卫星与空间系统中的人工智能

介绍

人工智能（AI）正日益与现代太空技术紧密结合，使航天器和卫星比以往任何时候都能更自主、更高效地运行。从帮助火星车在外星地形上导航，到在轨处理大量地球观测数据，机器学习和自动化规划等AI技术正在彻底改变我们探索和利用太空的方式。本报告全面概述了AI与卫星/太空系统的交汇，包括主要应用、历史里程碑、各领域的最新进展、支撑技术、优势与挑战、未来趋势，以及推动该领域进步的主要组织。

AI在太空系统中的应用

AI正在广泛应用于多种与太空相关的活动。主要应用包括：

• 卫星影像分析： AI驱动的计算机视觉极大加快了对卫星影像的解读。机器学习模型能够自动检测和分类地球上的特征（如车辆、建筑物、农作物或船只），并监测随时间的变化 ^[1]。这有助于通过快速筛选海量影像，支持情报、环境监测和灾害响应。例如，国家地理空间情报局（NGA）利用AI扫描影像以查找目标和活动，帮助从轨道上发现潜在威胁或重点动态 ^[2]。生成式AI技术也正在被探索用于填补图像数据中的缺口并提供上下文 ^[3]，提升目标识别与分析能力。在商业领域，Planet Labs等公司利用机器学习，将每日地球成像转化为分析结果——自动识别毁林、监测基础设施等，最大限度减少人工干预 ^[4]。
• 自主导航与机器人技术：航天器和机器人探测器利用人工智能进行自主导航和决策，无需持续的人工控制。火星车就是一个典型例子——美国宇航局的火星车配备了基于人工智能的自主导航系统，能够自主构建地形3D地图、识别危险、规划安全路线 ^[5]。毅力号的AutoNav系统让它能在“驾驶过程中思考”，避免障碍物，并且与早期火星车相比，其行驶速度大幅提升 ^{[6] [7]}。同样，人工智能使轨道卫星能以极少的地面干预完成维持驻留和轨道机动。研究项目正在开发基于AI规划的自主对接能力，例如，一种名为Autonomous Rendezvous Transformer（ART）的新系统，使用类似于ChatGPT中的Transformer神经网络，让航天器在有限的计算资源下自主规划对接轨迹 ^{[8] [9]}。这将使未来的航天器无需实时人工引导即可在轨道或遥远星球附近自主交会对接。在机器人领域，人工智能同样驱动着机器人臂和地表机器人——国际空间站的实验机器人CIMON（Crew Interactive Mobile Companion）是一种自由移动的AI助手，可以通过语音命令与宇航员互动并执行简单任务 ^[10]。这些例子说明了在无法实现实时人工操控的环境下，人工智能驱动的自主能力对于导航、探索和操作至关重要。
• 空间天气预报：人工智能有助于预测太阳风暴和其他可能危及卫星及电网的空间天气事件。通过分析航天器传感器数据流，AI模型可以以更长的提前量预测如地磁风暴等现象。值得注意的是，NASA研究人员开发了一种名为DAGGER的深度学习模型，它利用对太阳风的卫星观测数据，能够预测太阳风暴将在地球上的哪个位置袭击，提前30分钟预警 ^[11]。该模型在像ACE和Wind这样的任务数据训练下，可以在一秒内生成全球地磁扰动预测，并每分钟更新一次 ^{[12] [13]}。该模型通过结合实时空间数据与AI模式识别技术，相较以往模型表现更优，实现了类似“龙卷风警报器”式的太阳风暴预警 ^{[14] [15]}。这种由AI增强的预报对于为操作人员争取时间以保护卫星和基础设施免受太阳耀斑和日冕物质抛射的影响至关重要。除了地磁风暴，AI还被应用于预测地球辐射带中的高能粒子流 ^[16]，以及解读太阳望远镜数据以进行耀斑预测 ^[17]——提升了我们预测和减缓空间天气影响的能力。
• 空间碎片追踪与碰撞规避： 不断增加的轨道碎片云对卫星构成了碰撞风险，人工智能正被用于应对这一“太空交通管理”问题。机器学习可以提升对轨道物体的追踪与预测建模，帮助识别高风险的交会事件。欧洲空间局正在开发一套自动化的碰撞规避系统，利用人工智能评估碰撞概率，并决定何时卫星应采取规避动作 ^[18]。与如今大部分依赖人工——操作员每周要筛查数百条警报的过程 ^[19]——不同，AI系统可以自主计算轨迹、选择最优规避机动，甚至在卫星上直接执行这些动作。事实上，欧洲空间局预见到未来卫星之间会运用AI相互协调规避动作，这在低地球轨道日益拥挤的情况下至关重要 ^{[20] [21]}。像LeoLabs和Neuraspace这样的初创公司，也利用AI筛选传感器数据并预测近距离接近情况，自动发出“交会”警报。泰雷兹阿莱尼亚航天公司与AI公司Delfox合作，正在测试一种“智能碰撞规避”AI，可以让卫星在躲避碎片甚至反卫星武器时拥有更高的自主性 ^{[22] [23]}。通过快速分析轨道和可能的规避动作，AI在防止碰撞方面能够比人工操作更迅速地做出反应。随着巨型星座发射数万颗新卫星，这种优化决策支持变得越来越关键。
• 任务规划与优化：人工智能技术正在简化太空任务和卫星运行中复杂的规划工作。这包括对卫星观测、通信联络，甚至整个任务时间线的自动化排程。基于人工智能的规划系统能够考虑多种约束条件（轨道动力学、电力可用性、地面站窗口等），并在远短于人工团队所需时间的情况下生成最优方案 ^{[24] [25]}。例如，Cognitive Space等公司为地球观测星座提供AI驱动的任务规划：他们的软件能够自主优先排序成像目标，分配卫星资源，并通过实时平衡优先级和约束条件来安排数据回传时间 ^{[26] [27]}。这一类智能自动化让一名操作员能够高效管理数百颗卫星的舰队。人工智能也被用于轨道优化——NASA及其它机构采用算法（有时与量子计算研究结合），以寻找节省燃料的航天器飞行路线，或优化多目标观测序列 ^{[28] [29]}。即便是在载人任务中，人工智能也能优化任务计划和后勤。总之，机器学习与启发式搜索算法正在帮助以更高效率协调太空任务，尤其是在任务复杂度和规模提升的情况下。
• 卫星健康监测与预测性维护：卫星不断生成其子系统的遥测数据，如今，人工智能算法正用于分析这些数据，以检测异常并在故障发生前预测问题。通过使用机器学习进行异常检测，操作员可以从被动修复转向主动的维护计划，从而延长卫星寿命并避免昂贵的中断。一个值得注意的例子是NOAA的GOES-R气象卫星，自2017年以来，这些卫星就采用了基于人工智能的先进智能监测系统（AIMS）来监控航天器的健康状况 ^{[30] [31]}。AIMS可以摄取数千个遥测参数（温度、电压、传感器输出等），并利用模式识别技术捕捉设备故障前的微小变化 ^[32]。其随后可以提醒工程师甚至自动执行纠正操作。根据NOAA的说法，这种AI工具能够在几分钟或几小时内定位问题并建议修复方案，而专家们过去往往需要几天时间才能诊断出问题 ^[33]。该系统已通过捕捉异常（比如仪器探测器受到辐射影响）并在故障发生前实现调整或重启，有效防止了计划外的停运 ^{[34] [35]}。类似地，卫星制造商们也在探索机载人工智能用于故障检测、隔离与恢复（FDIR）——本质上赋予卫星一定的自主维护能力。在轨服务航天器也可能利用AI来诊断客户卫星的问题。总体而言，预测性分析通过从微妙的数据特征中提前发现问题，提升了太空基础设施的可靠性和韧性 ^{[36] [37]}。
• 通信与数据传输：人工智能正在通过认知无线电和自动网络管理等技术提升太空通信能力。认知无线电系统利用AI/机器学习动态分配频率并实时调整信号参数，这在太空频谱使用日益密集的情况下尤为重要。NASA曾试验过认知无线电，使卫星能够自主寻找和使用未被占用的频谱，无需等候地面控制人员的指令 ^{[38] [39]}。通过感知无线电频率环境并应用AI，卫星可实时避开干扰并优化下行链路——就像智能Wi-Fi路由器跳频一样。这大大提高了通信链路的效率和可靠性 ^[40]。AI还被用于下一代卫星星座的网络路由，届时数千颗卫星将在网状网络中中继数据。机器学习可根据流量需求与链路状况智能判断最佳路由并分配带宽。此外，借助AI的星载数据处理，可减少需传回地球的原始数据量，从而缓解带宽压力。例如，欧洲空间局Φsat卫星使用AI视觉算法在轨筛除多云图像，只下传有用的图像 ^[41]。基于AI的压缩技术也能更高效地编码数据——Φsat-2搭载的AI驱动图像压缩应用在传输前大幅缩小文件体积 ^[42]。在与宇航员交流中，AI驱动的语音助手和翻译工具（如ISS的CIMON）提升了人机互动体验。展望未来，随着太空激光通信和5G的发展，AI将在自主管理网络资源并保持联通性方面发挥核心作用。

