نخستین نکته‌ای که باید دانست این است: این یک نمایش نرم‌افزاری نیست. در اوایل نوامبر ۲۰۲۶، یک ماه‌نورد خصوصی با هدفی روشن بر سطح ماه فرود می‌آید: اجرای مدل‌های زبانی بزرگ در جایی فراتر از زمین. این ماموریت از نظر زمان کوتاه است، اما از نظر پیامدها بسیار بزرگ. رباتی را تصور کنید که مانند یک دانشمند میدانی کار می‌کند، داده‌های حسگرهای خود را می‌خواند، اولویت ارسال اطلاعات به زمین را تشخیص می‌دهد و زمانی که سکوت رادیویی نظارت انسانی را کند یا ناممکن می‌کند، در کسری از ثانیه تصمیم می‌گیرد.
فلیپ با یک مغز محاسباتی از راه می‌رسد
فلیپ، خودرویی ۴۸۰ کیلوگرمی که نام آن برگرفته از «سکوی نوآوری انعطاف‌پذیر ماه» است، توسط شرکت خصوصی آسترو لب ساخته می‌شود و قرار است نزدیک قطب جنوب ماه فرود آید. این ماه‌نورد یک رایانه قدرتمند داخلی از شرکت هیولت پاکارد انترپرایز به نام اسپیس‌بورن-۴ حمل می‌کند. این رایانه برای اجرای محلی مدل‌های سنگین و پشتیبانی از رفتار خودکارتر نسبت به ماه‌نوردهای پیشین طراحی شده است.
انتخاب‌های طراحی کاملا عمل‌گرایانه‌اند. فلیپ از چرخ‌های تغییرشکل‌پذیر برای عبور از زمین‌های ناهموار استفاده می‌کند و توان دوام آوردن دست‌کم ۱۵۰ ساعت در شب‌های خشن ماه را دارد. فهرست محموله‌های آن شبیه آرزوهای یک دانشمند سیاره‌شناس است: سامانه لیدار برای نقشه‌برداری سه‌بعدی، ابزارهایی برای جست‌وجوی یخ آب در دهانه‌های سایه‌دار، و حسگری که برای اندازه‌گیری غلظت ایزوتوپ هلیوم-۳ در خاک ماه تنظیم شده است. در مجموع، ۲۰ محموله علمی روی این خودرو حمل خواهد شد.
هوش مصنوعی داخلی چگونه اکتشاف ماه را تغییر می‌دهد
چرا باید مدل‌ها را روی خود ماه‌نورد اجرا کرد، نه روی زمین؟ پاسخ در تاخیر ارتباطی و مقیاس عملیات نهفته است. ارتباط با اعماق فضا کند است. فرمانی که از زمین فرستاده می‌شود ممکن است چند دقیقه تا چند ده دقیقه بعد برسد. این تاخیر برای بسیاری از کارها، نظارت لحظه‌ای را غیرممکن می‌کند. هوش مصنوعی داخلی می‌تواند تصاویر دوربین و بازگشت‌های لیدار را تحلیل کند، مسیرهای ایمن را برگزیند و مهم‌ترین داده‌ها را فشرده یا خلاصه کند تا پهنای باند لازم برای ارسال یافته‌ها به زمین کاهش یابد.
مدل‌های داخلی فلیپ دو وظیفه اصلی خواهند داشت. نخست، ادراک محیط: آن‌ها تصاویر دوربین و ابرنقاط لیدار را تفسیر می‌کنند تا خطرها و اهداف علمی را شناسایی کنند. دوم، اولویت‌بندی داده‌ها: ماه‌نورد به جای ارسال پیوسته داده‌های خام تله‌متری، می‌تواند گزارش‌های کوتاه و گزینش‌شده‌ای بفرستد که ناهنجاری‌ها یا کشفیات را برجسته می‌کنند. نتیجه، بازگشت علم بیشتر به ازای هر واحد زمان ارتباطی و از دست رفتن ساعت‌های کمتر ماموریت در انتظار دستورها خواهد بود.
سخت‌افزار و تاب‌آوری
اسپیس‌بورن-۴ یک رایانه بازی مصرفی نیست که روی سطح ماه گذاشته شده باشد. این سامانه معماری مقاوم در برابر تابش دارد و یک پردازنده مرکزی ۶۴ بیتی را با یک پردازنده گرافیکی توانمند ترکیب می‌کند تا بارهای کاری موازی را مدیریت کند. اچ‌پی‌ئی به جای بازطراحی کامل، بر مهندسی تدریجی تکیه کرده است: روال‌های نرم‌افزاری برخورد ذرات باردار را تشخیص می‌دهند، سپس توان و سرعت کلاک را کاهش می‌دهند تا خطر آسیب دائمی کمتر شود. همین رویکرد به واحدهای پیشین اسپیس‌بورن کمک کرد فراتر از انتظار اولیه در ایستگاه فضایی بین‌المللی دوام بیاورند و کار کنند.
