L'informatique spatiale et l'IA autonome réécrivent la science des missions

Le 29 septembre, IEEE Spectrum a publié une analyse détaillée de la manière dont la NASA et d'autres organisations spatiales font passer l'IA générative des laboratoires terrestres à bord des engins spatiaux. L'article, publié à 13h23 UTC, décrit une série d'expériences qui changent la façon dont les résultats scientifiques des missions sont produits, validés et exploités.

L'élément le plus récent du dossier est la présentation d'une vaste constellation informatique spatiale par STAR.VISION Aerospace, le 25 septembre au Global Digital Trade Expo. Selon China in Space, l'entreprise prévoit de déployer 1 080 engins spatiaux d'ici 2035, dont 720 consacrés à l'inférence et 360 aux besoins de calcul général. Le projet, baptisé Space.IDC1 Computing Constellation, vise à placer une capacité de calcul importante en orbite pour profiter de l'énergie solaire et du refroidissement radiatif. L'entreprise a obtenu 10 000 000 000 de yuans (1 490 000 000 de dollars américains au 28 septembre) de crédits stratégiques auprès de l'Industrial and Commercial Bank of China et de l'Agricultural Bank of China, dont au moins 1 000 000 000 de yuans disponibles pour la phase un.

Les systèmes autonomes quittent le laboratoire

IEEE Spectrum, publié le 29 septembre, rapporte que le Jet Propulsion Laboratory de la NASA a utilisé en décembre dernier les modèles Claude d'Anthropic pour aider à planifier deux trajets martiens du rover Perseverance. En mai, la NASA et IBM ont placé un modèle d'IA compressé sur la Station spatiale internationale et sur un satellite, pour identifier inondations et nuages depuis l'orbite. En juillet, des astronautes de l'ISS ont testé un grand modèle de langage pour voir s'il pouvait aider aux procédures de maintenance.

Ces expériences annoncent un changement plus large dans l'ingénierie spatiale. Pendant des décennies, les ingénieurs sur Terre déterminaient ce qu'une machine dans l'espace ferait, et la machine exécutait exactement cela. Aujourd'hui, les chercheurs testent si des systèmes non déterministes comme l'IA générative peuvent donner aux engins spatiaux plus de latitude pour interpréter leur environnement, planifier des tâches et, un jour, décider par eux-mêmes.

Robert Ambrose, ancien chef de la division Logiciels, robotique et simulation de la NASA, a déclaré à IEEE Spectrum que l'autonomie n'a souvent pas de résultat déterministe : la manière dont on est arrivé à une situation donnée modifie le comportement. « Donc si vous arrivez dans la même situation mais par des chemins différents, le résultat peut être différent. Et ça, les ingénieurs le détestent », a-t-il dit. Ambrose a passé une grande partie de sa carrière sur les systèmes autonomes à la NASA, notamment l'autonomie du vaisseau Orion et Robonaut 2, un robot humanoïde parti dans l'espace en 2011. Avec Orion, il a vu à quelle vitesse le problème des tests pouvait se multiplier. Les ingénieurs devaient envisager non seulement ce que le vaisseau pourrait faire, mais toutes les façons différentes dont il aurait pu arriver à une décision.

La course au matériel sur Terre et en orbite

La constellation de STAR.VISION n'est pas la première du genre. China in Space note qu'ADA Space et la Three-Body Computing Constellation du Zhejiang Lab devancent toutes les autres entreprises, avec une douzaine de satellites déjà en service dans l'espace. Orbital Chenguang dispose d'un soutien financier important, tandis que Chaozhisuan Beijing Technology Co Ltd a des partenaires bien connectés. Les deux ont aussi des satellites de démonstration en orbite.

L'entreprise prévoit trois modèles d'engins. Le G1, engin de vérification, fournira 40 à 60 PetaFLOPs de puissance de calcul en produisant 11,5 kilowatts grâce à ses panneaux solaires. Le G2, modèle standard, embarquera 160 à 310 PetaFLOPs avec 48 kilowatts de puissance. Le G3, vaisseau amiral, devrait embarquer 460 à 1000 PetaFLOPs en produisant 140 kilowatts.

Les détails sur les orbites, les liaisons entre engins, la taille des radiateurs ou la masse n'ont pas été communiqués. Les documents réglementaires internationaux qui apporteraient un éclairage supplémentaire n'ont pas encore été déposés. Lors de la présentation, STAR.VISION a indiqué avoir réservé un nombre non divulgué de lancements à bord des fusées Gravity-1 d'Orienspace et Ceres-2 de Galactic Energy pour déployer les engins G1. Aucune indication d'un mois ou d'un trimestre cible n'a été donnée. L'entreprise a signé des accords avec le Hangzhou Institute for Advanced Study, UCAS, le Hangzhou Research Institute of Xidian University, Hongqing Technology, Baidu AI Cloud et MinoSpace. Un soutien non précisé est venu des gouvernements de la Deqing Moganshan High-Tech Zone, de la Fuyang Economic and Technological Development Zone et de la ville de Yunqi, toutes dans la province du Zhejiang, ainsi que de Xichang dans le Sichuan et de Chongzhou dans le Guangxi.

