Il calcolo spaziale e l'AI autonoma riscrivono la scienza delle missioni
STAR.VISION Aerospace ha presentato il 25 settembre, al Global Digital Trade Expo, una costellazione di calcolo composta da 1.080 veicoli spaziali, sostenuta da accordi di credito per 10 miliardi di Yuan. IEEE Spectrum ha riferito il 29 settembre che la NASA sta già sperimentando l'AI generativa per le decisioni autonome dei veicoli spaziali.

Il 29 settembre IEEE Spectrum ha pubblicato un'analisi dettagliata di come la NASA e altre organizzazioni spaziali stiano portando l'AI generativa dai laboratori terrestri ai veicoli spaziali. L'articolo, uscito alle 13:23 UTC, descrive una serie di esperimenti che segnano un cambiamento nel modo in cui i risultati scientifici delle missioni vengono prodotti, validati e utilizzati.
La novità più recente del dossier è la presentazione di una grande costellazione di calcolo spaziale da parte di STAR.VISION Aerospace, avvenuta il 25 settembre al Global Digital Trade Expo. Secondo China in Space, l'azienda prevede di schierare 1.080 veicoli spaziali entro il 2035, di cui 720 dedicati a compiti di inferenza e 360 a esigenze di calcolo generale. Il progetto, chiamato Space.IDC1 Computing Constellation, punta a collocare in orbita una capacità di calcolo significativa per sfruttare l'energia solare e il raffreddamento per irraggiamento. L'azienda ha ottenuto 10 miliardi di Yuan (1,49 miliardi di dollari USA al 28 settembre) di credito strategico dalla Industrial and Commercial Bank of China e dalla Agricultural Bank of China, con almeno 1 miliardo di Yuan disponibili per la prima fase.
I sistemi autonomi escono dal laboratorio
IEEE Spectrum, in un articolo del 29 settembre, riferisce che il Jet Propulsion Laboratory della NASA ha usato lo scorso dicembre i modelli Claude di Anthropic per aiutare a pianificare due spostamenti del rover Perseverance su Marte. A maggio, la NASA e IBM hanno collocato un modello AI compresso sulla Stazione Spaziale Internazionale e su un satellite per identificare inondazioni e nuvole dall'orbita. A luglio, gli astronauti sulla ISS hanno testato un modello linguistico di grandi dimensioni per capire se potesse essere d'aiuto nelle procedure di manutenzione.
Questi esperimenti indicano un cambiamento più ampio nell'ingegneria spaziale. Per decenni gli ingegneri sulla Terra hanno stabilito cosa dovesse fare una macchina nello spazio, e la macchina faceva esattamente quello. Ora i ricercatori stanno verificando se sistemi non deterministici come l'AI generativa possano dare ai veicoli spaziali maggiore flessibilità per interpretare l'ambiente, pianificare i compiti e, un giorno, decidere da soli.
Robert Ambrose, ex capo della Software, Robotics, and Simulation Division della NASA, ha detto a IEEE Spectrum che l'autonomia spesso non ha un esito deterministico: il percorso con cui si arriva a una certa situazione cambia il comportamento. "Quindi se arrivi nella stessa situazione ma da percorsi diversi, il risultato può essere diverso. E gli ingegneri odiano questo", ha detto. Ambrose ha passato gran parte della carriera sui sistemi autonomi alla NASA, compresa l'autonomia della navicella Orion e di Robonaut 2, un robot umanoide andato nello spazio nel 2011. Con Orion ha visto quanto in fretta potesse moltiplicarsi il problema dei test. Gli ingegneri dovevano considerare non solo cosa avrebbe potuto fare la navicella, ma tutti i modi diversi in cui avrebbe potuto arrivare a una decisione.
La corsa all'hardware sulla Terra e in orbita
La costellazione di STAR.VISION non è la prima del suo genere. China in Space osserva che la Three-Body Computing Constellation di ADA Space e Zhejiang Lab è avanti rispetto a tutte le altre aziende, con una dozzina di satelliti già operativi nello spazio. Orbital Chenguang ha un forte sostegno finanziario, mentre Chaozhisuan Beijing Technology Co Ltd ha partner ben collegati. Anche loro hanno satelliti dimostrativi in orbita.
L'azienda prevede tre progetti di veicoli spaziali. Il G1, destinato alla verifica, fornirà da 40 a 60 PetaFLOPs di potenza di calcolo generando 11,5 kilowatt dai pannelli solari. Il G2, modello standard, ospiterà da 160 a 310 PetaFLOPs con 48 kilowatt di potenza. Il G3, ammiraglia, dovrebbe ospitare da 460 a 1000 PetaFLOPs generando 140 kilowatt.
Non sono stati resi noti dettagli su orbite, collegamenti tra veicoli spaziali, dimensioni dei radiatori o massa. Anche i documenti normativi internazionali che potrebbero offrire maggiori informazioni non sono ancora stati depositati. Alla presentazione STAR.VISION ha accennato di aver prenotato un numero non precisato di lanci a bordo del Gravity-1 di Orienspace e del Ceres-2 di Galactic Energy per schierare i veicoli G1. Non sono state condivise indicazioni su un possibile mese o trimestre di lancio. L'azienda ha firmato accordi con la Hangzhou Institute for Advanced Study, UCAS, la Hangzhou Research Institute of Xidian University, Hongqing Technology, Baidu AI Cloud e MinoSpace. Un sostegno non specificato è arrivato dai governi della Deqing Moganshan High-Tech Zone, della Fuyang Economic and Technological Development Zone e di Yunqi town, tutte nella provincia dello Zhejiang, oltre che da Xichang nel Sichuan e da Chongzhou nel Guangxi.