NASA的“毅力”号火星车依赖AI驱动的自主导航，在没有人类直接控制的情况下穿越危险的火星地形 ^[43]。其搭载的“AutoNav”自动导航系统可以实时规划路径并避开障碍物，相比早期火星车大大提高了行驶速度与范围。在火星漫长的通信延迟条件下，这种自主性对高效探索至关重要。

年份	里程碑
1970年代–1980年代	早期人工智能概念：航天机构开始探索将人工智能用于任务控制和专家系统。

例如，NASA 正在试验用于航天器自动故障诊断和观测任务调度的软件。这些早期的人工智能应用受限于计算机能力，但为太空自主性奠定了基础 ^{[44] [45]}。（在此期间，由于机载计算机的处理能力较低，大多数“人工智能”都是基于地面的。）1999年深空1号上的远程代理： 一个重大突破——美国宇航局的深空1号探测器搭载了远程代理人工智能软件，这是人工智能系统首次自主控制航天器 ^[46]。在1999年5月的3天里，远程智能体在没有地面干预的情况下管理了DS1的操作，实时规划活动并诊断模拟故障 ^{[47] [48]}。它成功检测并修复了问题（例如通过在飞行中重新规划（例如修复卡住的相机），证明了以目标为导向的人工智能可以自主保持任务正常进行 ^{[49] [50]}。这一实验是由NASA喷气推进实验室和NASA艾姆斯联合进行的，被誉为“太空探索新时代的曙光”，在这个新时代中，具有自我意识和自我控制能力的航天器将使更大胆的任务成为可能 ^[51]。Remote Agent 获得了 NASA 1999 年度最佳软件奖 ^[52]，被认为是太空人工智能历史上的一个里程碑。2001–2004EO-1 上的自主科学飞船： NASA 的地球观测一号卫星展示了一个由人工智能驱动的 自主科学飞船实验（ASE）。到2004年，ASE 已经在轨道上使用机载机器学习来分析图像，并根据发现结果重新分配卫星任务 ^{[53] [54]}。例如，如果EO-1的人工智能在一张图像中检测到火山喷发，它会立即安排在下一个经过时对该火山进行后续观测 ^[55]。这种闭环自主能力是航天器首次自主做出科学决策的实例之一。它还包括一个机载规划器（CASPER）和强大的执行软件，在地球轨道任务中基于远程代理（Remote Agent）概念进行开发。ASE能够实时检测到诸如喷发和洪水等事件，验证了人工智能在响应式地球观测中的实用性。2005–2012年探测车与调度人工智能：由人工智能驱动的自主性在火星探测和天文台运行中得到了扩展。2000年代的火星探测车（勇气号和机遇号）使用了自主导航，后来在任务中还使用了一种名为AEGIS的软件，使它们能够自动用光谱仪瞄准岩石。这是后来探测车更高级自主性的前兆。与此同时，人工智能规划系统也在地面被采用——美国宇航局开发了复杂的调度算法，用于仪器（如哈勃太空望远镜和卫星星座）的观测计划，以优化观测时间线。这些早期的AI运营部署提高了效率，减轻了人类控制员的工作负担。2013JAXA的Epsilon——首个AI支持的运载火箭：日本宇宙航空研究开发机构（JAXA）发射了Epsilon火箭，这是首个搭载基于AI的自主检查系统的运载火箭。Epsilon 号上的人工智能在倒计时和飞行期间执行了自动健康检查和监控，减少了对大型地面控制团队的需求 ^{[56] [57]}。这项创新将发射准备时间从数月缩短到仅需几天，因为它让火箭能够自检各种系统，只需一个小团队在“移动控制”环境下操作 ^[58]。2013年，Epsilon的成功表明，人工智能可以通过自动化以往劳动密集型的流程，提高可靠性并大幅降低发射成本 ^{[59] [60]}。2015年“好奇号”火星车的AI目标选择： 美国国家航空航天局(NASA)的“好奇号”火星车于2012年着陆，到2015年已部署一套AI系统（AEGIS），可通过图像分析，让火星车自主选择化学摄影机（ChemCam）激光仪器的岩石目标。因此，Curiosity 成为第一个使用人工智能进行机载科学决策的探测车（根据形状/颜色选择感兴趣目标） ^[61]。这种能力预示着“毅力号”上更先进的自主科学。2018CIMON – 国际空间站上的AI船员助手：船员交互式移动伴侣（CIMON），由空中客车公司和IBM为德国航空航天中心（DLR）建造，成为第一个由人工智能驱动的宇航员助手。这个球形机器人于2018年被送往国际空间站，利用IBM Watson人工智能进行语音识别和对话互动 ^[62]。CIMON能够在微重力环境中漂浮，响应语音指令，在其“脸部”屏幕上显示信息，甚至还能进行闲聊。它与宇航员亚历山大·格斯特（Alexander Gerst）成功完成了首次测试，展示了人类与人工智能在太空中的合作 ^{[63] [64]}。CIMON标志着人工智能集成到载人航天任务中以提供操作支持，并展示了虚拟助手帮助宇航员的潜力。2020年ESA Φ-sat-1——地球轨道上首个机载AI处理器： 欧洲航天局发射了Φ-sat-1（PhiSat-1），这是一个立方星实验，也是第一个携带专用AI芯片（Intel Movidius Myriad 2）的地球观测卫星 ^[65]。Φ-sat-1 的人工智能被赋予的任务是在轨道上过滤被云层覆盖的图像——本质上是在太空中对图像进行初步筛选，这样只有有用的数据才会被下传 ^[66]。于2020年发射，它证明即使是小型卫星也能在轨道上进行边缘 AI 处理，为更具雄心的后续任务如 Φ-sat-2 铺平了道路。2021毅力号和先进的火星车人工智能： 美国宇航局（NASA）的毅力号火星车（于2021年2月着陆）带来了迄今为止在火星上最先进的自主能力。其AutoNav导航人工智能使其能够在行驶过程中实时处理图像以避开危险，从而实现高达好奇号5倍的速度 ^{[67] [68]}。毅力号还携带了用于科学研究的人工智能：例如，其PIXL仪器上的“自适应采样”人工智能可以让其在没有地球指令的情况下自主识别有趣的岩石特征进行分析 ^{[69] [70]}。2021年也见证了AI在地面上越来越多地用于管理不断增长的卫星数量和空间数据（例如，美国太空部队采用人工智能进行太空域态势感知）。2024Φ-sat-2及其后续： ESA的Φ-sat-2（于2024年发射）是一项完全以人工智能为核心的卫星任务，机载六个AI应用程序，用于从云检测到船只跟踪等任务 ^[71]。它代表了在轨道上部署人工智能的最新技术，甚至允许在发射后上传新的人工智能模型 ^[72]。大约在同一时间，DARPA 的Blackjack项目正在部署实验性的小型卫星，每颗卫星都配备有一个Pit Boss人工智能节点，用于自主管理分布式星座中的军事任务载荷和网络 ^[73]。这些发展表明，人工智能正从实验阶段过渡到航天系统的实际运行阶段，各航天机构和公司正在将人工智能作为未来任务的核心部分进行规划。

这一时间线显示出一个明显的趋势：起初只是一些孤立的试验（如Remote Agent），而到了2020年代，人工智能已广泛融入航天器。

每一个里程碑都增强了人们对人工智能能够在太空环境下可靠运行的信心。如今，几乎所有先进的太空任务都采用了某种人工智能或自主技术，全球对太空人工智能的投资也在加速增长。

太空技术中人工智能的历史演变

人工智能在太空系统中的应用经历了从实验性起步到成为众多任务核心组成部分的过程。关键里程碑包括：

太空系统中人工智能的现状

政府和机构项目：各国航天机构正积极将人工智能嵌入其科学、探索和卫星项目中。美国航天局（NASA）利用人工智能实现探测车自主、行星科学数据分析、地球观测和任务操作。例如，NASA 的 Frontier Development Lab（FDL）是一个公私合作伙伴项目，利用人工智能应对如太阳风暴预测（诞生了 DAGGER 模型） ^[74]、月球资源测绘和宇航员健康监测等难题。NASA 即将开始的阿耳忒弥斯（Artemis）计划正在测试人工智能助手（如绕月飞行的Callisto语音助手），并考虑将人工智能应用于月球网关的自主系统。欧洲航天局（ESA）同样将人工智能作为其战略支柱——除了Φ-sat任务外，ESA 的ɸ-lab孵化了地球观测和导航领域的人工智能解决方案，并正在开发如自动规避碰撞等空间安全项目 ^{[75] [76]}。欧洲航天局还在地面使用人工智能管理其复杂的卫星仪器调度，并处理来自天文台的大量数据。其他航天机构：日本宇宙航空研究开发机构（JAXA）在运载火箭中展示了人工智能，并正在研究由人工智能驱动的探测器（如用于小行星探测）；俄罗斯联邦航天局（Roscosmos）和中国国家航天局（CNSA）据称正投入到自主决策和图像分析、载人航天支持的人工智能研究中（中国2021年火星车具有自主导航能力，并曾讨论过用 AI 管理超大型星座）。美国国家海洋与大气管理局（NOAA），如前所述，已利用人工智能监测卫星健康状态，并期待通过 AI 提升卫星数据同化下的天气预报能力 ^[77]。简而言之，政府航天项目普遍将人工智能视为最大化任务科学回报以及管理日益复杂的运营的关键。