اچ‌پی‌ئی پیش‌تر اسپیس‌بورن-۲ و اسپیس‌بورن-۳ را به ایستگاه فضایی بین‌المللی فرستاده بود؛ جایی که آن‌ها در سال ۲۰۲۵ مدل لاما ۳.۲ متا را در قالب ابتکاری غیررسمی به نام «لامای فضایی» اجرا کردند. فضانوردان از این سامانه برای سرعت دادن به برنامه‌ریزی آزمایش‌ها و تفسیر داده‌ها استفاده کردند. اکنون همان درس‌ها در محیطی بسیار سخت‌تر آزموده خواهد شد. سطح ماه در نزدیکی قطب جنوب، تجهیزات الکترونیکی را در معرض تابش کیهانی تقریبا سه برابر بیشتر از داخل ایستگاه فضایی بین‌المللی قرار می‌دهد و دما از مثبت ۸۰ درجه سلسیوس در نقاط آفتاب‌گیر تا منفی ۲۰۰ درجه سلسیوس در سایه عمیق نوسان می‌کند.
با این حال، اچ‌پی‌ئی انتظار دارد اسپیس‌بورن-۴ در طول ماموریت ده‌روزه برنامه‌ریزی‌شده فلیپ فعال بماند. کنترل حرارتی، پنل‌های رادیاتور و وضعیت‌های توان مدیریت‌شده توسط نرم‌افزار همگی با هم کار می‌کنند تا رایانه در محدوده‌های ایمن عملیاتی باقی بماند.
ریسک‌های عملی و درس‌های گذشته
خودمختاری راه‌حل جادویی نیست. نمونه‌های تاریخی نشان می‌دهند چگونه تاخیر اپراتورها می‌تواند زنجیره‌ای از خطاها ایجاد کند و به از دست رفتن ماموریت بینجامد. در واقع، برخی ماه‌نوردهای پیشین پس از آن از دست رفتند که اپراتورها بدون آگاهی کامل از وضعیت، فرمان‌هایی ارسال کردند؛ خطری که با تاخیر رادیویی بیشتر می‌شود. هوش داخلی این وابستگی به کنترل زمینی را کاهش می‌دهد، اما ریسک‌های تازه‌ای نیز ایجاد می‌کند: مدل‌ها ممکن است دچار توهم شوند، نویز حسگر را به اشتباه سیگنال معنادار تفسیر کنند یا داده نادرستی را برای ارسال به زمین در اولویت بگذارند. در فضا، حتی یک خطای کوچک می‌تواند پیامدهای بزرگی داشته باشد.
روزر آلمنار، پژوهشگر هوش مصنوعی و حقوق فضایی در دانشگاه والنسیا، هشدار می‌دهد که این مدل‌ها هنوز در حال بلوغ هستند. خروجی مدل‌ها باید اعتبارسنجی شود و با اندازه‌گیری‌های قطعی حسگرها مورد راستی‌آزمایی قرار گیرد. معماری ایمنی نیز باید شامل مسیرهای جایگزین و بازبینی انسان در حلقه برای تصمیم‌های حیاتی باشد.
دیدگاه کارشناس
دکتر النا کروز، متخصص رباتیک سیاره‌ای، نگاه عملی‌گرایانه‌ای ارائه می‌دهد: «اجرای مدل‌های پیشرفته روی ماه‌نورد، شیوه فکر کردن ما درباره عملیات را تغییر می‌دهد. به جای مدیریت ریزبه‌ریز هر مانور، تیم‌های ماموریت اهداف سطح بالا تعیین می‌کنند و اجرای جزئیات سطح پایین را به سامانه می‌سپارند. این کار زمان واکنش را کاهش می‌دهد و بهره‌وری علمی را افزایش می‌دهد، اما به آزمایش سخت‌گیرانه و حالت‌های شکست شفاف نیاز دارد. باید بدانید چه زمانی به ماشین اعتماد کنید و چه زمانی مداخله کنید.»
جمع‌بندی
فلیپ در یک ماموریت واحد، اکتشاف ماه را از نو تعریف نخواهد کرد، اما ایده‌ای حیاتی را می‌آزماید: اینکه می‌توان به هوش مصنوعی پیشرفته اعتماد کرد تا در محیط‌های بسیار سخت کار کند و زمانی که زمین در سکوت است، تصمیم‌های درست بگیرد. اگر آزمایش‌ها موفق باشند، معماری نشان‌داده‌شده توسط اسپیس‌بورن-۴ و فلیپ می‌تواند برای پشتیبانی از ماموریت‌های بلندمدت، عملیات سرنشین‌دار در اکتشافات عصر آرتمیس و حتی کاوشگرهای رباتیکی که به مریخ و فراتر از آن فرستاده می‌شوند، گسترش یابد. دهه آینده علوم سیاره‌ای به همان اندازه که درباره پرتابگرها و ابزارهاست، درباره الگوریتم‌ها و خودمختاری نیز خواهد بود. فلیپ نشان خواهد داد که اجرای مدل‌های زبانی روی ماه ابزاری مفید است یا صرفا آزمایشی در جسارت کاربردی.
.avif)
نظر بگذارید
نظرات (2)
خیلی منطقیه؛ تاخیر ارتباطی رو فقط هوش محلی می‌تونه حل کنه. باید تست‌هارو طولانی‌تر و سخت‌گیرانه‌تر کنند.
وای، فکرش رو هم نمیکردم! ماه‌نورد با مغز هوش مصنوعی، هیجان‌انگیز اما ترسناک هم هست...