8 دقیقه
برای نخستین بار که یک مریخنورد مسیری را دنبال کرد که توسط یک مدل بزرگ هوش مصنوعی ترسیم شده بود، این کار عمداً و نه بهصورت آزمایشی انجام شد. پرسویرنس با نقشههایی که توسط یک سیستم هوش مصنوعی تولید شده بودند، از روی سنگهای منطقهٔ جیزرو عبور کرد و نشان داد مسیرهای طراحیشدهٔ ماشینی میتوانند یک کاوشگر ششچرخه را روی سطح واقعی مریخ هدایت کنند.
چگونه هوش مصنوعی مسیر حرکت را برنامهریزی کرد
مهندسان آزمایشگاه پیشرانش جت ناسا (JPL) با شرکت Anthropic همکاری کردند تا مدلهای خانوادهٔ Claude را بهعنوان ابزاری برنامهریزیکنندهٔ دید-و-زبان (vision-language planning tool) تطبیق دهند. این سامانه تصاویر مداری و تصاویر گرفته شده توسط مریخنورد، نقشههای ارتفاعی و نشانهگذاریهای خطر را ترکیب میکرد تا وضعیت زمین را ارزیابی کند: پهنههای سنگی، چینوچروکهای شنی و شیبهای تند. سپس مسیرهای ایمن را پیشنهاد میداد — توالیای از نقطههای میانی (waypoints) که از خطرات واضح اجتناب کنند و در عین حال اهداف علمی و ماموریتی را حفظ نمایند.
در عمل، این سامانه از دادههای چندمنظوره بهره برد: تصاویر با وضوح پایین از مدار، تصاویر نزدیکبرد از دوربینهای مریخنورد، نقشههای شیب و ارتفاع، و یادداشتهای کارشناسان دربارهٔ موانع احتمالی. مدلهای بزرگ زبان با تواناییهای بینایی یک تصویر کلی از محیط ایجاد میکردند و با در نظر گرفتن محدودیتهای حرکتی و ایمنی پرسویرنس، مسیرهایی پیشنهاد میدادند که بالانس بین سرعت پیشروی و ایمنی را رعایت میکردند. این فرایند شامل بررسیهای چندمرحلهای بود؛ ابتدا راهحلهای بالقوه تولید میشد، سپس ارزیابیهای کمی و کیفی روی آنها انجام میگرفت و در نهایت بهترین گزینهها فهرست میشدند.
نتایج محسوس بودند. در سول 1707، پرسویرنس با استفاده از آن نقشههای مشتقشده از هوش مصنوعی تقریباً 210 متر را طی کرد و دو سول بعد تقریباً 246 متر را پیمود. در اینجا کنترلی لحظهبهلحظه با جویاستیک از زمین وجود نداشت. بهجای آن، مریخنورد مسیرهایی را اجرا کرد که مدل، پس از ارزیابی صحنه، مانند یک انسان محتاط پیشنهاد داده بود. این تجربه نشان داد که ترکیب بینایی ماشینی و مدلهای زبان بزرگ میتواند تصمیمات تاکتیکی لازم برای حرکت در محیطهای پیچیدهٔ مریخ را با کیفیتی مطمئن تولید کند.
آزمون، شبیهسازی و راهکارهای حفاظتی
«خودمختاری همراه با کنترلها»؛ این نحوهٔ توصیف JPL از پیادهسازی بود. بهجای ارسال مستقیم خروجی مدل به مریخنورد، تیمهای مأموریت هر فرمان تولیدشده توسط هوش مصنوعی را از طریق یک همزاد دیجیتال (digital twin) از پرسویرنس روی زمین اجرا و ارزیابی کردند. این نسخهٔ مجازی بیش از 500,000 متغیر تلهمتری را شبیهسازی میکرد تا سازگاری فرمانها با نرمافزار پرواز و حرکت مریخنورد را تأیید نماید. تنها پس از اعتبارسنجی دقیق، دستورات نهایی به سوی مریخ آپلینک میشدند.