军事与国防：国防和国家安全领域正在大力投资太空人工智能，驱动因素是需要在充满竞争和数据饱和的环境中实现更快的决策 ^{[78] [79]}。

美国国防部有几个项目：例如，DARPA 的 Blackjack 项目旨在部署一个原型低轨道小卫星星座，每颗卫星都配备一个 Pit Boss 人工智能节点，用于自主协调网络并共享战术数据 ^[80]。其理念是，一支由军事卫星组成的舰队可以通过机载传感器探测目标（如移动导弹发射车或舰船），并协作决定哪颗卫星最适合进行观测或跟踪，然后自动指示那颗卫星收集数据并进行中继——这一切都无需中央控制器 ^{[81] [82]}。这种自主“从传感器到射手”链条极大地缩短了响应时间。美国太空部队也正在采用人工智能进行空间域感知——跟踪轨道上的物体和潜在威胁。鉴于每天有成千上万次观测，太空部队使用人工智能/机器学习来自动识别新的卫星或机动。专家指出，需要人工智能来跟上“庞大的太空交通数据流”，并能迅速区分正常事件与异常或敌对行为 ^{[83] [84]}。盟军防御组织（例如在欧洲）同样探索将人工智能用于卫星监视、导弹预警（人工智能用于筛选传感器数据以排除误报）以及太空资产的网络安全。在地面部分，AI 有助于国防卫星的任务规划，类似于商业用途，但更强调弹性（如果卫星被干扰或攻击，AI 可自主重新配置网络）。情报机构利用人工智能大规模分析卫星图像和信号情报，正如国家地理空间情报局（NGA）在图像分析中使用人工智能所指出的 ^[85]。总之，军事航天系统正在引入人工智能以提升速度和效率——无论是陆军部队通过人工智能筛选的影像更快获得卫星情报，还是自主卫星集群在某个节点失联后重新规划通信路线。这些能力被视为倍增力量的因素。然而，也需要保持谨慎：国防利益相关者强调“可信AI”——算法必须具有可解释性和强健性，以便指挥官能够信任其输出结果 ^{[86] [87]}。目前正在努力对关键太空任务的人工智能系统进行验证和确认。

商业领域：私营航天公司和初创企业积极采用人工智能，以在成本和能力上获得竞争优势。例如，SpaceX高度依赖自动化和复杂算法（虽然并不总是明确标注为“AI”）——其Falcon 9火箭通过计算机视觉和传感器融合实现自主着陆，Crew Dragon飞船则通过AI引导的导航和LIDAR成像技术，实现与国际空间站的全自动对接 ^[88]。据报道，SpaceX的Starlink卫星拥有自主避碰系统，能够利用跟踪数据在无人工干预下规避太空碎片或其他卫星，这对于拥有4000多颗卫星的巨型星座来说是必要的。地球观测公司如Planet Labs几乎将其业务建立在AI之上：Planet运营着约200颗成像纳米卫星，利用云端机器学习对每日影像流进行分析（检测变化、目标和异常）为客户服务 ^[89]。Maxar Technologies和BlackSky同样利用AI增强其分析服务（例如识别影像中的军事装备或自然灾害影响）。在制造领域，像Relativity Space这样的初创企业采用AI驱动的3D打印机和机器学习反馈来优化火箭生产 ^[90]——他们的工厂AI会从每一次打印中学习，以提升质量和速度。卫星运营商也在采用AI进行网络优化；例如，管理大型通信卫星群的公司使用AI调度系统动态分配流量和频谱。前文提到的Cognitive Space，为商业星座运营商和政府双方提供AI运维平台。即便是传统航天巨头也有专门的AI项目：洛克希德·马丁创立了“AI工厂”，用来在高级仿真中训练神经网络，并已开展实验性AI驱动SmartSat任务（其中一项使用NVIDIA Jetson AI模块进行机载图像增强） ^{[91] [92]}。空中客车（Airbus）和泰雷兹阿莱尼亚（Thales Alenia）在其新一代卫星中嵌入AI能力，并与AI公司合作（如空客与IBM合作开发CIMON，泰雷兹与高光谱影像分析公司合作）。商业趋势明显——AI被视为实现作业自动化（减少所需人员）、提升系统性能、开启新数据服务的关键。这一潮流覆盖了火箭发射（自主火箭）、卫星（机载处理）、下游分析（通过AI将原始太空数据转化为洞见）。

支撑太空AI的技术基础

• 机载“边缘”计算：一个根本性的转变是太空级计算硬件的改进，使得复杂的AI模型能够在航天器本地运行。

传统上，卫星处理器的速度比消费类电子产品慢几个数量级（为了抗辐射），这限制了机载数据处理能力。然而，如今耐辐射的AI加速器正在出现。ESA 的 Φ-sat 任务使用了 Movidius Myriad 2 VPU——本质上是一种微型神经网络加速器——在轨道上对图像进行推理。同样，洛克希德·马丁的实验性SmartSat平台在小型卫星上集成了基于NVIDIA Jetson GPU的计算机 ^{[93] [94]}。2020年，洛克希德和南加州大学在太空中飞行了一颗搭载Jetson的立方星，以测试人工智能应用，如图像超分辨率和实时图像处理 ^{[95] [96]}。Jetson 提供了 0.5+ TFLOPs 的计算能力，这对于立方体卫星来说是一次巨大飞跃，使其能够即时增强图像（他们的 SuperRes AI 应用），并且可以在发射后上传新的机器学习软件 ^{[97] [98]}。另一个例子是DARPA的Pit Boss，本质上是由SEAKR Engineering制造的超级计算机节点，将搭载在Blackjack卫星上，在星座间执行分布式AI处理和数据融合 ^[99]。为了支持这些进步，下一代太空处理器正在开发中：NASA 即将推出的高性能航天计算（HPSC）芯片（采用 12 个 RISC-V 内核）将提供当前抗辐射 CPU 计算能力的 100 倍，并通过矢量加速器专门支持 AI/ML 工作负载 ^{[100] [101]}。预计将在本十年后期首次亮相，HPSC 将使 2030 年代的任务能够在满足严格的电力和可靠性需求的同时，在机载运行复杂的视觉和学习算法 ^{[102] [103]}。总之，从小型卫星中的人工智能加速器到多核抗辐射处理器，太空级计算的重大进展正在为自主、充满人工智能的航天器奠定硬件基础。

在太空中实现人工智能能力需要克服独特的技术挑战。主要推动因素包括：

机载软件框架与神经网络：软件的进步同样重要。工程师们正在开发轻量级AI模型和经过优化的代码，使其能够在航天器的存储和处理限制下运行。模型压缩、量化和FPGA加速等技术已被用于在太空中部署神经网络。例如，Φ-sat-1上的云检测AI就是一个经过压缩的卷积网络，能够实时检测多光谱数据中的云层，而即将发射的Φ-sat-2支持可定制AI应用，这些应用可以通过灵活的软件定义有效载荷计算机上传并在轨道上运行 ^{[104] [105]}。这本质上创造了“一种太空中的应用商店”模式——卫星在发射后可以通过新AI功能实现重新配置。此外，强大的自主软件架构（由Remote Agent等项目开创）正日益成为标准。这些架构包括执行系统，可以将计划下发给子系统并处理各种突发情况，还包括用于故障诊断的基于模型推理引擎。先进软件与强大硬件的协同，使现代卫星可以在机载运行完整的AI/ML流程：从传感器数据采集→预处理→推理（如图像中的目标检测）→决策（如是否下传数据或进行新的观测）。某些卫星甚至会搭载多个AI模型用于不同任务（Φ-sat-2同时运行六类AI应用 ^[106]）。这里一个重要的推动力是边缘AI的概念，即要设计能够在受限甚至是间歇性计算环境下高可靠性运行的AI算法。这包括对辐射导致错误的充分测试及故障保护措施，确保即使AI出错，也不会让航天器处于风险之中。

地面段 AI 与云集成：并非所有的空间 AI 都需要部署在航天器上——另一个推动趋势是将云计算和 AI 集成到地面站和任务控制中。运营商正利用云平台，在卫星遥测和图像到达的实时过程中，通过 AI 进行处理，甚至更智能地对卫星进行控制。例如，亚马逊云服务（AWS）和微软 Azure 都提供“地面站即服务”，让卫星数据可以直接流入云数据中心，由 AI 模型在采集后几秒内进行分析。AWS 的一个案例研究展示了一个云任务操作中心（CMOC），任务规划、轨道动力学和数据分析子系统都作为云中的微服务运作 ^{[107] [108]}。在这样一种架构中，可以利用 AI 对遥测数据进行异常检测（使用 AWS SageMaker 机器学习模型来发现异常遥测读数），以及进行星座优化（Cognitive Space 的 CNTIENT.AI 在 AWS 上运行，实现卫星调度自动化） ^{[109] [110]}。云平台为模型训练历史空间数据和运行计算密集型分析（如处理合成孔径雷达图像或分析成千上万的碰撞预警）提供了几乎无限的算力。它还具备全球可扩展性——AI 驱动的操作中心能够随着星座规模扩展，而无需成比例增加硬件基础设施 ^{[111] [112]}。卫星与支持 AI 的云系统的紧密集成，已经成为当前空间 AI 生态的重要组成部分。这实现了一种混合智能：基础决策和数据压缩在星上完成，而更深入的分析和战略决策则在地面用大数据 AI 落地，通过两者之间的反馈回路共同推进。

