازی می‌کند. همچنین موضوع جدیدی مانند هماهنگی ترافیک فضایی بین صورت‌های مختلف مطرح است – شاید سیستم‌های بی‌طرف هوش مصنوعی بین استارلینک و صورت شرکت دیگری میانجی‌گری کنند تا از تداخل جلوگیری و به‌صورت ایمن جایگاه‌های مداری را به اشتراک بگذارند. مقررات‌گذارانی مانند FCC و مراجع بین‌المللی ممکن است در آینده قابلیت‌های هماهنگی خودران خاصی را در ماهواره‌ها الزامی کنند تا این محیط چندبازیگری مدیریت شود. همه این‌ها حاکی از آینده‌ای است که مدار زمین به یک اکوسیستم فعال و خودمدیریت از ماهواره‌ها تبدیل می‌شود – «اینترنت اشیای فضایی» – و هوش مصنوعی به منزله چسبی است که آن را کنار هم نگه می‌دارد.
- رایانش کوانتومی و هوش مصنوعی در فضا: اگرچه هنوز در مراحل ابتدایی است، اما ترکیب رایانش کوانتومی با هوش مصنوعی («هوش مصنوعی کوانتومی») می‌تواند در نهایت یک تحول اساسی برای کاربردهای فضایی باشد. رایانه‌های کوانتومی می‌توانند برخی دسته‌های خاص از مسائل را بسیار سریع‌تر از رایانه‌های کلاسیک حل کنند – نمونه‌های مرتبط شامل مسائل بهینه‌سازی، رمزگذاری/رمزگشایی و وظایف شناسایی الگو هستند. اگر پردازنده‌های کوانتومی بتوانند برای فضا ایمن شوند، یک فضاپیما می‌تواند یک هم‌پردازنده کوانتومی کوچک را به همراه داشته باشد تا الگوریتم‌های هوش مصنوعی را شتاب دهد یا تحلیل داده‌های فوق سریع انجام دهد. یکی از کاربردهای احتمالی یادگیری ماشین تقویت‌شده با کوانتوم است: یک رایانه کوانتومی ممکن است بخشی از محاسبات شبکه عصبی را انجام دهد یا در آموزش مدل‌ها سریع‌تر کمک کند، به طوری که مدل‌های پیچیده‌تر هوش مصنوعی بتوانند با منابع محدود اجرا شوند nstxl.org. دیگری در امنیت ارتباطات است – رایانش کوانتومی می‌تواند رمزگذاری ارتباطات ماهواره‌ای را تقویت کند (توزیع کلید کوانتومی هم‌اکنون از طریق ماهواره‌ها در حال آزمایش است) و بالعکس، هوش مصنوعی می‌تواند به مدیریت نویز و خطاهای خاص کانال‌های ارتباطی کوانتومی کمک کند. در زمینه پشتیبانی زمینی، سازمان‌هایی مانند ناسا و آژانس فضایی اروپا به رایانه‌های کوانتومی زمینی برای زمان‌بندی ماموریت‌ها و پردازش داده‌های فضایی نگاه می‌کنند؛ برای مثال، بهینه‌سازی کوانتومی می‌تواند برنامه‌ریزی مسیر ماموریت‌های سیاره‌ای یا زمان‌بندی هزاران مشاهده برای مگاکانستلیشن‌ها را به روشی انجام دهد که رایانه‌های کلاسیک در زمان معقول نمی‌توانند nstxl.org kroop.ai. آی‌بی‌ام و سایر شرکت‌ها شروع به همکاری‌هایی کرده‌اند (آی‌بی‌ام یک شبکه کوانتومی دارد که مثلاً سازمان‌هایی مانند سرن و برخی آژانس‌های فضایی مشارکت دارند تا کاربردها را بررسی کنند). محتمل است در یک یا دو دهه آینده، برخی ماهواره‌ها (به‌ویژه نظامی یا کاوشگرهای اعماق فضا) پردازنده‌های کوانتومی مقاوم در برابر تشعشع را برای وظایف خاص حمل کنند – حتی اگر تنها برای رمزگذاری برتر یا شبیه‌سازی دقیق پدیده‌های فیزیکی باشد. همچنین، حسگرهای کوانتومی (مانند گراوی‌مترها یا ساعت‌های کوانتومی) که داده ایجاد می‌کنند می‌توانند برای تفسیر آن داده‌ها از هوش مصنوعی استفاده کنند – حوزه‌ای که به آن «حسگری تقویت‌شده با هوش مصنوعی کوانتومی» گفته می‌شود. با اینکه رایانش