I limiti dell'AI sul campo
Mentre le agenzie spaziali spingono sull'autonomia, ricercatori indipendenti stanno verificando quanto bene i modelli AI attuali se la cavino in compiti che gli scienziati delle missioni potrebbero delegare. Un post pubblicato il 29 settembre da Labqoat descrive un benchmark chiamato Wildlife CSI, che ha testato otto modelli su 2.000 foto di tracce animali: escrementi, impronte, piume, uova e ossa. Il modello migliore, Claude Opus 5.5, ha indovinato la specie nel 37,15% dei casi sull'intero insieme, secondo il blog. Muse Spark 1.3 seguiva al 33,35%, poi GPT-6 Astra al 31,70%. Claude Sonnet 5.5 è arrivato quarto con il 25,15%. Persino Opus ha indovinato la famiglia solo nel 51,75% delle foto.
Su tutti e otto i modelli, 842 foto sono rimaste senza un'identificazione corretta della specie. Opus ha identificato 205 foto di uova su 400, ma solo 82 impronte su 400. Su tutti e otto i modelli, 257 delle 400 impronte sono rimaste senza una sola ipotesi corretta di specie. Per le uova il numero era 123. L'autore segnala un caveat: alcune specie hanno più foto di altre, quindi indovinarle contribuisce di più al punteggio. Quando i punteggi vengono mediati per specie, così che ogni specie conti allo stesso modo, il punteggio di Opus sulle uova scende dal 51,25% a circa il 37%. L'autore nota anche che le linee guida di iNaturalist dicono di identificare solo con la precisione che le prove consentono, e che avere un nome di specie associato a un'osservazione non significa necessariamente che quella specie si possa dedurre da una singola foto di traccia.
Il modello dietro la tenda
Il 29 settembre un sito chiamato spacebunnyalpha.com ha pubblicato i benchmark di un modello di ragionamento anonimo chiamato space-bunny-alpha. Il modello ha una finestra di contesto di un milione di token, accetta input di testo, immagini e video ed è elencato su OpenRouter dal 24 settembre 2026. È gratuito durante un periodo di anteprima.
Il sito riporta che su un sottoinsieme standardizzato di 60 domande di GPQA Diamond, space-bunny-alpha ha ottenuto l'82,0%. Per confronto, GPT-6 Sol ha ottenuto il 95,45% su un audit indipendente di 198 domande, GPT-5.5 il 93,6% sul risultato pubblicato da OpenAI e MiniMax M3 il 92,9% su una valutazione standardizzata di Artificial Analysis. Su MMLU-Pro, space-bunny-alpha ha ottenuto il 75%, mentre GPT-5.6 Sol ha ottenuto l'89,1% e Qwen3.8 Flash circa l'89,0%. Su un sottoinsieme di 300 domande di Humanity's Last Exam, il modello ha ottenuto il 46,1% con un intervallo di confidenza al 95% tra 40,4 e 51,8%.
Il sito riporta anche che space-bunny-alpha ha usato circa un terzo dei token di output di Qwen3.8 Flash sugli stessi benchmark: 305.989 token di output contro 913.989. Il modello ha ottenuto 10,0 su 10 nell'analisi ed estrazione dei dati e nel tool calling, ma solo 4,2 nell'intelligenza generale e 3,0 nelle curiosità.
Cosa significa per la scienza delle missioni
Il dossier non contiene un collegamento diretto tra la costellazione di STAR.VISION e gli esperimenti sull'autonomia della NASA. Ma entrambi puntano nella stessa direzione: più calcolo nello spazio e più decisioni prese nello spazio invece che a terra.
IEEE Spectrum osserva che la tecnologia è ancora lontana dall'essere abbastanza affidabile per affidarle il controllo di un veicolo spaziale. Ma gli ingegneri cominciano a chiedersi se possano permettersi di non farlo, man mano che le missioni diventano più complesse, lontane e numerose. L'articolo cita Ambrose, secondo cui gli ingegneri hanno trovato modi per gestire la complessità dei sistemi autonomi, compresa l'automazione del processo di test. China in Space riferisce che il governo centrale ha indicato le tecnologie necessarie per il calcolo spaziale come area prioritaria per il periodo del 15° Piano quinquennale (2026-2030), con il coinvolgimento del Ministero dell'Industria e delle Tecnologie dell'Informazione. L'articolo nota che le aziende cinesi hanno silenziosamente conquistato il primato nel calcolo spaziale nel pieno del boom globale dell'intelligenza artificiale.
Intanto il benchmark Wildlife CSI e i risultati di space-bunny-alpha suggeriscono che i modelli AI attuali faticano ancora con compiti che richiedono un'identificazione precisa a partire da prove limitate. Il divario tra ciò che i sistemi autonomi sanno fare in laboratorio e ciò che sanno fare sul campo resta ampio. Per la scienza delle missioni la conseguenza è che l'AI assisterà sempre più nell'elaborazione dei dati, nella pianificazione e nel rilevamento delle anomalie, ma la supervisione umana resta essenziale. Gli esperimenti sulla ISS e sul rover Perseverance mostrano che l'AI può aiutare, ma mostrano anche che gli esseri umani continuano a controllare il lavoro.
Fonti
4- 01Star.vision Unveils 'Space.IDC' Computing Constellation with PartnersEN
- 02Autonomous AI in Space Exploration Raises New StakesEN
- 03I Made AI Look at Traces. For ScienceEN
- 04Space-bunny-alpha a reasoning model from an anonymous providerEN
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.