专为太空设计的AI算法： 这些系统的核心是专门为太空应用量身定制的算法。例如，基于视觉的导航算法利用神经网络进行光学导航（识别地标或恒星以获取定位/定向）。强化学习也在航天器控制中被研究——例如姿态控制系统通过学习来获得最佳扭矩指令以最小化燃料消耗，或者RL策略学习如何完成轨道交会和对接。斯坦福团队的ART对接AI就是一个例子，其中通过学习方法（Transformer神经网络）取代了暴力轨迹计算 ^[113]。另一个领域是异常检测：如单类SVM（一类支持向量机）或自编码网络等技术被用于遥测数据模式，以检测表明故障的异常点，正如GOES AIMS和类似系统中所做的 ^{[114] [115]}。自然语言处理甚至已经进入太空操作领域；任务控制中心正在原型化能够解析操作文档或语音命令的AI助手（比如能从操作手册调取信息协助排障的会话型助手）。最后，量子计算方面的进展有望大幅提升某些与太空相关的AI计算能力（后文会详细讨论）——例如，量子算法或许可以解决复杂的轨道优化问题，或以经典AI难以破解的方式加密通信 ^[116]。所有这些算法与计算技术的发展，构成了AI在太空有效部署的基础。

ESA的Φsat-2卫星于2024年发射，是最早专为利用机载AI而建的卫星之一。该立方星仅有22×10×33厘米大小，搭载了一颗强大的AI协处理器，可在轨分析图像——自动完成如云层检测、地图生成、船只与野火检测等任务，然后再下传 ^[117]。通过边缘处理，Φsat-2能够只将有用且已分析的信息下传到地面，大幅减小带宽需求，同时实现来自太空的实时洞察。这一任务展现了微型硬件与先进AI软件在微型卫星上的技术融合。

在太空部署AI的优势

将AI集成到太空系统中带来了诸多益处：

• 提升自主性与实时决策：人工智能使航天器能够在无需等待来自地球指令的情况下，直接在船上做出瞬间决策。这对远距离任务（如火星探测车或深空探测器）至关重要，因为通信延迟从几分钟到几小时不等。通过本地操作，人工智能能够对动态事件做出快速反应——如探测车一旦摄像头发现危险立即停车，或卫星在只有几秒钟的通知时间内躲避太空垃圾。本质上，人工智能赋予了航天器一定程度的自我依赖能力，使任务即使在失去联络时也能安全高效地继续。这也减少了对持续人工监控的需求。例如，Remote Agent演示表明，人工智能能够在实时中独立排查航天器故障 ^{[118] [119]}。近期，Sentinel-2林火实验显示，直接在航天器上检测危险（如森林火灾或非法航运）可以为应对人员提供近乎实时的警报，相比全部在地球上处理会延迟几个小时甚至几天 ^{[120] [121]}。总体而言，“现场”自主人工智能能够极大提升任务节奏与科学产出。
• 数据处理的高效性： 由于带宽有限，如今的航天器收集到的数据远超能够传送到地面的量。人工智能通过在数据源头进行过滤、压缩和优先排序，提供了解决方案。卫星可以利用 AI 视觉算法，选择最有价值的图像，或智能压缩数据（如 Φsat-2 采用机载图像压缩 ^[122]），只发送信息量丰富的内容，剔除冗余或被遮挡的图像。这种数据分诊最大程度提升了每一分钟下行传输的价值。例如，Φsat-1 的人工智能剔除了被云层遮挡的像素，使有用图像的传送量提升了 30%，分析师能接收到更多有效数据而不是空云图像 ^[123]。同样，人工智能可以在卫星上融合多源传感器数据，减少数据量——比如通过多项测量合成高级事件报告，而不是下行所有原始数据。对于如地球观测星座等任务而言，这种高效是至关重要的，否则连续成像会在没有实时筛选的情况下使地面站超负荷。在地面环节，人工智能同样帮助管理数据洪流：机器学习模型可以在数 TB 的图像或遥测数据中筛查异常或感兴趣目标，大幅减少人工工作量，并确保重要信息不会被遗漏。从本质上说，AI 就像智能的数据管家，确保在有限的通信机会下，我们获取更多有价值的洞见。
• 增强的任务操作与可扩展性：通过人工智能进行自动化，使人们能够管理比人工操作更为复杂的任务。单一的AI驱动控制系统可以协调数十艘航天器、安排数千次观测，或在发生变化时快速重新规划——这些任务无论在规模还是速度上都足以让人类操作员不堪重负。随着我们部署巨型星座和执行多单元任务，这一点变得日益重要。基于AI的调度和资源优化还能显著提升资源利用率（如卫星传感器、天线时间、燃料），因为AI能发现人类可能忽略的最优解。例如，AI调度系统可以通过确保卫星不重复覆盖，并在几分钟内动态重新分配给紧急目标（如突发自然灾害），从而提高成像卫星星座的产出。AI还不会疲倦，可以全天候24/7监控系统且注意力不分散，能立即标记问题。由此可靠性得到提升——AI可以在小偏差升级之前就发现并纠正问题。GOES-R项目将其AI监控归功于延长卫星任务寿命，防止故障发生 ^{[124] [125]}。在成本方面，AI和自动化减少了人力密集度：机构可以运营更多的卫星，而无需指数级增加任务控制团队人数。SpaceX通过操作能够自主着陆的多艘猎鹰9号助推器展示了这一点——无需（且更安全）人工回收操作，也正因部分自主系统，使他们仅凭一支相对小型团队就能运营星链数千颗卫星。总之，AI让航天操作更可扩展、高效且具韧性，反过来降低成本、提升我们能够承担任务的规模和雄心。
• 新能力与服务：人工智能不仅仅提升了现有流程，还解锁了全新的任务概念。有些事情在人工智能出现之前是根本不可能实现的。例如，自适应科学仪器（如毅力号上的PIXL仪器，利用人工智能决定分析哪些岩石特征 ^{[126] [127]}）能够进行在持续地面引导下难以实现的调查。卫星集群可以通过人工智能协作来协调观测（例如用于合成孔径雷达干涉测量或多角度成像），以小组方式实现复杂测量。人工智能还能赋能“思考型”航天器，实现动态自我配置——未来的卫星可以用人工智能自动分配电力或切换传感器模式，以适应变化的任务需求。在地球轨道上，人工智能驱动的地理空间分析已经成为一种服务：公司可以销售如“某坐标出现新建筑”或“该地区作物健康状况恶化”等警报，这些都是由人工智能对卫星数据分析生成的。这种几乎实时的地球洞见服务若无人工智能，在全球范围是不可能实现的。在深空探索领域，人工智能可能带来全新的探索方式，例如能自主在主任务之前侦察的探测车或无人机，或者能自主搜索生物特征并决定采样的着陆器——以在原地完成当前依赖地面科学家的科学工作。甚至载人任务也能受益，人工智能助手可以帮助机组进行诊断、翻译或繁重的计算，有效提升小型机组的能力。归根结底，人工智能拓展了航天系统的能力，使任务前所未有地更具雄心和适应性。

在太空部署人工智能的挑战

虽然人工智能带来的好处显著，但在太空环境中应用人工智能也存在重大挑战和限制：

• 计算限制（功率、处理能力、内存）：航天器的电力预算有限，并且与地面计算设备相比，通常其处理硬件也较为简单。高性能处理器还会产生热量，而这些热量必须在真空中散发。运行AI算法（特别是深度神经网络）通常需要大量计算资源且耗电巨大。挑战在于要么设计足够轻量化的AI，要么在不突破体积/重量/功耗限制的情况下提供更强大的机载计算能力。虽然已经取得了一些进展（如前文中提到的新型处理器），但航天器CPU仍然远远落后于最前沿的服务器。工程师必须仔细平衡AI工作负载与功耗——例如，图像处理AI可能只在航天器处于日照时运行以利用太阳能，进入阴影区时则转入休眠。哨兵-2机载AI实验指出，在轨道上复现地面处理是“计算密集型的，而且在有限的机载资源下很难实现” ^[128]。为此，该团队开发了节能算法，甚至定制了低延迟共注册技术以落地这一目标 ^{[129] [130]}。这揭示了太空中每一个CPU周期和瓦特电力都极为珍贵。此外，内存资源有限——在地球上占用数百兆字节的AI模型，必须经过剪枝或量化处理减少到只有几兆字节，才能适配航天器内存。简而言之，空间环境迫使AI工程师极致优化效率，并不是所有AI算法都能在不显著简化的情况下直接部署。