کوانتومی در فضا هنوز آزمایشی است، یک همگرایی متصور است: هوش مصنوعی کوانتومی می‌تواند محاسبات عظیم برای طراحی مسیر یا شبیه‌سازی‌های فضاپیما را در چند ثانیه انجام دهد، یا قابلیت‌های جدیدی مانند بهینه‌سازی بلادرنگ شبکه‌های بزرگ و شکستن کدهایی که هم‌اکنون غیرقابل شکستن‌اند را فراهم کند nstxl.org. گام‌های نخست برداشته شده است (چین ماهواره‌های علوم کوانتومی را پرتاب کرده، و شرکت‌های تجاری سیستم‌هایی با دمای فوق سرد برای آزمون قطعات در ریزگرانش به فضا فرستاده‌اند). به طور خلاصه، فناوری کوانتومی احتمالا روزی هوش مصنوعی در فضا را متحول کند و بالعکس هوش مصنوعی به بهره‌برداری از اثرات کوانتومی کمک خواهد کرد – و بدین ترتیب مرز بعدی محاسبات با کارایی بالا را در خارج از زمین رقم خواهد زد. در حال حاضر، این روندی آینده‌نگر است که باید آن را دنبال کرد؛ و تحقیق و توسعه گسترده‌ای در جریان است.
- تکنیک‌های پیشرفته هوش مصنوعی: طراحی مولد، دوقلوهای دیجیتال و موارد دیگر: یکی دیگر از مسیرهای آینده، استفاده از هوش مصنوعی نه فقط در عملیات بلکه در طراحی و آزمایش سامانه‌های فضایی است. الگوریتم‌های طراحی مولد که توسط هوش مصنوعی قدرت می‌گیرند، می‌توانند با جستجوی ترکیب‌های متعدد در چارچوب محدودیت‌های تعیین‌شده، به‌طور خودکار ساختارها یا اجزای بهینه‌ای برای فضاپیماها ایجاد کنند – ناسا پیش‌تر از هوش مصنوعی مولد برای طراحی آنتن‌های بهتر و ساختارهای سبک‌تر برای فضاپیماها استفاده کرده است nstxl.org. انتظار می‌رود این روند رشد کند و توسعه سخت‌افزارهای بهینه‌شده را تسریع کند. دوقلوهای دیجیتال – که نسخه‌های مجازی فضاپیما یا حتی زمین هستند – نیز مورد توجه قرار گرفته‌اند. شرکت‌هایی مانند لاکهید مارتین و انویدیا دوقلوهای دیجیتال مبتنی بر هوش مصنوعی از محیط زمین برای شبیه‌سازی سناریوهای آب‌وهوایی و مداری می‌سازند nvidianews.nvidia.com developer.nvidia.com. برای فضاپیماها، یک دوقلوی دیجیتال که به‌صورت آنی با داده‌های تله‌متری و تحلیل‌های هوش مصنوعی به‌روز می‌شود، می‌تواند مشکلات فنی فضاپیما را پیش‌بینی کند یا مانورها را پیش از اجرا شبیه‌سازی کند و ایمنی را افزایش دهد. ناسا و ESA در این محیط‌های شبیه‌سازی شده توسط هوش مصنوعی برای عملیات مأموریت سرمایه‌گذاری می‌کنند. نهایتاً، در افق دورتر، علاقه‌مندی به فضاپیمای خودران (اجرای کاملاً خودمختار مأموریت‌ها) و حتی سیستم‌های خودترمیمی وجود دارد که در آنها هوش مصنوعی می‌تواند ربات‌ها یا چاپگرهای سه‌بعدی را برای رفع مشکلات فضاپیما بدون دخالت انسان هدایت کند. نشانه‌های این ایده‌ها هم‌اکنون دیده می‌شود (برای مثال، ایستگاه فضایی بین‌المللی چاپگر سه‌بعدی دارد و آزمایش‌های اولیه سوخت‌گیری رباتیک انجام شده است – با افزودن هوش مصنوعی، شاید روزی ماهواره‌ای به‌طور خودکار سوراخ برخورد شهاب میکرومتری را در پنل خورشیدی خود ترمیم کند). این قابلیت‌ها مسیر ماموریت‌های بلندمدت (مانند سفرهای چندساله یا پایگاه‌های دائمی در ماه) را هموار می‌کند که خودمختاری در آنها حیاتی است. هر یک از این مسیرها – از طراحی تا پایان عمر – نشان‌دهنده پیوند روزافزون هوش مصنوعی با چرخه عمر سامانه‌های فضایی است.
