Obliczenia w kosmosie i autonomiczna AI zmieniają naukę o misjach

29 września IEEE Spectrum opublikowało szczegółowy tekst o tym, jak NASA i inne organizacje kosmiczne przenoszą generatywną AI z naziemnych laboratoriów na pokłady statków kosmicznych. Artykuł ukazał się o 13:23 UTC. Opisuje serię eksperymentów, które zmieniają sposób powstawania, weryfikowania i wykorzystywania wyników naukowych z misji.

Najnowszym elementem dossier jest prezentacja ogromnej konstelacji obliczeniowej STAR.VISION Aerospace, którą firma pokazała 25 września na Global Digital Trade Expo. Jak podaje China in Space, spółka planuje rozmieścić 1080 statków kosmicznych do 2035 roku, z czego 720 ma służyć zadaniom wnioskowania, a 360 ogólnym potrzebom obliczeniowym. Projekt o nazwie Space.IDC1 Computing Constellation ma umieścić znaczące moce obliczeniowe na orbicie, żeby wykorzystać energię słoneczną i chłodzenie radiacyjne. Firma zabezpieczyła 10 mld yuanów (1,49 mld dolarów amerykańskich według stanu na 28 września) strategicznego kredytu od Industrial and Commercial Bank of China i Agricultural Bank of China. Co najmniej 1 mld yuanów jest dostępny na pierwszy etap.

Systemy autonomiczne wychodzą z laboratorium

IEEE Spectrum, opublikowane 29 września, podaje, że Jet Propulsion Laboratory NASA użyło w grudniu modeli Claude firmy Anthropic do zaplanowania dwóch przejazdów łazika Perseverance 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. W lipcu astronauci na ISS przetestowali duży model językowy i sprawdzali, czy pomoże w procedurach konserwacyjnych.

Te eksperymenty wskazują na szerszą zmianę w inżynierii kosmicznej. Przez dziesięciolecia to inżynierowie na Ziemi decydowali, co zrobi maszyna w kosmosie, a maszyna robiła dokładnie to. Teraz badacze sprawdzają, czy systemy niedeterministyczne, takie jak generatywna AI, mogą dać statkom kosmicznym więcej swobody w interpretowaniu otoczenia, planowaniu zadań i podejmowaniu decyzji za siebie.

Robert Ambrose, były szef Software, Robotics, and Simulation Division w NASA, powiedział IEEE Spectrum, że autonomia często nie ma deterministycznego wyniku. Zachowanie zależy więc od tego, jak system znalazł się w danej sytuacji. "Więc jeśli trafiasz w tę samą sytuację, ale inną drogą, wynik może być inny. Inżynierowie tego nienawidzą" - powiedział. Ambrose przez większość kariery pracował nad systemami autonomicznymi w NASA, między innymi nad autonomią dla statku Orion i Robonaut 2, humanoidalnego robota, który poleciał w kosmos w 2011 roku. Przy Orionie zobaczył, jak szybko problem testowania może się rozrastać. Inżynierowie musieli brać pod uwagę nie tylko to, co statek może zrobić, ale też wszystkie różne drogi, którymi mógł dojść do decyzji.

Wyścig sprzętowy na Ziemi i na orbicie

Konstelacja STAR.VISION nie jest pierwsza w swoim rodzaju. China in Space zauważa, że Three-Body Computing Constellation firm ADA Space i Zhejiang Lab wyprzedza wszystkie inne firmy i ma obecnie kilkanaście satelitów pracujących w kosmosie. Orbital Chenguang ma duże wsparcie finansowe, a Chaozhisuan Beijing Technology Co Ltd dobrze powiązanych partnerów. Obie firmy mają też satelity demonstracyjne działające na orbicie.

Spółka planuje trzy konstrukcje statków. Statek weryfikacyjny G1 ma zapewnić od 40 do 60 PetaFLOPs mocy obliczeniowej, generując 11,5 kilowata z paneli słonecznych. Standardowy model G2 ma hostować od 160 do 310 PetaFLOPs przy 48 kilowatach mocy. Flagowy G3 ma hostować od 460 do 1000 PetaFLOPs, generując 140 kilowatów.

Szczegółów dotyczących orbit, łączy między statkami, rozmiarów radiatorów ani masy nie podano. Międzynarodowe dokumenty regulacyjne, które dałyby więcej informacji, również nie zostały jeszcze złożone. Podczas prezentacji STAR.VISION wspomniała, że zarezerwowała nieujawnioną liczbę startów na pokładach rakiety Gravity-1 firmy Orienspace i Ceres-2 firmy Galactic Energy, żeby wynieść statki G1. Sugestii co do możliwego miesiąca lub kwartału startu nie podano. Firma podpisała umowy z Hangzhou Institute for Advanced Study, UCAS, Hangzhou Research Institute of Xidian University, Hongqing Technology, Baidu AI Cloud i MinoSpace. Nieokreślone wsparcie przyszło od władz Deqing Moganshan High-Tech Zone, Fuyang Economic and Technological Development Zone i Yunqi town, wszystkich w prowincji Zhejiang, a także od Xichang w prowincji Syczuan i Chongzhou w prowincji Guangxi.

