Autonomiczna AI w kosmosie: 1 080 satelitów, łazik na Claude i model, który nie radzi sobie z odchodami

Najnowszym wynalazkiem w kosmicznej autonomii nie jest rakieta. To decyzja o rozkładzie jazdy, którą na Marsie podejmuje model językowy, sprawdza ją człowiek i wysyła na pokład. IEEE Spectrum podało 29 września, że NASA Jet Propulsion Laboratory użyła modeli Claude firmy Anthropic do zaplanowania dwóch przejazdów łazika Perseverance po Marsie. Ludzie z zespołu planowania przejrzeli trasę i ją poprawili, zanim wysłano ją do łazika.

To zastosowanie skromne i ograniczone. Jest też najwyraźniejszym przykładem zmiany, o którą inżynierowie spierają się od lat: czy statkom kosmicznym wolno podejmować własne decyzje.

Dwa bardzo różne zakłady o ten sam pomysł

25 września na Global Digital Trade Expo chińska firma komercyjna STAR.VISION Aerospace pokazała konstelację obliczeniową Space.IDC, podał branżowy serwis china-in-space.com. Liczby są duże. Około 1 080 statków w głównej konstelacji, w pełni rozmieszczonych do 2035 roku, z czego mniej więcej 720 ma służyć do wnioskowania, a 360 do obliczeń ogólnych. W grze są trzy projekty statków: G1 weryfikacyjny o mocy od 40 do 60 PetaFLOPs z 11,5 kilowata energii słonecznej, G2 standardowy od 160 do 310 PetaFLOPs z 48 kilowatów i G3 flagowy od 460 do 1000 PetaFLOPs ze 140 kilowatów.

STAR.VISION podała, że ma umowy kredytowe z Industrial and Commercial Bank of China i Agricultural Bank of China na 10 000 000 000 Yuanów, czyli 1 490 000 000 dolarów amerykańskich na 28 września, z co najmniej 1 000 000 000 Yuanów dostępnymi na „pierwszy etap”. Starty są zakontraktowane na rakietach Gravity-1 firmy Orienspace i Ceres-2 firmy Galactic Energy dla statków G1, choć nie podano miesiąca ani kwartału. Orbity, łącza optyczne między satelitami, rozmiary radiatorów i masa nie zostały ujawnione, a dokumentacja dla regulatorów międzynarodowych nie jest jeszcze złożona.

Projekt jest więc realny, sfinansowany i wciąż w dużej mierze nieokreślony. Ta luka ma znaczenie, gdy obietnicą są moce obliczeniowe na orbicie.

Stary spór o maszyny nieprzewidywalne

Inżynierowie od dziesięcioleci prowadzą statki kosmiczne autonomicznie, ale autonomia nigdy nie była dominującym modelem, zauważa IEEE Spectrum, głównie dlatego, że dziedzina ceni systemy o przewidywalnym zachowaniu. Robert Ambrose, były szef działu oprogramowania, robotyki i symulacji w NASA, przedstawił zastrzeżenie wprost w rozmowie ze Spectrum: „Autonomia często nie ma deterministycznego wyniku, co oznacza, że sposób, w jaki znalazłeś się w danej sytuacji, zmienia zachowanie. Jeśli więc trafiasz w tę samą sytuację inną drogą, wynik może być inny. I dlatego inżynierowie tego nienawidzą”.

"Autonomia często nie ma deterministycznego wyniku... I dlatego inżynierowie tego nienawidzą."

Ambrose pracował nad autonomią dla statku Orion i nad Robonautem 2, humanoidem, który poleciał w kosmos w 2011 roku. Jego zastrzeżenie dotyczy testów, nie filozofii: przy Orionie inżynierowie musieli brać pod uwagę nie tylko to, co statek może zrobić, ale każdą drogę, którą mógł dojść do decyzji. Spectrum podaje, że inżynierowie znaleźli sposoby na opanowanie tej złożoności i dlatego obecne eksperymenty w ogóle się odbywają.

Eksperymentów przybywa. W grudniu JPL użyła Claude do dwóch przejazdów po Marsie. W maju NASA i IBM umieściły skompresowany model AI na Międzynarodowej Stacji Kosmicznej i na satelicie, żeby rozpoznawać powodzie i chmury z orbity; opisano to jako pierwszy taki model pokazany w kosmosie. W lipcu astronauci na ISS przetestowali duży model językowy do pytań o konserwację. Żaden z tych przypadków nie oddał sterowania modelowi. Wszystkie przesunęły granicę.

Co te modele faktycznie potrafią

Jeśli ktoś chce sprawdzić, jak daleko temu oprogramowaniu jeszcze do celu, ma po temu materiał, choć nie ma on nic wspólnego ze statkami kosmicznymi. Blog Labqoat opublikował 29 września test, w którym pokazano osiem modeli i 2 000 zdjęć śladów dzikich zwierząt, po 400 odchodów, tropów, piór, jaj i kości. Każdy model dostawał jedno zdjęcie i kraj, a pytanie brzmiało, jaki gatunek je zostawił.