در مجموع، آینده شاهد گذار هوش مصنوعی از یک ابزار کمکی به یک پایه غیرقابل جایگزین معماری فضایی خواهد بود. ما فضاپیماهایی خواهیم داشت که باهوش‌تر، مستقل‌تر و مشارکتی‌تر هستند و مأموریت‌های بلندپروازانه‌ای چون سکونتگاه‌های پایدار قمری، سفرهای سرنشین‌دار به مریخ و صورت‌های فلکی عظیم ماهواره‌ای در خدمت زمین را ممکن می‌کنند – همه این‌ها به رهبری هوش مصنوعی پیشرفتهای که امروزه تازه در حال توسعه آن هستیم. همانطور که یکی از گزارش‌های صنعتی بیان کرده است، «آینده در ادغام هوش مصنوعی با محاسبات کوانتومی نهفته است؛ حل مسائل پیچیده و افزایش توانمندی‌های مأموریتی فراتر از آنچه امروز ممکن است» medium.com. دهه‌های پیش رو به‌روشنی این پیش‌بینی را به شیوه‌هایی هیجان‌انگیز تأیید خواهند کرد.
بازیگران و مشارکت‌کنندگان کلیدی در حوزه هوش مصنوعی و فضا
یک اکوسیستم گسترده از سازمان‌ها در این نقطه تلاقی هوش مصنوعی و فضا در حال پیشبرد پیشرفت هستند:
- سازمان‌های فضایی ملی: ناسا و آژانس فضایی اروپا (ESA) بسیاری از ابتکارات هوش مصنوعی در فضا را رهبری می‌کنند. آزمایشگاه پیش‌رانش جت ناسا (JPL) و مرکز تحقیقاتی ایمز به طور تاریخی پیشگام به‌کارگیری هوش مصنوعی در ماموریت‌ها بوده‌اند (مامور Remote Agent، فضاپیمای علمی خودران، خودمختاری مریخ‌نورد و غیره). ناسا همچنین آزمایشگاه توسعه مرزی (FDL) را با همکاری دانشگاه‌ها و شرکت‌های فناوری برای استفاده از هوش مصنوعی در چالش‌های علمی فضایی اداره می‌کند nasa.gov. آزمایشگاه فی ESA (Φ-lab) به هوش مصنوعی و فناوری‌های دیجیتال برای پایش زمین اختصاص داده شده و برنامه‌هایی نظیر چالش مداری هوش مصنوعی را برای استارتاپ‌ها برگزار می‌کند esa.int esa.int. آژانس‌های ملی در اروپا (DLR در آلمان، CNES در فرانسه، ASI در ایتالیا و غیره) هر کدام پروژه‌هایی دارند – برای مثال DLR در توسعه CIMON همکاری داشته، CNES آزمایشگاهی برای هوش مصنوعی با تمرکز بر استخراج و خودمختاری تصاویر ماهواره‌ای دارد و آژانس فضایی بریتانیا پروژه‌هایی با محوریت آزمایش مکعب‌ماهواره‌های AI را تأمین می‌کند. در آسیا، JAXA در ژاپن و ISRO در هند فعالیت خود را افزایش داده‌اند: JAXA با آزمایش موشک اپسیلون مبتنی بر هوش مصنوعی و پژوهش در حوزه فضاپیماهای خودران، و ISRO با بررسی امکان استفاده از AI برای رهگیری زباله‌های مداری و تحلیل تصاویر، بعلاوه همکاری با ناسا روی پروژه DAGGER برای طوفان‌های ژئومغناطیسی nasa.gov. سازمان ملی فضایی چین (CNSA) و مؤسسات وابسته چینی نیز سرمایه‌گذاری عمیقی انجام داده‌اند – ماموریت‌های اخیر چین (ماه‌نورد، مریخ‌نورد ژورونگ) ویژگی‌های خودران دارند و چین برنامه‌هایی برای صورت‌بندی مگاکانسلی هوشمند و حتی مفهوم ایستگاه خورشیدی مبتنی بر AI را اعلام کرده است. اگرچه اطلاعات محدود است، اما دانشگاه‌ها و شرکت‌های چینی (مانند بایدو که گفته می‌شود روی هوش مصنوعی فضاپیما کار می‌کند) قطعا بازیگران کلیدی هستند. خلاصه اینکه: تمامی آژانس‌های فضایی بزرگ جهان نقش مهم هوش مصنوعی را درک کرده و منابع قابل توجهی را برای تحقیق و توسعه، ماموریت‌های آزمایشی و همکاری‌ها برای پیشبرد آن اختصاص داده‌اند.