Testowanie granic AI w terenie

Agencje kosmiczne pchają autonomię do przodu, a niezależni badacze sprawdzają, jak dobrze obecne modele AI radzą sobie z zadaniami, które naukowcy misyjni mogliby im przekazać. Wpis na blogu opublikowany 29 września przez Labqoat opisuje benchmark o nazwie Wildlife CSI, który przetestował osiem modeli na 2000 zdjęć śladów zwierząt: odchodów, tropów, piór, jaj i kości. Najlepszy model, Claude Opus 5.5, poprawnie rozpoznał gatunek w 37,15% przypadków w całym zbiorze, jak podaje blog. Muse Spark 1.3 zajął drugie miejsce z 33,35%, a GPT-6 Astra trzecie z 31,70%. Claude Sonnet 5.5 był czwarty z 25,15%. Nawet Opus rozpoznał rodzinę tylko na 51,75% zdjęć.

We wszystkich ośmiu modelach 842 zdjęcia nie doczekały się poprawnego rozpoznania gatunku. Opus rozpoznał 205 z 400 zdjęć jaj, ale tylko 82 z 400 tropów. We wszystkich ośmiu modelach 257 z 400 tropów nie doczekało się ani jednego poprawnego typowania gatunku. W przypadku jaj ta liczba wyniosła 123. Autor zaznacza zastrzeżenie: niektóre gatunki mają więcej zdjęć niż inne, więc poprawne rozpoznanie tych gatunków daje więcej punktów. Gdy wyniki uśredni się po gatunkach, tak żeby każdy gatunek liczył się równo, wynik Opusa dla jaj spada z 51,25% do około 37%. Autor zauważa też, że wytyczne iNaturalist mówią, by rozpoznawać tylko tak precyzyjnie, jak pozwalają dowody. Przypisanie nazwy gatunku do obserwacji nie oznacza, że gatunek da się ustalić z jednego zdjęcia śladu.

Model za kurtyną

29 września strona spacebunnyalpha.com opublikowała benchmarki anonimowego modelu rozumującego o nazwie space-bunny-alpha. Model ma okno kontekstu o rozmiarze miliona tokenów, przyjmuje tekst, obraz i wideo, a od 24 września 2026 roku jest notowany na OpenRouter. W okresie zapowiedzi jest darmowy.

Strona podaje, że na standaryzowanym podzbiorze 60 pytań z GPQA Diamond space-bunny-alpha uzyskał 82,0%. Dla porównania GPT-6 Sol uzyskał 95,45% w niezależnym audycie 198 pytań, GPT-5.5 uzyskał 93,6% w wyniku opublikowanym przez OpenAI, a MiniMax M3 uzyskał 92,9% w standaryzowanej ocenie Artificial Analysis. Na MMLU-Pro space-bunny-alpha uzyskał 75%, podczas gdy GPT-5.6 Sol uzyskał 89,1%, a Qwen3.8 Flash około 89,0%. Na podzbiorze 300 pytań z Humanity's Last Exam model uzyskał 46,1% przy 95-procentowym przedziale ufności od 40,4 do 51,8%.

Strona podaje też, że space-bunny-alpha zużył około jednej trzeciej tokenów wyjściowych Qwen3.8 Flash na tych samych benchmarkach: 305 989 tokenów wyjściowych wobec 913 989. Model uzyskał 10,0 na 10 punktów w parsowaniu i ekstrakcji danych oraz wywoływaniu narzędzi, ale tylko 4,2 w ogólnej inteligencji i 3,0 w ciekawostkach.

Co to oznacza dla nauki o misjach

Dossier nie zawiera bezpośredniego związku między konstelacją STAR.VISION a eksperymentami NASA nad autonomią. Oba jednak wskazują w tym samym kierunku: więcej mocy obliczeniowej w kosmosie i więcej decyzji podejmowanych w kosmosie, a nie na Ziemi.

IEEE Spectrum zauważa, że technologia jest wciąż zbyt mało godna zaufania, żeby przekazać jej kontrolę nad statkiem kosmicznym. Inżynierowie zaczynają jednak pytać, czy stać ich na to, żeby tego nie robić, skoro misje stają się bardziej złożone, odległe i liczne. Artykuł cytuje Ambrose'a, który mówi, że inżynierowie znaleźli sposoby na opanowanie złożoności systemów autonomicznych, między innymi przez automatyzację procesu testowania. China in Space podaje, że rząd centralny uznał technologie potrzebne do obliczeń kosmicznych za obszar priorytetowy na okres 15. planu pięcioletniego (2026-2030), a w sprawę zaangażowane jest Ministerstwo Przemysłu i Technologii Informacyjnych. Artykuł zauważa, że chińskie firmy po cichu objęły prowadzenie w obliczeniach kosmicznych w czasie globalnego boomu na sztuczną inteligencję.

Tymczasem benchmark Wildlife CSI i wyniki space-bunny-alpha wskazują, że obecne modele AI wciąż mają trudności z zadaniami wymagającymi precyzyjnej identyfikacji na podstawie ograniczonych dowodów. Luka między tym, co systemy autonomiczne potrafią w laboratorium, a tym, co potrafią w terenie, pozostaje duża. Dla nauki o misjach oznacza to, że AI będzie coraz częściej pomagać w przetwarzaniu danych, planowaniu i wykrywaniu anomalii, ale nadzór człowieka pozostaje niezbędny. Eksperymenty na ISS i na łaziku Perseverance pokazują, że AI może pomóc, ale pokazują też, że ludzie wciąż sprawdzają tę pracę.