همزاد دیجیتال به تیمها امکان میدهد پیامدهای هر مسیر را پیش از اجرا بسنجد: میزان مصرف انرژی، پایداری چرخها روی سطوح مختلف، تأثیر شیب بر هدایت، و مواردی مانند احتمال گیرکردن در شنهای نرم. این شبیهسازیها همچنین خطاهای نرمافزاری یا ناسازگاریهای بین فرمتهای دستوری تولیدشده توسط مدل و پروتکلهای کنترل پرسویرنس را آشکار میسازند. بهعلاوه، لایههای حفاظتی اضافی شامل قوانین ایمنی صارم بودند که مدل را از اتخاذ تصمیماتی که احتمالاً به زیرساخت سختافزاری آسیب میرساند، منع میکرد.
این رویکرد توازن خطر و سود را برقرار میکند. مسیریابی خودکار بار کاری اپراتورها را کاهش داده و عملیات روزمره را تسریع میکند — مزیتی حیاتی بههنگام وجود تاخیرهای سیگنالی رفتوبرگشتی بین زمین و مریخ که کنترل بلادرنگ را غیرممکن میسازد. نقش انسانها همچنان در تعیین انتخابهای راهبردی باقی میماند؛ هوش مصنوعی جای خالی تاکتیکی را پر میکند. علاوه بر این، وجود مسیرهای پیشنهادی مختلف و امکان بازگشت به روالهای قبلی، امکان بررسی و مقایسهٔ عملکرد مدلهای مختلف را فراهم میآورد و به بهبود مستمر الگوریتمها منتهی میشود.
چرا این موضوع برای مأموریتهای آینده اهمیت دارد
تصور کنید مأموریت آیندهای که در آن مریخنوردها در درههای ناهموارتر کاوش میکنند یا بهصورت گروهی و هماهنگ (سوارم) عمل میکنند. گلوگاه امروز تأخیر ارتباطی و پهنای باند اپراتورهاست. برنامهریزی مسیر مبتنی بر هوش مصنوعی مهندسین را جایگزین نمیکند؛ بلکه آنها را تقویت میکند. این فناوری به وسایل نقلیه اجازه میدهد سریعتر به خطرات محلی واکنش نشان دهند و تیمهای زمینی را آزاد میگذارد تا روی اهداف علمی و تجزیهوتحلیل دادهها تمرکز کنند تا مدیریت جزئی حرکات.
این نمایش عملی یک گام عملی بهسوی عملیات سطحی خودمختارتر را نشان میدهد؛ جایی که استدلال ماشینی و نظارت انسانی در کنار هم توان کاوشگرهای رباتیک را گسترش میدهند.
با اینحال، سوالاتی باقی میماند. مدلها چگونه با زمینهای جدید و ناشناخته کنار میآیند؟ تیمها چگونه تصمیمات هوش مصنوعی را برای مأموریتهای دارای ریسک بالاتر گواهی خواهند کرد؟ چالشهای اخلاقی و مسئولیتی نیز باید بررسی شوند: مسئولیت تصمیمات خودمختار در صورت بروز مشکل یا خسارت چه کسی خواهد بود؟ علاوه بر این، مدلها ممکن است در محیطهایی با دید محدود یا دادههای ناقص عملکرد متفاوتی از خود نشان دهند؛ بنابراین توسعه مجموعهای از آزمایشها و معیارهای عملکرد مشخص برای سنجش قابلیت اطمینان آنها ضروری است.
تجربهٔ پرسویرنس یک مسیر روشن نشان میدهد: خودمختاری هوشمند از نمایشهای آزمایشگاهی به ابزارهای معمول مأموریتی در حال انتقال است و کاوش را یک سول در هر بار بازتعریف میکند. از منظر فنی، این به معنای ترکیب مدلهای بینایی، مدلهای زبان بزرگ، و شبیهسازیهای دقیق با معیارهای ایمنی سختگیرانه است تا سامانهای قابل اتکا پدید آید که هم توان تصمیمگیری محلی را داشته باشد و هم قابل نظارت و بازبینی توسط کارشناسان زمینی باشد.