- سازمان‌های نظامی و دفاعی: در ایالات متحده، نیروی فضایی و سازمان‌هایی مانند آزمایشگاه تحقیقات نیروی هوایی (AFRL) و DARPA از مشارکت‌کنندگان اصلی هستند. پروژه Blackjack/Pit Boss که پیش‌تر به آن اشاره شد، پیمانکارانی مانند SEAKR Engineering و Scientific Systems Company را درگیر می‌کند و DARPA اغلب با دانشگاه‌های پیشرو (آزمایشگاه SLAB دانشگاه استنفورد برای هوش مصنوعی پهلوگیری space.com، MIT و غیره) قراردادهای پژوهشی پیشرفته می‌بندد. وزارت دفاع آمریکا مرکز مشترک هوش مصنوعی (JAIC) را تأسیس کرده که برخی ابتکارات مرتبط با هوش مصنوعی در حوزه فضا دارد و سازمان ملی اطلاعات ژئواسپاشیال (NGA) بر روی هوش مصنوعی برای جمع‌آوری اطلاعات ماهواره‌ای سرمایه‌گذاری می‌کند (حتی مسابقاتی برای الگوریتم‌های برتر بینایی ماشین در تصاویر ماهواره‌ای برگزار می‌کند). کنسرسیوم شرکت‌های فضایی (SpEC)، که یک مکانیزم قراردادی OTA است، شرکت‌های کوچک متعددی را برای نوآوری در حوزه هوش مصنوعی و فضا تأمین مالی کرده است nstxl.org – که نشان‌دهنده رویکرد وزارت دفاع برای جلب مشارکت بازیگران غیرسنتی است. ناتو و آژانس‌های دفاعی اروپا نیز برنامه‌هایی دارند – برای مثال، آزمایشگاه علوم و فناوری دفاع بریتانیا (DSTL) “هکاتون‌های هوش مصنوعی فضایی” اجرا کرده و فرماندهی نظامی فضایی فرانسه نیز در حال بررسی کاربرد هوش مصنوعی برای پایش فضایی است. این بازیگران دفاعی نه‌تنها فناوری را تأمین مالی می‌کنند، بلکه در تعیین استانداردهای مورد نیاز برای هوش مصنوعی قابل اعتماد در سیستم‌های حیاتی نیز نقش دارند. نیازهای آنان (امنیت، قابلیت اطمینان) اغلب موجب رشد حد انتظار عملکرد سیستم‌های هوش مصنوعی می‌شود.