辐射和可靠性：太空是一个充满强烈辐射的环境，尤其是在低地球轨道之外。高能粒子会导致电子电路中的比特翻转或损坏——这种现象被称为单粒子翻转。对于AI计算来说，这是一个问题，因为神经网络权重或处理器寄存器中的比特翻转，可能导致错误决策甚至系统崩溃。抗辐射处理器通过特殊设计（如纠错内存、冗余电路）来缓解这种风险，但无法完全消除问题，而且性能通常有所滞后。因此，确保AI系统容错性成为一项重大挑战。开发者必须融入错误检测机制（例如对输出的合理性校验）和失效安全机制——比如，如果AI输出异常或者模型无响应，航天器应默认进入安全模式，或切换为更简单的控制律。AI算法本身可能也需要冗余；研究人员已尝试集成集成模型或多数表决逻辑，以防止单个比特翻转灾难性地改变结果。在辐射环境下测试AI软件（如在实验室中使用高能粒子束）已成为验证过程的重要组成部分。这一限制也延伸到硬件加速器：许多商用AI加速器（GPU、TPU）并不具备抗辐射能力。像NASA的PULSAR实验这样的项目正在低轨道尝试商用品AI硬件，但任何深空任务很可能都需要专用芯片。总体而言，平衡AI的计算需求和稳健、抗辐射运行的要求，是太空AI面临的关键技术障碍。

验证和可信度：AI系统，尤其是机器学习相关的系统，往往是“黑箱”，无法在所有场景下都表现出可预测的行为。太空任务需要极高的可靠性——很难轻易重启一颗卫星，也无法实时干预一台距离一亿公里外的航天器是否做出错误决策。因此，任何自主AI系统都必须经过严格的验证与确认。这也具有挑战性，因为类似自主导航这样的问题具有极其庞大的状态空间（所有可能情况），而且ML系统在训练数据之外的环境下可能表现异常。也存在边缘案例造成故障的风险——例如，图像分析AI可能会将奇怪的传感器伪影误判为目标，从而做出错误决策。AI决策的可信度也是一道障碍；操作员自然而然地会对让渡关键控制权持谨慎态度。航天领域正开发新的AI验证方法，比如蒙特卡洛模拟成千上万的随机场景，以统计评估安全性，或为较简单的学习型控制器采用形式化验证技术。另一个重要方面是可解释性——某些应用（如国防/情报领域）需要用户理解，AI为何推荐某个机动动作或标记某个目标 ^[131]。确保AI能够解释其推理过程（或至少工程师能够事后解释其决策），也是当前研究的重要课题。在这些验证挑战被攻克之前，用AI执行关键任务可能仍受限制，或需始终有人类作为备份介入。这不仅是技术挑战，更是组织和流程方面的挑战：它涉及为太空AI建立新的标准和认证流程，类似于飞行软件的认证标准。

通信和更新的限制：一旦航天器发射后，更新其软件或AI模型就变得非常困难，尤其是用于地球轨道以外的任务。与地球上的互联网连接设备不同，太空资产的通信链路是间歇性且带宽有限的。例如，要将一个大型新神经网络上传到火星车，深空网络可能需要在一次宝贵的通讯窗口中花费数小时。并且，如果更新出现问题，你不能轻易回滚，而不会冒险整个任务的风险。这导致AI系统难以及时更新新数据或新方法。任务发射后开发出突破性的机器学习模型？如果任务不是特别为灵活上传设计的（如Φsat-2计划 ^[132]所做），部署就不太现实。绝大多数任务只能依赖伴随发射的AI，这对“从一开始就要做到正确并且鲁棒”形成压力。此外，有限的连接意味着如果AI遇到训练外的情况，并不总能立即请求帮助或更多数据。这也是为什么行星探测车仍然需要大量人工监管——如果探测车的AI对一块岩石有疑问，通常会把数据发回地球让科学家分析，而不是冒险做出错误决策。随着通信基础设施（如激光中继）和机载学习的改进，这一限制也许会缓解，但目前仍是个现实问题。

伦理与安全考量： 随着AI在太空中承担更多决策，关于伦理边界和安全保障的问题接踵而来。比如在防御场景下，如果AI将某卫星识别为威胁甚至建议对策，必须有严格的人类监管，防止意外升级——本质上就是太空版的自主武器争议。在民用任务中，我们必须确保AI会始终将航天器安全放在首位；我们不希望AI为了科学目标而让系统超出安全极限。同时也存在AI偏见风险——如果在地球影像上训练的AI被投用于不同背景（比如不同气候或地貌），可能会产生偏差结果。在天文学领域，科学家们必须谨慎理解AI算法（如用于寻找系外行星或探测宇宙事件），以免无意中将偏见带入新发现。这些挑战意味着AI的角色必须被仔细界定和持续监管。许多任务采用分级自治策略——AI可自主做低风险决策，但任何关键或潜在危险的事务，都需要地面确认或至少具备人工干预能力。

总之，在太空中部署AI并非易事。它要求最前沿的工程技术，打造高效、鲁棒且值得信赖的系统。任务通常从保守的AI应用开始（决策支持、顾问角色或半自主模式），只有在积累信心后才逐步扩展自治水平。尽管如此，总体趋势是通过技术进步（如抗辐射AI芯片）和方法创新（如更好的验证与在轨测试）来逐步克服这些挑战。