Tester les limites de l'IA sur le terrain

Pendant que les agences spatiales poussent l'autonomie, des chercheurs indépendants évaluent la performance des modèles d'IA actuels sur des tâches que les scientifiques de mission pourraient leur déléguer. Un billet de blog publié le 29 septembre par Labqoat décrit un benchmark appelé Wildlife CSI, qui a testé huit modèles sur 2 000 photos de traces animales : excréments, empreintes, plumes, œufs et os. Le meilleur modèle, Claude Opus 5.5, a identifié correctement l'espèce dans 37,15 % des cas sur l'ensemble, selon le blog. Muse Spark 1.3 suit avec 33,35 %, puis GPT-6 Astra avec 31,70 %. Claude Sonnet 5.5 arrive quatrième avec 25,15 %. Même Opus n'a identifié correctement la famille que sur 51,75 % des photos.

Sur les huit modèles, 842 photos sont restées sans identification correcte de l'espèce. Opus a identifié 205 des 400 photos d'œufs, mais seulement 82 des 400 photos d'empreintes. Sur les huit modèles, 257 des 400 photos d'empreintes n'ont reçu aucune proposition d'espèce correcte. Pour les œufs, ce chiffre était de 123. L'auteur signale une réserve : certaines espèces ont plus de photos que d'autres, donc les identifier correctement fait davantage monter le score. Quand les scores sont moyennés par espèce pour que chacune compte autant, le score d'Opus sur les œufs tombe de 51,25 % à environ 37 %. L'auteur note aussi que les recommandations d'iNaturalist invitent à n'identifier qu'avec la précision que permettent les preuves, et qu'attacher un nom d'espèce à une observation ne signifie pas forcément que l'espèce peut être déduite d'une seule photo de trace.

Le modèle derrière le rideau

Le 29 septembre, un site appelé spacebunnyalpha.com a publié les benchmarks d'un modèle de raisonnement anonyme nommé space-bunny-alpha. Le modèle dispose d'une fenêtre de contexte d'un million de tokens, accepte le texte, l'image et la vidéo en entrée, et figure sur OpenRouter depuis le 24 septembre 2026. Il est gratuit pendant une période d'aperçu.

Le site rapporte que sur un sous-ensemble standardisé de 60 questions de GPQA Diamond, space-bunny-alpha a obtenu 82,0 %. À titre de comparaison, GPT-6 Sol a obtenu 95,45 % sur un audit indépendant de 198 questions, GPT-5.5 a obtenu 93,6 % selon le résultat publié par OpenAI, et MiniMax M3 a obtenu 92,9 % sur une évaluation standardisée d'Artificial Analysis. Sur MMLU-Pro, space-bunny-alpha a obtenu 75 %, tandis que GPT-5.6 Sol a obtenu 89,1 % et Qwen3.8 Flash environ 89,0 %. Sur un sous-ensemble de 300 questions de Humanity's Last Exam, le modèle a obtenu 46,1 %, avec un intervalle de confiance à 95 % de 40,4 à 51,8 %.

Le site rapporte aussi que space-bunny-alpha a utilisé environ un tiers des tokens de sortie de Qwen3.8 Flash sur les mêmes benchmarks : 305 989 tokens de sortie contre 913 989. Le modèle a obtenu 10,0 sur 10 en analyse et extraction de données et en appel d'outils, mais seulement 4,2 en intelligence générale et 3,0 en culture générale.

Ce que cela signifie pour la science des missions

Le dossier ne contient pas de lien direct entre la constellation de STAR.VISION et les expériences d'autonomie de la NASA. Mais les deux vont dans la même direction : plus de calcul dans l'espace, et plus de décisions prises dans l'espace plutôt qu'au sol.

IEEE Spectrum note que la technologie est encore loin d'être assez fiable pour qu'on lui confie le contrôle d'un engin spatial. Mais les ingénieurs commencent à se demander s'ils peuvent se permettre de ne pas le faire, à mesure que les missions deviennent plus complexes, plus lointaines et plus nombreuses. L'article cite Ambrose, selon qui les ingénieurs ont trouvé des moyens de gérer la complexité des systèmes autonomes, notamment en automatisant le processus de test. China in Space rapporte que le gouvernement central a désigné les technologies nécessaires à l'informatique spatiale comme axe prioritaire pour la période du 15e plan quinquennal (2026-2030), avec la participation du ministère de l'Industrie et des Technologies de l'information. L'article note que des entreprises chinoises ont discrètement pris la tête de l'informatique spatiale dans le contexte du boom mondial de l'intelligence artificielle.

Pendant ce temps, le benchmark Wildlife CSI et les résultats de space-bunny-alpha suggèrent que les modèles d'IA actuels peinent encore sur des tâches qui exigent une identification précise à partir de preuves limitées. L'écart entre ce que les systèmes autonomes savent faire en laboratoire et ce qu'ils savent faire sur le terrain reste important. Pour la science des missions, cela implique que l'IA interviendra de plus en plus dans le traitement des données, la planification et la détection d'anomalies, mais que la supervision humaine reste indispensable. Les expériences sur l'ISS et le rover Perseverance montrent que l'IA peut aider, mais elles montrent aussi que des humains vérifient encore le travail.