- استارتاپ‌ها و شرکت‌های فناوری NewSpace: یک گروه پویا از استارتاپ‌ها در حوزه‌های خاصی از هوش مصنوعی فضایی مرزها را جابجا می‌کنند. چند مورد قابل توجه: Planet Labs – پیشگام مشاهده زمین با هوش مصنوعی، با استفاده از یادگیری ماشین برای تبدیل تصاویر به بینش‌های قابل استفاده به صورت روزانه fedgovtoday.com.Orbital Insight و Descartes Labs – اپراتور ماهواره‌ای نیستند، اما از هوش مصنوعی برای داده‌های جغرافیایی (تصاویر ماهواره‌ای، سیگنال‌های AIS و غیره) استفاده می‌کنند تا اطلاعاتی ارائه دهند (مانند ردیابی موجودی نفت جهانی با تجزیه و تحلیل سایه‌های مخازن).LeoLabs – اپراتور رادارهای زمینی است و از هوش مصنوعی برای ردیابی اشیاء در مدار پایین زمین (LEO) به منظور خدمات جلوگیری از برخورد استفاده می‌کند nstxl.org.کگنیتیو اسپیس – نرم‌افزار عملیات هوش مصنوعی برای ناوگان‌های ماهواره‌ای را ارائه می‌دهد (با همکاری AWS) aws.amazon.com aws.amazon.com.Ubotica Technologies – یک شرکت کوچک که سخت‌افزار و نرم‌افزار هوش مصنوعی را برای آزمایش Φ-sat-1 آژانس فضایی اروپا (ESA) تأمین کرد (پلتفرم هوش مصنوعی آنها با تراشه Movidius اینتل اساساً Φ-sat را ممکن ساخت).شرکت Hypergiant Industries – یک شرکت هوش مصنوعی که در زمینه فضا نیز فعالیت داشته است (با AFRL روی یک نمونه اولیه صورت فلکی ماهواره‌ای خودران کار کرده است).Relativity Space – همانطور که ذکر شد، از هوش مصنوعی در چاپ سه‌بعدی موشک‌ها استفاده می‌کند nstxl.org.SkyWatch – از هوش مصنوعی برای پلتفرم‌های داده که تصاویر ماهواره‌ای را به مشتریان متصل می‌کند، استفاده می‌کند.ناوبری پیشرفته – در حال کار بر روی راه‌حل‌های ناوبری مداری با هوش مصنوعی.کیتی هاوک (بلک‌اسکای) – با استفاده از هوش مصنوعی تصاویر دریافتی از صورت فلکی ماهواره‌های کوچک خود را به سرعت تحلیل می‌کند و «بینش به عنوان یک سرویس» ارائه می‌دهد. استارلینک (اسپیس‌ایکس) – اگرچه زیرمجموعه اسپیس‌ایکس است، اما مقیاس استارلینک باعث شد که مدیریت خودکار شبکه و اجتناب از برخوردها احتمالاً با استفاده از هوش مصنوعی انجام شود و آن را به یک مطالعه موردی برای استقرار در مقیاس بزرگ تبدیل کرده است.وان‌وب (OneWeb) و کوایپر (آمازون) نیز به سیستم‌های خودمختار نیاز خواهند داشت.تولیدکنندگان ماهواره مانند ساتلاجیک و ترن اوربیتال در زمینه هوش مصنوعی روی ماهواره همکاری می‌کنند (ساتلاجیک بحث درباره افزودن تراشه‌های هوش مصنوعی برای شناسایی اهداف تصویربرداری آنی را مطرح کرده است).همچنین شرکت‌های کوچک‌تری در زمینه هوش مصنوعی وجود دارند که بر روی موضوعاتی مانند ردیاب‌های ستاره‌ای مبتنی بر هوش مصنوعی (تعیین نگرش)، پردازش سیگنال RF تقویت‌شده با هوش مصنوعی برای ماهواره‌ها و حتی استفاده از هوش مصنوعی در طراحی مأموریت‌های فضایی (به عنوان مثال، Analytical Graphics, Inc.) کار می‌کنند.(AGI، که اکنون بخشی از Ansys است، عناصر هوش مصنوعی را در ابزارهای مسیر و وضعیت فضایی خود دارد.)در نهایت، دانشگاه‌ها و آزمایشگاه‌های تحقیقاتی شایسته ذکر هستند: آزمایشگاه Space Rendezvous دانشگاه استنفورد (برای اتصال خودران) space.com، آزمایشگاه سامانه‌های فضایی MIT (که بر روی خودمختاری ماهواره‌های توزیع‌شده کار می‌کند)، Caltech (هوش مصنوعی در اخترشناسی و خودمختاری را پوشش می‌دهد، به‌علاوه استارتاپ Ventures کال‌تک مانند SCIENTIA که بر روی هوش مصنوعی برای فضاپیماها کار می‌کند)، آزمایشگاه پرواز فضایی دانشگاه تورنتو و بسیاری مؤسسه‌های دیگر در سراسر جهان، تحقیقات زیربنایی را برای کاربردهای آینده تولید می‌کنند.