未来趋势与研究方向

未来几年，AI在太空系统中的作用将进一步加深。主要趋势和研究领域包括：

• 人工智能驱动的太空探索：人工智能将成为下一代探索任务的核心。即将到来的机器人探测器——无论是火星探测车、月球机器人还是深空探测器——都将具备越来越高的自主性。美国国家航空航天局（NASA）的蜻蜓号旋翼飞行器（计划于2030年代探索土卫六）将需要人工智能来导航泰坦星球未知的地形和大气，本质上相当于让它在土星的卫星上自主飞行，前往多个科学研究点。同样，未来的火星任务（例如样本返回用的采集车）也很可能利用人工智能自主与样本舱对接，或独立做出科学决策来确定哪些样本值得采集。在规划载人火星任务时，人工智能将协助宇航员进行栖息地管理、地面导航以及实时科学分析（由于宇航员不可能精通所有领域，人工智能助手可以帮助识别地质特征或在数据中寻找生命迹象）。人工智能驱动的科学是一个重要主题：航天器将不再只是收集数据并传回地球，而是越来越多地在本地分析并判断哪些数据值得关注。研究人员称之为“科学自主性”——航天器知道该寻找什么，并能根据有趣的发现自主调整任务，而无需地球与其长时间来回沟通 ^[133]。星际任务还将利用人工智能在深空恶劣环境中进行故障管理，快速自主恢复可能决定任务能否继续。甚至有一种设想，即人工智能探索者能够在对人类或传统探测器来说过于危险的环境中工作——例如，未来的木卫二冰下探测机器人（cryobot），凭借人工智能可以独立在冰下海洋中寻找微生物生命，并现场判断哪些样本值得分析。总的来说，人工智能被视为探索更远、更快、以更少直接控制实现更多科学发现的关键助力。各国航天机构都有明确的技术路线图（例如NASA的2040年人工智能探索战略 ^[134]），预测人工智能将作为“智能副驾驶”协助人类探索者，并作为自主代理支持机器人探测任务。
• 自主卫星星座与超级星座： 随着活跃卫星数量激增，管理这些卫星群将极度依赖人工智能和自动化。我们很可能会看到AI驱动的卫星星座，卫星通过星间链路协同，并作出集体决策。在通信星座中，这可能意味着根据网络拥堵动态路由数据，或者卫星自动调整功率和频率以最小化彼此间的干扰（即基于AI的网络优化在太空的应用）。对于地球观测星座，卫星可能会共享目标信息——如果某颗卫星的AI检测到某些状况（比如山火），它可以提醒其他卫星重新分配任务并获得互补观测数据，所有过程都能自主完成。星座还需要自主维护其轨道队形；AI可帮助实现持续的编队飞行，让卫星保持精确的相对位置（例如欧空局即将发射的Proba-3双星任务将测试带有AI引导的精确编队飞行）。对于位于近地轨道的超级星座（如Starlink、OneWeb、亚马逊Kuiper这样数万颗卫星的系统），碰撞规避与交通协调将成为极为艰巨的任务——在这里，AI很可能成为太空交通管理系统的核心，能够全球协同跟踪每颗卫星并执行避碰机动，确保一颗卫星的规避不会让其与另一颗卫星发生碰撞。我们也可以预见到更多的星间AI：分布式AI算法可以在多颗卫星之间协同运行，共同解决问题（有点像太空中的去中心化神经网络）。例如，一组卫星可以共同处理一张图像，每颗承担部分任务，或者执行分布式感知任务，每颗卫星上的AI负责更大计算任务的一部分（比如通过多视角映射三维结构）。本质上，这一趋势正从单颗智能卫星迈向智能卫星群。这将彻底改变我们的任务观——不再是“一颗卫星=一个任务”，而是由AI协调的星座系统作为一个统一整体完成任务目标。美国国防高级研究计划局（DARPA）和其他机构正积极在该领域进行实验（例如DARPA的系统集合（System-of-Systems）太空方案）。要实现这一切，需要可靠的星间通信链路和标准协议，以便卫星间能够协同通信与协同思考。其结果可能是提升的系统韧性（单颗卫星失效时，其他卫星可补偿）、智能实时全球覆盖与任务重分配，以及在日常星座管理工作中大大减少对人工干预的需求。
• 人机协作探索太空： 在载人航天领域，人工智能预计将作为船员助手和任务伙伴发挥越来越重要的作用。未来的航天器和栖息地（如阿尔忒弥斯月球基地或火星过渡飞船）很可能会集成AI系统，以管理生命支持、优化能源和热量使用、检测系统异常——本质上为载人舱配备一个“自动驾驶仪”，负责日常或关键的持续任务，让宇航员能够专注于探索。我们在国际空间站上通过CIMON已经见到了这一趋势的早期雏形，未来或许会有更先进的对话型AI，能够回答宇航员的问题（比如“我该如何修理这个空气过滤器？”会从手册中查找答案），甚至通过交叉比对症状和医学数据库提供医疗建议。NASA一直在开展虚拟助手概念的研究（欧洲航天局的Analog-1实验测试了人机互动，NASA的人类研究项目也在探索类代理人支持对隔离环境下宇航员的帮助）。到2030年代，宇航员在深空任务中可能会拥有AI伙伴，帮助监控他们的认知和情绪状态（减缓长时间执行任务带来的心理挑战），并作为与地面控制的中介，汇总信息或处理例行签到。遥操作也是一个关键领域——宇航员可以借助AI远程操作行星表面的漫游车或无人机（AI可实现自主稳定或障碍物规避，使操作更加顺畅）。本质上，AI将提升人类的工作效率与安全性：例如宇航员执行复杂维修时，AI可确保每一步都不遗漏，自动调节环境，甚至协同操作第二机械臂。这样的协作常被称为“认知自动化”——程序操作和故障排查等繁重认知工作交由AI完成，由人类进行引导。一个切实的近期例子是NASA计划将亚马逊Alexa语音助手技术做太空适配，已在阿尔忒弥斯I号猎户座飞船上作初步展示。今后的版本可能直接对接飞船系统——宇航员只需说“电脑，诊断一下我们的太阳能电池阵列状态”，AI就能汇总遥测并给出答复。终极目标是让载人任务对地自主，这在远离地球、面临光速延迟和通信中断时至关重要。面向人的AI系统将经历大量测试和验证，但消费级AI助手和机器人领域的技术进步正在持续引入航天应用。
• 用于行星际和深空任务的人工智能： 随着任务深入（火星、小行星、外行星及更远），人工智能不仅变得有益，而且往往是必不可少的。其中一个重要原因是通信延迟——在火星上，单程信号传输需要4-20分钟；在木星则超过30分钟。位于木星或土星的航天器无法通过地球遥控操纵。因此，未来的深空探测器需要利用人工智能进行导航（利用卫星/恒星进行光学导航，着陆器实时规避危险），实现科学自主（例如选择在彗星上采集哪些样本，或决定如何调整轨道以更好地观测感兴趣的目标），以及进行机载故障管理（因为等待一个小时去请求地球指示可能会导致任务失败）。像NASA提出的欧罗巴着陆器这样的项目，已开始探索基于人工智能的目标选择——着陆在有趣特征附近，再让着陆器的人工智能根据传感器读数决定哪些冰样品需要熔化和分析生物特征。此外，自治小型探测器群可能会探索土星光环或火星洞穴等环境；远离地球时要协调这些探测群，就必须依赖本地基于人工智能的控制。深空网络调度本身也可能利用人工智能，在众多远程任务之间最优分配通信时间，特别是随着我们发射的探测器增多。另一个先进设想是机载科学推断：设想像JWST或未来的太空天文台那样使用人工智能，在其数据中实时判断是否探测到瞬变事件（如超新星或伽玛射线暴），然后自动重新指向或调整观测以捕捉事件——本质上直接在航天器上进行发现和后续跟进。这可以通过比人工操作更快地响应，显著提升科学产出，尤其是针对转瞬即逝的事件。我们还可能看到人工智能被用于复杂多重引力辅助路线的轨道规划，或在不稳定轨道点（如Gateway在月球轨道上的轨道）保持站位——这些任务的搜索空间巨大，人工智能优化能够更有效地找到解决方案。总之，任务越遥远、持续时间越长，对智能型机载系统的依赖就越强，使深空探索和人工智能的发展紧密相连。
• 卫星星座与超级星座的人工智能：（在上文的自主星座部分已有涉及，这里就超级星座具体展开。）随着上万颗卫星用于全球持续宽带覆盖（如Starlink等），人工控制变得不可行。未来的超级星座很可能会采用高度集中的和分布式的人工智能。集中式人工智能（在地面服务器上）将分析整体网络状态并发出高级调整指令（例如，将卫星在轨道面间调移以缓解拥堵，或根据预测的用户需求优化地面站交接）。分布式人工智能（在卫星本地）将允许卫星在本地协商频谱使用并协作进行碰撞规避。联邦学习是一个可能应用的概念——卫星可以在本地对轨道数据进行小规模模型训练，并将见解分享给中心系统，无需每颗卫星都拥有完整数据集，从而集体提升如空间气象响应或阻力补偿策略。另一个趋势是“智能载荷”的理念：例如，成像星座中每颗卫星的相机画面由轨道上AI分析，只有有价值的事件才会被传回地面。随着成像卫星数量增加，这对避免向地面分析员传送冗余图像至关重要。已经有公司在探索将AI部署在星座“边缘”来实现这一点（例如，Satellogic等已提出轨道图像预处理）。在通信星座中，AI可以管理星间激光通信链路——动态重配置网络拓扑，在高峰期为特定区域绕开中断或最小化延迟。本质上，超级星座将像巨大的分布式机器一样运作，而AI则是运行其上的操作系统。另一个新趋势是不同星座间太空交通协调的考量——中立的AI系统可能用于如Starlink与其他公司的星座间进行协调，确保避免干扰并安全共享轨道位置。像FCC及国际监管机构未来可能会要求新卫星具备一定的自主协调能力，以应对多方参与的环境。这一切都指向一个未来——地球近轨空间将成为一个活跃且自动管理的卫星生态系统——一个“太空物联网”，而AI则是其凝聚之力。
• 量子计算与太空人工智能（AI）的结合： 尽管仍处于初级阶段，量子计算与人工智能的融合（即“量子AI”）最终可能会成为太空应用领域的颠覆者。量子计算机可以比传统计算机更快地解决某些类别的问题——相关示例包括优化问题、加密/解密和模式识别等任务。如果量子处理器能够通过太空级认证，航天器或许可以搭载小型量子协处理器，加速AI算法或执行超高速数据分析。其中一种潜在应用是量子增强型机器学习：量子计算机可以处理神经网络部分计算，或更高效地帮助训练模型，从而使更复杂的AI模型能在有限的资源环境下运行 ^[135]。另一种应用是在通信安全领域——量子计算可增强卫星通信的加密（量子密钥分发已经通过卫星进行测试），而人工智能则可用于管理量子通信信道中独特的噪声和误差特性。在地面支持方面，像NASA和欧洲航天局这样的机构正在研究地面量子计算机以调度任务和处理太空数据；例如，量子优化可以为行星际任务优化路径规划，或在合理时间内为大型星座解决成千上万次观测的调度问题，这是传统计算机无法实现的 ^{[136] [137]}。IBM等公司已经开启合作（IBM的量子网络成员中，如CERN和一些航天机构也在探索应用）。可以预见，在未来十到二十年内，某些卫星（尤其是军事用途或大型深空探测器）可能会搭载抗辐射量子处理器来执行特殊任务——即便只是用于更高级别的加密或高精度物理现象仿真。此外，像量子重力仪或量子钟等量子传感器产生的数据也可能通过AI来解释——该领域被称为量子增强型AI感知。虽然太空中的量子计算仍属实验阶段，但业界憧憬一种融合：量子AI可在几秒内完成轨道设计或飞船仿真的海量计算，或实现像实时优化大型网络和破解当今无法破解的密码等新能力 ^[138]。目前已经迈出第一步（中国已发射了量子科学实验卫星，商业机构正在发射超冷系统在微重力环境下测试组件）。总之，量子技术或许最终会为太空人工智能注入“涡轮增压”，而人工智能也将有助于利用量子效应——共同驱动地外高性能计算的新前沿。现在，这依然是一个值得关注的未来趋势，且研发工作正如火如荼地进行中。
• 先进的人工智能技术：生成式设计、数字孪生与更多： 另一个未来方向是将人工智能不仅应用于操作，还用于太空系统的设计和测试。生成式设计算法由人工智能驱动，能够在设定的约束条件内，自动探索无数种设计方案来创建最优的航天器结构或部件——美国国家航空航天局（NASA）已利用生成式AI来设计更优天线形状和轻质的航天器结构 ^[139]。这一趋势有望扩大，使高性能硬件的开发速度更快。数字孪生——航天器甚至地球的虚拟复制品——也是一大关注点。像洛克希德·马丁和英伟达这样的公司正在打造AI驱动的地球环境数字孪生，以模拟气候和轨道场景 ^{[140] [141]}。对于航天器而言，实时由遥测和AI分析更新的数字孪生，可以预测航天器健康问题或在执行前模拟机动，提升安全性。NASA和欧空局（ESA）正将这些AI驱动的仿真环境作为任务运行的一部分进行投资。最后，展望更远的未来，人们也对自主飞行航天器（完全自主执行任务）和自我修复系统产生兴趣，AI或许能够指挥机器人或3D打印机在无人值守的情况下修复航天器故障。这样的想法已经开始见到雏形（比如国际空间站已经配备了3D打印机，我们也看到早期的机器人加注实验——给AI赋能，未来卫星也许能够自动修补太阳能板上的微流星体破洞）。这些能力将为长期任务（如多年太空航行或永久月球基地）奠定基础，而自主性在其中至关重要。从设计到寿命终结的每一个环节，人工智能都正在愈发深度嵌入太空系统的生命周期。