Najlepszy model, Claude Opus 5.5, rozpoznał gatunek 743 razy na 2 000 zdjęć, czyli w 37,15%. Muse Spark 1.3 był następny z 33,35%, a GPT-6 Astra z 31,70%. Claude Sonnet 5.5 zajął czwarte miejsce z 25,15% przy szacowanym koszcie 7,62 dolara, odpowiadając na każde zdjęcie bez błędów zapytania. W sumie w ośmiu modelach 842 zdjęcia, ponad 40% zestawu, nie doczekały się żadnego poprawnego rozpoznania gatunku. Nawet Opus trafił właściwą rodzinę tylko przy 51,75% zdjęć.

Autor ostrożnie opisuje ograniczenia wyniku. Wyniki Sonneta, GLM i DeepSeeka są wstępne, bo część odpowiedzi przy punktowaniu interpretował model tekstowy, a 15 odpowiedzi Sonneta czeka na sprawdzenie. Najlepiej wypadły zdjęcia jaj, ale autor ostrzega, że jedne gatunki mają więcej zdjęć niż inne, a przeważenie tak, by każdy gatunek liczył się równo, obniża wynik Opusa dla jaj z 51,25% do około 37%. Nie ma też punktu odniesienia dla człowieka: żaden ekspert od dzikiej przyrody nie zmierzył się z tym samym zestawem. „Nie wiem jeszcze, jaki wynik powinien być dobry” — pisze autor.

To uczciwa wersja testu AI i warto zestawić ją z obietnicami z orbity. Model, który przy podpowiedzi w postaci kraju nie trafia w sześciu na dziesięć zwierzęcych śladów, nie jest oczywiście gotowy decydować, co satelita zrobi dalej, choć wciąż może się przydać do zawężania opcji, które potem sprawdza człowiek.

Gdzie są pieniądze, a gdzie szum

Obliczenia w kosmosie to już tłok. China-in-space.com zauważa, że konstelacja Three-Body Computing Constellation firm ADA Space i Zhejiang Lab wyprzedza stawkę z kilkunastoma satelitami pracującymi na orbicie, że Orbital Chenguang ma poważne finansowanie, a Chaozhisuan Beijing Technology dobrze umocowanych partnerów, i obie firmy mają satelity demonstracyjne. Firmy państwowe pracują nad dużymi statkami obliczeniowymi bez rozgłosu. Sama STAR.VISION używa AI na satelitach teledetekcyjnych co najmniej od połowy 2023 roku i twierdzi, że dwa satelity zbudowane dla Uzbekistanu i Indonezji potwierdziły część rozwiązań przyszłej konstelacji. Serwis podaje też, że rząd centralny wpisał potrzebne technologie do obszarów priorytetowych 15. planu pięcioletniego na lata 2026 do 2030.

Rozmowa publiczna nie zawsze jest przy tym techniczna. The Daily Mail opublikował 28 września tekst o widzach transmisji startu rakiety Starship firmy SpaceX, którzy około siedmiu minut i 55 sekund po starcie testowym dostrzegli wąski, lekko zakrzywiony pas bladego niebieskiego światła z jaśniejszym białym końcem; użytkownicy mediów społecznościowych nazwali go możliwym UFO. Ten sam serwis zauważa, że rakieta osiągnęła orbitę. Materiał nie wskazuje, czym był ten obiekt.

Jest też małe, przydatne przypomnienie, że autonomia na orbicie to nie jedyna rzecz, którą się automatyzuje. ABA Games wydało na itch.io grę Wreckfall, strzelaninę w stylu 1981 roku z nieruchomym ekranem, w której trafiony statek nie znika, tylko staje się płonącym wrakiem, spada, miażdży wszystko po drodze i w końcu ląduje na pozycji gracza. Strona zawiera ujawnienie o użyciu AI: AI Assisted, Code. Takie gry nie są nauką. Dają jednak uczciwy obraz obecnego stanu techniki: maszyna wytwarza coś użytecznego, a człowiek wciąż decyduje, co uznaje się za zwycięstwo.

Wracając do poważnej strony, sporne pole jest wąskie i praktyczne. STAR.VISION ma finansowanie, partnerów, w tym Baidu AI Cloud, MinoSpace, Hangzhou Institute for Advanced Study przy UCAS i Hangzhou Research Institute of Xidian University, oraz listy poparcia od kilku stref Zhejiang, a także Xichang i Chongzhou. Nie ma opublikowanych orbit, łączy ani planów chłodzenia, a wnioski regulacyjne czekają. IEEE Spectrum ze swojej strony podaje, że generatywna AI w kosmosie wciąż jest zbyt mało godna zaufania, by oddać jej sterowanie statkiem kosmicznym, ale inżynierowie zaczynają pytać, czy stać ich na to, by nie spróbować, skoro misje stają się coraz bardziej złożone, odległe i liczne.

Te dwa stanowiska nie są sprzeczne i w tym tkwi sedno. Sprzęt dostaje finansowanie i leci. Oprogramowanie testuje się małymi, odwracalnymi krokami. Nikt nie opublikował jeszcze liczby, która rozstrzygnęłaby sprawę: jak często model ma rację i ile kosztuje, gdy się myli.