- شرکت‌های هوافضای تثبیت‌شده: شرکت‌های بزرگ و دیرینه هوافضا مانند لاکهید مارتین، ایرباس دیفنس و اسپیس، بوئینگ، نورثروپ گرومن و تالس آلنیا اسپیس به طور فزاینده‌ای هوش مصنوعی را در محصولات و خدمات خود ادغام می‌کنند. لاکهید مارتین در چند جبهه فعالیت دارد: کارخانه هوش مصنوعی برای استفاده داخلی، معماری اسمارت‌ست برای ماهواره‌ها و همکاری با NVIDIA در زمینه دوقلوهای دیجیتال هوش مصنوعی و رایانش لبه nvidianews.nvidia.com developer.nvidia.com. ایرباس نیز CIMON را توسعه داده و از هوش مصنوعی برای تحلیل تصاویر ماهواره‌ای (از طریق شرکت تابعه خود، ایر باس اینتلیجنس) استفاده می‌کند و به احتمال زیاد قابلیت خودگردانی را در پلتفرم‌های ماهواره‌ای آینده خود قرار خواهد داد. نورثروپ گرومن (که بسیاری از ماهواره‌های GEO را ساخته) نسبتاً در عرصه عمومی آرام‌تر بوده است، اما دارای برنامه‌های رندر وو اتوماتیک (مانند وسیله سرویس‌دهنده MEV که دارای الگوریتم‌های اتصال خودکار است) بوده و به احتمال زیاد در قراردادهای دفاعی برای سیستم‌های خودمختار نیز مشارکت دارد. تالس آلنیا بسیار فعال است: جدا از فناوری هوش مصنوعی اجتناب از برخورد thalesaleniaspace.com، آنها هوش مصنوعی را برای بهینه‌سازی محموله ماهواره و همچنین تحقیق در مورد صورت فلکی‌های مدیریت‌شده با هوش مصنوعی به کار می‌برند. این شرکت‌های بزرگ اغلب با استارتاپ‌ها و دانشگاه‌ها همکاری می‌کنند تا روش‌های نوآورانه را وارد کنند. همچنین با گنجاندن قابلیت‌های هوش مصنوعی در مناقصات ماهواره‌ای جدید (برای مثال: اکنون ممکن است ماهواره‌های سنجش از دور نیازمند پردازش هوش مصنوعی درون برد باشند – شرکت‌ها راهکار خود را پیشنهاد می‌دهند) در ایجاد استانداردهای صنعت سهم دارند. نمونه دیگر ریتیان است (شرکت Blue Canyon Technologies، یکی از زیرمجموعه‌های ریتیان، در حال ساخت ساختارهای ماهواره‌ای برای پروژه Blackjack دارپا است، که هرکدام گره‌های Pit Boss را حمل می‌کنند spacenews.com). علاوه بر این، آی‌بی‌ام از طریق هوش مصنوعی واتسون در پروژه CIMON نقش داشته و به فضا علاقه‌مند است (آی‌بی‌ام همچنین با دارپا روی برخی پروژه‌های هوش مصنوعی فضایی همکاری کرده است). آی‌بی‌ام، گوگل، مایکروسافت، آمازون – غول‌های فناوری – عمدتاً از طریق همکاری نقش ایفا می‌کنند: ارائه زیرساخت‌های ابری یا چارچوب‌های هوش مصنوعی برای مأموریت‌های فضایی و گاهی شراکت مستقیم (Azure Orbital مایکروسافت، AWS Ground Station آمازون با ادغام هوش مصنوعی، همکاری Google Cloud با ناسا FDL و غیره). با همگرایی بخش‌های فضا و فناوری، این شرکت‌های بزرگ به منبع مهمی برای ابزار هوش مصنوعی تبدیل می‌شوند، حتی اگر خودشان ماهواره نسازند.
