AstroForge 将 AI 置于下一代航天器的核心指挥位置

飞向一颗小行星，降落在上面，还要不出任何差错：要是真这么简单就好了。 NASA 发射探测器探索太阳系时，会设计大量冗余和自动化系统，但大部分工作仍依赖地面飞行控制团队与航天器实时沟通。2018 年 rendezvous 上一颗小行星的 Osiris-Rex 任务，每个八小时轮班就有 100 名操作员。 但初创公司拿不到这样的资源，所以正在研发小行星采矿技术的 AstroForge 转向了 AI。公司自主研发了一套名为 "Solo" 的航天器自主控制栈，这是一个基于 Transformer 的模型。 AstroForge 计划在 2027 年搭载 Stock Space 的首枚火箭，发射首艘自主航天器。该任务将由 NASA 提供支持，预计收集有关太阳的科学数据。 这将是一个了不起的成就：出于对神经网络可靠性的担忧，大多数航天器的自主系统仍依赖传统控制算法。首次用神经网络控制卫星在轨定位，还是去年才发生的事。 AstroForge 成立于 2022 年，已获得 5600 万美元风险投资，先后发射过两艘原型航天器，但都因异常而未能完成大部分任务目标。2025 年，它的 Odin 航天器被送入深空，但公司却难以与其建立通信。地球上足以向数十万英里外航天器发送信号的大型天线数量有限，可用的时间窗口也很小。 最终，AstroForge 未能重新控制 Odin，但这次经历促使公司思考其他方案：能否在航天器上搭载足够的智能，让它自己解决问题？ “如果所有数据都在航天器上，这种情况还能挽回吗？我不知道，但我可以告诉你，船上没有任何东西尝试过。如果航天器发射后就无法挽回，我真希望船上有东西能试一试，”AstroForge 联合创始人兼 CEO Matthew Gialich 说。 “我要权衡的是：是自己建地面网络——在全球部署五座天线再运营起来，大概要花 2 亿美元——还是用一个模型把这套东西省掉？”

AstroForge 飞行软件负责人 Armand Awad 表示，公司决定利用前沿实验室推动的 Transformer 模型进展。他们搭建了一套技术栈，包含传统控制算法、针对特定子系统（如电力生成或导航）在测试数据上训练的模型，以及一个在航天器约 2500 个传感器数据上训练的整体智能层。

Gialich 说：“我并不是说我要实现通用航天器自主性或世界范围内的通用自主性。我是在极低的传感器输入下，基于 Transformer 模型的基础训练，构建一种受限的自主性。”

理论上，控制航天器的智能体将执行诸如异常处理等任务。Awad 设想它能意识到自己在太空中失去了位置追踪，将电力异常与星敏器故障关联起来，并修复整个问题——“在这种情况下，很可能就是反复开关机。”

公司第三颗航天器 DeepSpace-2 目前计划与 Intuitive Machines 的第三次月球任务一同发射，预计 2026 年底前进入太空。Solo 将搭载于该航天器，以“影子模式”运行，让 AstroForge 工程师在 Autonomy-1 任务前对其进行全面测试。

这真的会是一个独立操控航天器的 AI 智能体吗？

Gialich 说：“我不计划在 Autonomy-1 上搭载能从地球接收信号的无线电设备。我们现在必须全速前进。等真正飞行时，团队可能会说服我加上无线电。但眼下，我告诉他们不需要无线电。”