برای تقویت پذیرش و گسترش این رویکرد در مأموریتهای آتی، نکات زیر اهمیت دارند:
- افزایش دادههای آموزشی و مجموعهٔ آزمونها با نمونههای واقعی از عوارض زمین مریخ تا قابلیت تعمیم مدلها به شرایط جدید ارتقا یابد.
- بهکارگیری چارچوبهای اعتبارسنجی چندسطحی که هم ارزیابیهای شبیهسازی و هم آزمونهای میدانی را شامل شوند.
- طراحی رابطهای انسانی-ماشینی شفاف که تصمیمات هوش مصنوعی و دلایل پشت انتخاب مسیرها را برای مهندسان زمینی قابل پیگیری نماید.
- ایجاد استانداردهای مأموریتی برای گواهی و تخصیص مسئولیت در تصمیمات خودمختار، بهویژه در ماموریتهایی با ریسک بیشتر یا اهداف حساستر علمی.
توسعهٔ این تواناییها نه تنها عملیات فعلی را بهینه میکند، بلکه پایهٔ فنی لازم برای مأموریتهای بلندپروازانهتر مانند نمونهبرداری هدفمند، کاوش در غارها و شیبهای تند، یا هماهنگی بین چندین ربات را فراهم میآورد. در چنین سناریوهایی، تصمیمات سریع محلی میتواند تفاوت بین موفقیت و از دست رفتن فرصتهای علمی را رقم بزند.
علاوه بر این، این تجربهها دادههای ارزشمندی برای بهبود مستمر مدلها فراهم میکنند: مثالها و سناریوهای واقعی که میتوانند بهعنوان ورودی در آموزش مجدد مدلها و افزایش دقت پیشبینیها استفاده شوند. از منظر علمی، کاهش زمان صرفشده برای ناوبری دستی به معنی افزایش زمان مفید برای آزمایشها، اندازهگیریها و جمعآوری نمونههای با ارزشتر است.
در نهایت، ادغام هوش مصنوعی در سامانههای ناوبری مریخ یک فرآیند تدریجی و محتاطانه خواهد بود: ترکیبی از پیشنهادات خودکار، بررسی انسانی و لایههای دفاعی متعدد که بهتدریج دامنهٔ اختیار هوش مصنوعی را افزایش میدهد. تجربهٔ پرسویرنس نشان میدهد که این مسیر عملی است و میتواند پایهای قابل اطمینان برای نسل بعدی کاوشگرهای خودمختار فراهم کند.
منبع: digiato
نظرات
نووا_کس
نسبتاً متوازن اما یه خورده اغراق هم هست؛ استانداردها و مسئولیتها باید روشن باشن، مجموعه دادهٔ واقعی بیشتر لازمه.🙂
آرمین
من تو یه پروژه رباتیک دیدم؛ شبیهسازی دقیق واقعا فرق ایجاد میکنه. اینم با همزاد دیجیتال قابل قبول تره، ولی باید تو میدان هم تستش کنن
آستروست
واقعن میشه این مدلها رو روی زمین گواهی کرد؟ تو محیطهای جدید یا دید محدود معلوم نیس چی میشه... کلی سوال مونده
توربو
معقوله، یعنی خوبه که مدل کمک کنه ولی باید همیشه چک بشه اگه نه یه اشتباه کوچیک هزینهساز میشه
دیتاپالس
واااای، اینکه مریخنورد دقیقا مسیرِ مدل زبانی رو اجرا کرد عجب لحظهای بود! هم ذوق دارم هم نگران گیر کردن تو شن، دلم یه کم لرزید 🤖
ارسال نظر