در اصل، این یک شبکه متنوع است: آژانس‌های فضایی اهداف بزرگ مأموریت را تعیین کرده و تحقیق و توسعه را تأمین مالی می‌کنند، بخش دفاع انگیزه و بودجه لازم برای کاربردهای حساس را فراهم می‌آورد، شرکت‌های هوافضای قدیمی قدرت اجرا و تخصص سیستم‌ها را به میان می‌آورند، در حالی که استارتاپ‌های چابک راه‌حل‌های نوآورانه ارائه داده و بخش‌های خاصی را به پیش می‌برند. همکاری امری رایج است – به عنوان مثال، ناسا یا ESA با استارتاپی برای حمل یک محموله همکاری می‌کنند، یا شرکت‌های بزرگ هوافضا برای تقویت توانمندی‌های خود استارتاپ‌های هوش مصنوعی را خریداری می‌کنند. همچنین شاهد همکاری‌های میان‌صنعتی مانند لاکهید مارتین + انویدیا در زمینه دوقلوی دیجیتال زمین nvidianews.nvidia.com، یا آی‌بی‌ام + ایرباس + DLR در پروژه CIMON airbus.com هستیم. این رویکرد اکوسیستمی، پیشرفت را سرعت بخشیده و تضمین می‌کند که پیشرفتهای هوش مصنوعی تجاری (مانند بینایی ماشین بهتر) به سرعت وارد کاربردهای فضایی شود، و بالعکس، چالش‌های فضایی موجب تحریک تحقیقات جدید در هوش مصنوعی شوند (مانند چگونگی مقاوم کردن هوش مصنوعی در برابر تشعشعات یا داده‌های بسیار پراکنده). با دموکراتیک‌تر شدن فضا، حتی ممکن است شاهد ایجاد جوامع نرم‌افزار فضایی هوش مصنوعی متن‌باز نیز باشیم – تلاش‌های اولیه‌ای در گیت‌هاب برای خودمختاری CubeSat وجود دارد.
تلاش‌های جمعی این بازیگران به سرعت وضعیت هوش مصنوعی در فضا را پیش برده‌اند و آنچه زمانی علمی-تخیلی بود را به واقعیت عملی تبدیل کرده‌اند. با ادامه همکاری و نوآوری، دهه آینده احتمالاً شاهد جهشی بزرگتر خواهد بود – به طوری که استقلال عملیاتی هوش مصنوعی به امری عادی در اکثر مأموریت‌های فضایی بدل خواهد شد.
جمع‌بندی
ادغام هوش مصنوعی با سامانه‌های ماهواره‌ای و فضایی، عصر جدیدی از قابلیت در اکتشاف و بهره‌برداری فضایی را آغاز کرده است. هوش مصنوعی این امکان را به ماهواره‌ها می‌دهد که ببینند و فکر کنند – تصاویر را تحلیل کنند، صورت‌های فلکی پیچیده را مدیریت کنند و با حداقل دخالت انسانی از مخاطرات دوری جویند. فضاپیماهایی که به جهان‌های دیگر سفر می‌کنند روز به روز خودکفاتر می‌شوند و از هوش مصنوعی برای ناوبری، انجام تحقیقات و حتی تعمیر خود در فاصله‌ای دور از زمین بهره می‌برند. در زمین نیز، هوش مصنوعی به آژانس‌ها و شرکت‌های فضایی برای مدیریت وسعت و پیچیدگی عظیم عملیات مدرن فضایی – از مگا‌صورت‌های فلکی تا تحلیل داده‌های پتابایتی – کمک می‌کند.
این گزارش شرح داده است که چگونه هوش مصنوعی در حوزه‌های مختلف (از پایش زمین تا خودمختاری فضاپیما) به کار گرفته می‌شود، نقاط عطف توسعه آن در دهه‌های اخیر را بررسی کرده و کاربردهای کنونی آن در بخش‌های غیرنظامی، تجاری و دفاعی را مرور کرده است. همچنین به بلوک‌های ساختاری فناورانه‌ای که این فرآیند را ممکن ساخته‌اند – از سخت‌افزارهای تخصصی تا الگوریتم‌های پیشرفته – و فواید چشمگیری که هوش مصنوعی برای سامانه‌های فضایی به ارمغان می‌آورد (مانند تصمیمگیری بلادرنگ، بهره‌وری، مقیاس‌پذیری) پرداخته است. در عین حال، استفاده از هوش مصنوعی در فضا با چالش‌هایی همراه است که باید با دقت مدیریت شوند: منابع محاسباتی محدود، شرایط محیطی سخت و نیاز به اطمینان و اعتماد کامل به تصمیمات خودکار. غلبه بر این موانع محور تحقیقات و مهندسی کنونی است و پیشرفت‌ها به طور پیوسته حاصل می‌شود.