总之，未来人工智能将从辅助工具转变为太空架构不可或缺的基础。我们将拥有更加智能、更独立、更具协作能力的航天器，使得维持月球基地、载人火星探险和为地球服务的大型星座等雄心勃勃的项目成为可能——所有这些都由我们现在才刚刚开始研发的先进人工智能来协同调度。正如一份行业报告所说，“未来在于将AI与量子计算结合，解决复杂问题并提升任务能力，超越今天的极限” ^[142]。未来几十年应该会以令人兴奋的方式印证这一预测。

人工智能与太空领域的关键参与者和推动者

在人工智能与太空交汇领域，一大批不同类型的组织正在推动进步：

• 国家航天机构：NASA（美国国家航空航天局）和ESA（欧洲航天局）引领了许多AI与太空的相关倡议。NASA的喷气推进实验室（JPL）和艾姆斯研究中心在历史上一直是推动太空任务中AI应用的先驱（如远程代理、自动科学探测、火星车自主导航等）。NASA还与学术界和科技公司合作运营前沿发展实验室（FDL），将AI应用于太空科学挑战 ^[143]。ESA的Φ-lab（Phi Lab）专注于地球观测的AI与数字技术，组织了如轨道AI挑战赛等面向初创企业的项目 ^{[144] [145]}。欧洲的国家航天局（如德国DLR、法国CNES、意大利ASI等）也各自有AI项目——例如DLR共同开发了CIMON机器人，CNES成立了AI实验室开展卫星影像利用与自主作业研究，英国航天局资助了AI立方卫星实验。在亚洲，日本JAXA和印度ISRO也日益活跃：JAXA在Epsilon火箭AI和自主探测器研究方面有成果，ISRO则在轨道碎片追踪和影像分析上探索AI应用（并与NASA合作开发DAGGER用于地磁风暴预警 ^[146]）。中国国家航天局（CNSA）及相关研究机构同样深度投入——中国近期的探月、火星祝融号任务都具有自主功能，中国还宣布了建设“智能化”巨型星座和AI驱动的太空太阳能电站等概念。尽管相关信息有限，中国的高校和企业（如百度，据称参与过航天器AI开发）无疑是关键创新力量。总之，全球主要航天机构都已认识到AI的重要性，并投入重大资源用于研发、试验任务和合作，以推动AI在太空领域的发展。

军事和国防组织：在美国，太空军以及空军研究实验室（AFRL）和DARPA等组织是重要的贡献者。DARPA前述的Blackjack/Pit Boss项目涉及SEAKR Engineering和Scientific Systems Company等承包商，并且DARPA经常与顶尖大学（斯坦福SLAB用于对接AI ^[147]，麻省理工等）合作进行前沿研究。美国国防部成立了联合人工智能中心（JAIC），该中心有一些与太空相关的AI计划，国家地理空间情报局（NGA）也在投资于卫星情报AI（甚至组织关于卫星图像最佳计算机视觉算法的竞赛）。太空企业联盟（SpEC），一种OTA合同工具，资助了众多小型公司在AI和太空领域的创新 ^[148]——显示了国防部引入非传统参与者的做法。北约和欧洲国防机构也有相关项目——例如，英国国防科学与技术实验室（DSTL）曾举办“太空AI黑客马拉松”，法国军事太空指挥部正在研究用于太空监视的AI。这些国防参与者不仅资助技术，还帮助为关键系统的可靠AI制定标准。他们的需求（安全性、可靠性）常常推动AI系统能力的极限。

新太空创业公司与科技企业：一批充满活力的初创公司正在推动太空与人工智能结合的特定细分领域不断突破。

一些著名的公司：Planet Labs – 人工智能驱动的地球观测先锋，每天利用机器学习将影像转化为可操作洞见 ^[149]。Orbital Insight 和 Descartes Labs —— 它们不是卫星运营商，而是将人工智能应用于地理空间数据（如卫星图像、AIS信号等）以提供情报（例如通过分析油罐阴影跟踪全球石油库存）。LeoLabs – 运营地面雷达，并利用人工智能跟踪近地轨道（LEO）中的物体，以提供碰撞规避服务 ^[150]。Cognitive Space – 提供用于卫星星座的人工智能运营软件（与 AWS 合作） ^{[151] [152]}。Ubotica Technologies – 一家小型公司，为欧洲航天局（ESA）的Φ-sat-1实验提供了人工智能硬件和软件（他们基于英特尔Movidius芯片的人工智能平台实际上让Φ-sat成为可能）。Hypergiant Industries – 一家涉足太空领域的人工智能公司（曾与美国空军研究实验室合作开发自主卫星星座原型）。Relativity Space —— 如前所述，在3D打印火箭中使用人工智能 ^[153]。SkyWatch – 使用人工智能的数据平台，将卫星图像连接到客户。Advanced Navigation – 致力于开发由人工智能驱动的轨道导航解决方案。Kitty Hawk（BlackSky）——利用人工智能对其小型卫星星座的影像进行快速分析，提供“洞察即服务”。Starlink（SpaceX）——虽然隶属于SpaceX，但值得注意的是，Starlink的规模促使其采用自动化网络管理和碰撞规避，推测采用了人工智能，使其成为大规模部署的案例研究。OneWeb 和 Kuiper（亚马逊） 同样需要自主系统。卫星制造商如Satellogic和Terran Orbital正在合作开发机载人工智能（Satellogic 讨论了包括用于识别成像机会目标的人工智能芯片）。还有许多较小的人工智能公司致力于人工智能星跟踪器（姿态测定）、用于卫星的人工智能增强射频信号处理，甚至在设计太空任务时使用人工智能（例如 Analytical Graphics, Inc.）。（AGI，现在是 Ansys 的一部分）在其轨迹和空间态势工具中包含了人工智能元素）。最后，大学和研究实验室也值得一提：斯坦福大学的空间会合实验室（研究自主对接） ^[154]，麻省理工学院的空间系统实验室（开展分布式卫星自主性相关研究），加州理工学院（涵盖天文学及自主性中的人工智能研究，以及加州理工学院孵化的创业公司如SCIENTIA，致力于航天器人工智能），多伦多大学空间飞行实验室，还有世界各地的许多机构都在开展支撑未来应用的研究。

知名航天企业：传统航天巨头如洛克希德·马丁、空中客车防务与航天、波音、诺斯罗普·格鲁曼和泰雷兹阿莱尼亚太空正在越来越多地将人工智能（AI）集成到其产品和服务中。洛克希德·马丁有多项布局：为内部使用打造的AI Factory，SmartSat卫星架构，并与NVIDIA合作进行AI数字孪生和边缘计算 ^{[155] [156]}。空中客车开发了CIMON，并通过子公司Airbus Intelligence将AI用于卫星影像分析，并且很有可能将在未来的卫星平台中加入自动化功能。诺斯罗普·格鲁曼（曾制造多颗GEO通信卫星）在公开领域相对低调，但他们拥有自主交会项目（如具有自主对接算法的MEV服务卫星），并可能参与了许多自动化系统的国防合同。泰雷兹阿莱尼亚非常活跃：除了碰撞规避AI ^[157]，他们还将AI用于卫星载荷优化，并正研究AI-管理星座。这些大型公司经常与初创企业和学术界合作，引入新技术。他们还通过在新卫星系统招标时包含AI能力推进行业标准（例如：地球观测卫星合同现在可能要求机载AI处理——公司们会提出各自方案）。另一个例子是雷神（其子公司Blue Canyon Technologies为DARPA的Blackjack项目制造卫星平台，每台搭载Pit Boss节点 ^[158]）。此外，IBM通过沃森AI参与了CIMON项目，并对航天领域表现出浓厚兴趣（IBM还与DARPA合作完成了部分航天AI项目）。IBM、谷歌、微软、亚马逊——这些科技巨头——主要通过合作的方式参与：为太空任务提供云或AI框架，并偶尔直接参与合作（如微软的Azure Orbital、亚马逊的AWS Ground Station实现AI集成、谷歌云与NASA FDL合作等）。随着航天与科技行业的融合，这些大型公司即便本身不造卫星，现在也成为AI工具的重要贡献者。

本质上，这是一个多元化的网络：航天机构设定宏伟的任务目标并资助研发，国防部门为高风险应用提供动力和资金，成熟的航天航空公司则带来实施能力与系统专长，而灵活的初创企业注入创新方案，推动具体环节向前发展。协作非常常见——例如，NASA 或 ESA 与初创企业合作开展有效载荷项目，或大型主承包公司收购 AI 初创公司以提升自身能力。我们还看到跨行业的合作，如洛克希德·马丁 + NVIDIA 在地球数字孪生项目上的协作 ^[159]，或IBM + 空中客车 + DLR 在 CIMON 项目上的合作 ^[160]。这种生态体系正在加速发展，确保了商业 AI 的进步（如更优异的计算机视觉）能够迅速应用到太空领域，反过来，太空中的挑战也在激发新的 AI 研究（如如何让 AI 在辐射或极少数据下依然强健）。随着太空日益民主化，我们甚至可能会看到开源 AI 太空软件社区的出现——现在 GitHub 上已经有一些关于立方星自主性的早期尝试。

