تصور کنید میلیونها کیلومتر دورتر از زمین، یک مدل زبانی تصمیم بگیرد مسیر یک ربات ۴۰۰ میلیون دلاری را تعیین کند. اگر فکر میکنید هوش مصنوعی فقط برای نوشتن ایمیل است، باید بدانید که ناسا همین حالا بازی را عوض کرده است.
کلود (Claude) اولین هوش مصنوعی شد که مسیر رانندگی در مریخ را طراحی کرد. به نقل از گزارش آنتروپیک (Anthropic)، در ۸ و ۱۰ دسامبر ۲۰۲۵، مهندسان آزمایشگاه پیشرانش جت (JPL) از این مدل برای عبور از یک میدان سنگی ۴۰۰ متری برای کاوشگر پروseverance استفاده کردند؛ کاری که تا پیش از این، منحصراً توسط انسانها انجام میشد.
طبق اعلام آنتروپیک، تیم JPL دادههای سالهای گذشته و تصاویر ماهوارهای را از طریق کلود کد (Claude Code) به مدل تزریق کردند. این مدل با استفاده از قابلیتهای بینایی خود، عکسهای عمودی را تحلیل کرد و سپس دستورات را به زبان Rover Markup Language (یک زبان مبتنی بر XML) نوشت. این زبان همان استانداردی است که اپراتورهای انسانی از زمان ماموریتهای اولیه مریخ از آن استفاده میکنند.
فرآیند طراحی مسیر به این صورت پیش رفت:
- تحلیل قطعات ۱۰ متری مسیر
- نقد و بررسی نقاط تعیینشده (Waypoints) توسط خود مدل
- تکرار و اصلاح تا رسیدن به یک مسیر کامل برای سول ۱۷۰۷ و ۱۰۹
همانطور که در تحلیل قبلی ما دربارهی عاملهای هوشمند (AI Agents) اشاره کردیم، توانایی مدلها در اجرای وظایف پیچیده در دنیای واقعی در حال جهش است و این اتفاق در مریخ، گواه این ادعاست.
بر اساس مستندات آنتروپیک، این طرح پیش از ارسال، در محیط شبیهساز استاندارد تست شد. در این مرحله، ۵۰۰,۰۰۰ متغیر برای تایید موقعیت کاوشگر و شناسایی خطرات احتمالی مدلسازی شدند. رانندگان انسانی پس از بررسی خروجی، تنها تغییرات جزئی اعمال کردند؛ برای مثال، برخی ریپلهای شنی که در دوربینهای سطح زمین دیده میشدند اما در تصاویر ماهوارهای نبودند، توسط اپراتورها اصلاح شدند. در نهایت، دستورات از طریق شبکه فضای عمیق (Deep Space Network) به فاصله ۳۶۲ میلیون کیلومتری ارسال و اجرا شدند.
این یک نمایش ساده نبود. مهندسان JPL تخمین میزنند که ادغام کلود در گردش کار، زمان برنامهریزی مسیر را به نصف کاهش میدهد. این یعنی دادههای علمی بیشتر و تحلیلهای گستردهتر با همان تیم عملیاتی.
این موفقیت مستقیماً به ماموریتهای آیندهی آرتمیس (Artemis) اشاره دارد. سیستمهای خودگردانی که میتوانند زمینهای ناشناخته را تفسیر کنند و بدون نظارت لحظهای انسان تصمیم بگیرند، برای پایگاههای ماه و ماموریتهای سرنشیندار مریخ حیاتی هستند. در آینده، کاوشگرهای کاملاً خودگردان میتوانند بدون انتظار برای تاخیرهای ساعتی در سیگنالها، ماهیهای «اروپا» یا «تیتان» را کشف کنند.
اما این تنها آغاز ماجراست؛ آیا روزی میرسد که هوش مصنوعی تصمیم بگیرد کجا حفاری کند تا نشانههای حیات باستانی را بیابد؟ این پرسش، استانداردهای نظارتی ما را به چالش میکشد.
گام بعدی شما
- بررسی قابلیتهای Vision در مدلهای استدلالی جدید برای تحلیل دادههای محیطی.
- مطالعه درباره نحوه تبدیل خروجیهای متنی LLM به کدهای اجرایی سختافزاری (XML/JSON).
- دنبال کردن نتایج ماموریتهای آرتمیس برای مشاهده کاربرد عملی رباتیک عاملمحور.
گفتگو