با نگاهی به آینده، نقش هوش مصنوعی در فضا تنها افزایش خواهد یافت. ماموریت‌های آینده احتمالاً بدون هوش مصنوعی غیرممکن خواهند بود، چه هماهنگی هزاران ماهواره برای ارائه اینترنت جهانی باشد، یا هدایت یک کاوشگر از میان فواره‌های یخی انسلادوس. هوش مصنوعی به عنوان یک همراه هوشمند کاوش عمل خواهد کرد – کسی که می‌تواند کشف کند، سازگار شود و همگام با کاوشگران انسانی بهینه‌سازی کند. فناوری‌های نوظهوری مانند محاسبات کوانتومی نویدبخش تقویت بیشتر قدرت هوش مصنوعی در فضا هستند و مسائل پیش‌تر دور از دسترس را حل خواهند کرد. می‌توانیم انتظار داشته باشیم فضاپیماهای هوشمندتری که به صورت دسته‌جمعی همکاری می‌کنند، پایگاه‌های رباتیک در ماه و مریخ که به صورت خودکار خودشان را نگهداری می‌کنند، و ابزارهای علمی که به عنوان پژوهشگر هوش مصنوعی عمل می‌کنند، داده‌ها را لحظه‌ای تفسیر کرده و به دنبال ناشناخته‌ها باشند.
در مجموع، هوش مصنوعی به سرعت در حال تبدیل شدن به سنگ‌بنای نوآوری فضایی است. همکاری بین هوش مصنوعی و فناوری فضایی این امکان را فراهم کرده تا بزرگی و پیچیدگی فضا را به شیوه‌هایی کاملاً جدید مدیریت کنیم. همانطور که یکی از محققان ناسا بیان کرد، با حضور هوش مصنوعی در فرآیند، ما ماموریت‌های فضایی را “از کنترل از راه دور به خودران” تبدیل کرده‌ایم – با افزایش سرعت، چابکی و جاه‌طلبی jpl.nasa.gov nasa.gov. همگرایی پیوسته این حوزه‌ها مرزهای دستاوردهای بشری در فضا را گسترش خواهد داد و مفاهیم علمی‌تخیلی را به واقعیت‌های عملیاتی بدل می‌کند. آینده اکتشافات فضایی و خدمات ماهواره‌ای بر پایه سامانه‌های هوشمندی ساخته خواهد شد که به ما قدرت می‌بخشد تا دورتر برویم، سریع‌تر عمل کنیم و بیش از همیشه بدانیم. این یک مسیر هیجان‌انگیز است که هر پیشرفت در حوزه هوش مصنوعی ما را عمیق‌تر به آخرین مرز می‌برد و ما را با ابزارهایی برای درک و پیمایش آن به شیوه‌ای بی‌سابقه مجهز می‌کند.
منابع: اطلاعات موجود در این گزارش از طیف وسیعی از منابع به‌روز گردآوری شده است، از جمله انتشارات رسمی سازمان‌های فضایی (ناسا، ESA، JAXA)، اخبار صنعت (SpaceNews، بیانیه‌های خبری ایرباس و تالس) و مطالعات موردی پژوهشی. منابع قابل توجه شامل اطلاعیه‌های ناسا درباره هوش مصنوعی برای پیش‌بینی طوفان‌های خورشیدی nasa.gov nasa.gov، مستندات ESA درباره مأموریت‌های آزمایشی Φsat esa.int esa.int، جزئیات خودمختاری مریخ‌نورد از JPL nasa.gov، گزارش Thales Alenia درباره استفاده از هوش مصنوعی برای اجتناب از برخورد thalesaleniaspace.com و دیدگاه‌های NOAA/ASRC Federal درباره استفاده از هوش مصنوعی برای پایش سلامت ماهواره‌ای در GOES-R asrcfederal.com asrcfederal.com می‌باشد. این منابع و سایر منابع ذکر شده، پایه‌ای مستند برای قابلیت‌ها و روندهای ذکرشده فراهم می‌کنند و منعکس‌کننده آخرین وضعیت روز فناوری تا سال‌های ۲۰۲۴–۲۰۲۵ هستند. این چشم‌انداز به سرعت در حال تحول است، اما نمونه‌های ذکرشده، پیشرفتهای کلیدی در تلاقی هوش مصنوعی و سامانه‌های فضایی امروزی را به‌خوبی نشان می‌دهند.