这些参与者的共同努力正在快速推动太空领域 AI 的发展，将曾经的科幻设想变为现实应用。随着协作与创新的持续，未来十年我们很可能会看到更大的飞跃——使 AI 自主成为大多数太空任务的日常配置。

结论

人工智能与卫星及太空系统的融合正引领太空探索与利用进入新纪元。AI 正让卫星在轨中看见并思考——能够分析影像、管理复杂星座，并以极少的人为干预躲避危险。前往其他星球的航天器也愈发自主，利用 AI 进行导航、科学研究，甚至在远离地球时自我修复。在地球上，AI 帮助航天机构及企业应对现代空间业务的大规模与高复杂性，无论是巨型星座还是 PB 级海量数据分析。

本报告详细介绍了 AI 在各领域的应用（从地球观测到航天器自主），回顾了过去几十年的发展历程，并梳理了其在民用、商用和国防等多领域的现有部署。同时，报告还讨论了实现这一切的技术基石——从专用硬件到先进算法——以及 AI 为太空系统带来的显著益处（实时决策、高效性、可扩展性）。但在太空部署 AI 也面临必须谨慎应对的挑战：有限的算力、严酷的环境因素，以及对自主决策的绝对可靠性和信任需求。克服这些难题是当前研究与工程的重点，相关进展也在持续推进。

展望未来，人工智能在太空领域的作用只会越来越大。未来的任务很可能离不开人工智能，无论是协调成千上万颗卫星来提供全球互联网，还是引导航天探测器穿越土卫二的冰喷泉。人工智能将成为智能的共同探索者——能够与人类探索者一同发现、适应并优化。诸如量子计算等新兴技术有望进一步增强人工智能在太空中的能力，解决那些以往无法企及的问题。我们可以期待更智能的航天器群协同作业，月球和火星上的机器人前哨站能够实现自主维护，以及科学仪器如人工智能研究员一般即时解读数据，主动探索未知。

总之，人工智能正迅速成为太空创新的基石。人工智能与航天技术的结合，使我们能够以全新的方式应对太空的浩瀚与复杂。正如一位NASA研究人员所说，有了人工智能的参与，我们正在将太空任务从“远程控制”转变为“自动驾驶”——极大提升了任务的速度、灵活性和雄心 ^{[161] [162]}。这两个领域的持续融合将拓展人类在太空成就的边界，让科幻概念变成现实操作。未来的太空探索和卫星服务将建立在智能系统之上，让我们比以往任何时候都走得更远、更快、更了解宇宙。这是一个令人振奋的前进轨迹，每一次人工智能的突破都将我们更深入地推进到最后的边疆，并拥有前所未有的工具去理解和探索它。

来源：本报告中的信息来自广泛且最新的来源，包括各大航天机构（NASA、ESA、JAXA）的官方出版物、行业新闻（SpaceNews、空中客车和泰雷兹的新闻稿）以及研究案例分析。重要参考资料包括NASA关于利用人工智能预测太阳风暴的公告 ^{[163] [164]}，ESA关于Φsat实验任务的相关文档 ^{[165] [166]}，JPL关于火星车自主性的细节 ^[167]，泰雷兹阿莱尼亚关于利用人工智能进行碰撞规避的报告 ^[168]，以及NOAA/ASRC Federal关于在GOES-R卫星上应用人工智能健康监测的见解 ^{[169] [170]}。这些及其他引用的来源为文中所述能力和趋势提供了事实基础，反映了截至2024-2025年最前沿的技术现状。虽然该领域发展迅速，但这些案例充分体现了人工智能与航天系统结合的关键进展。

References

1. fedgovtoday.com, 2. fedgovtoday.com, 3. fedgovtoday.com, 4. fedgovtoday.com, 5. www.nasa.gov, 6. www.nasa.gov, 7. www.nasa.gov, 8. www.space.com, 9. www.space.com, 10. www.airbus.com, 11. www.nasa.gov, 12. www.nasa.gov, 13. www.nasa.gov, 14. www.nasa.gov, 15. www.nasa.gov, 16. www.nasa.gov, 17. www.nextgov.com, 18. www.esa.int, 19. www.esa.int, 20. www.esa.int, 21. www.esa.int, 22. www.thalesaleniaspace.com, 23. www.thalesaleniaspace.com, 24. www.boozallen.com, 25. www.boozallen.com, 26. aws.amazon.com, 27. aws.amazon.com, 28. www.boozallen.com, 29. douglevin.substack.com, 30. www.asrcfederal.com, 31. www.asrcfederal.com, 32. www.asrcfederal.com, 33. www.asrcfederal.com, 34. www.asrcfederal.com, 35. www.asrcfederal.com, 36. www.asrcfederal.com, 37. www.asrcfederal.com, 38. www.nasa.gov, 39. www.nasa.gov, 40. www.nasa.gov, 41. www.esa.int, 42. www.esa.int, 43. www.nasa.gov, 44. parametric-architecture.com, 45. ntrs.nasa.gov, 46. www.jpl.nasa.gov, 47. www.jpl.nasa.gov, 48. www.jpl.nasa.gov, 49. www.jpl.nasa.gov, 50. www.jpl.nasa.gov, 51. www.jpl.nasa.gov, 52. www.jpl.nasa.gov, 53. esto.nasa.gov, 54. esto.nasa.gov, 55. esto.nasa.gov, 56. global.jaxa.jp, 57. global.jaxa.jp, 58. global.jaxa.jp, 59. global.jaxa.jp, 60. global.jaxa.jp, 61. www.jpl.nasa.gov, 62. www.airbus.com, 63. www.airbus.com, 64. www.airbus.com, 65. www.esa.int, 66. www.esa.int, 67. www.nasa.gov, 68. www.nasa.gov, 69. www.jpl.nasa.gov, 70. www.jpl.nasa.gov, 71. www.esa.int, 72. www.esa.int, 73. militaryembedded.com, 74. www.nasa.gov, 75. www.esa.int, 76. www.esa.int, 77. www.nextgov.com, 78. www.boozallen.com, 79. www.boozallen.com, 80. militaryembedded.com, 81. militaryembedded.com, 82. www.boozallen.com, 83. www.airandspaceforces.com, 84. www.airandspaceforces.com, 85. fedgovtoday.com, 86. fedgovtoday.com, 87. www.boozallen.com, 88. www.space.com, 89. fedgovtoday.com, 90. nstxl.org, 91. developer.nvidia.com, 92. developer.nvidia.com, 93. developer.nvidia.com, 94. developer.nvidia.com, 95. developer.nvidia.com, 96. developer.nvidia.com, 97. developer.nvidia.com, 98. developer.nvidia.com, 99. militaryembedded.com, 100. www.sifive.com, 101. www.nasa.gov, 102. www.nasa.gov, 103. www.nasa.gov, 104. www.esa.int, 105. www.esa.int, 106. www.esa.int, 107. aws.amazon.com, 108. aws.amazon.com, 109. aws.amazon.com, 110. aws.amazon.com, 111. aws.amazon.com, 112. aws.amazon.com, 113. www.space.com, 114. www.asrcfederal.com, 115. www.asrcfederal.com, 116. nstxl.org, 117. www.esa.int, 118. www.jpl.nasa.gov, 119. www.jpl.nasa.gov, 120. sentinels.copernicus.eu, 121. sentinels.copernicus.eu, 122. www.esa.int, 123. www.esa.int, 124. www.asrcfederal.com, 125. www.asrcfederal.com, 126. www.jpl.nasa.gov, 127. www.jpl.nasa.gov, 128. sentinels.copernicus.eu, 129. sentinels.copernicus.eu, 130. sentinels.copernicus.eu, 131. fedgovtoday.com, 132. www.esa.int, 133. www.nas.nasa.gov, 134. www.captechu.edu, 135. nstxl.org, 136. nstxl.org, 137. kroop.ai, 138. nstxl.org, 139. nstxl.org, 140. nvidianews.nvidia.com, 141. developer.nvidia.com, 142. medium.com, 143. www.nasa.gov, 144. www.esa.int, 145. www.esa.int, 146. www.nasa.gov, 147. www.space.com, 148. nstxl.org, 149. fedgovtoday.com, 150. nstxl.org, 151. aws.amazon.com, 152. aws.amazon.com, 153. nstxl.org, 154. www.space.com, 155. nvidianews.nvidia.com, 156. developer.nvidia.com, 157. www.thalesaleniaspace.com, 158. spacenews.com, 159. nvidianews.nvidia.com, 160. www.airbus.com, 161. www.jpl.nasa.gov, 162. www.nasa.gov, 163. www.nasa.gov, 164. www.nasa.gov, 165. www.esa.int, 166. www.esa.int, 167. www.nasa.gov, 168. www.thalesaleniaspace.com, 169. www.asrcfederal.com, 170. www.asrcfederal.com