تصور کنید مسئولیت یک ماهواره میلیارد دلاری را بر عهده دارید و باید تصمیم بگیرید آیا یک اختلال در ولتاژ باتری، یک نقص فنی جدی است یا صرفاً یک نویز گذرا. در محیطهای حساس هوافضا، سپردن فرمان مستقیم به یک هوش مصنوعی، ریسکی غیرقابلقبول است؛ زیرا هر توهم کوچک میتواند به یک فاجعهی ملی تبدیل شود. در چنین موقعیتهای بحرانی، خودمختاری فضاپیما باید صرفاً بر قوانین کنترل پیشتأیید شده و منطقهای حفاظت از خطا (Fault-protection logic) تکیه کند. گنجاندن یک مدل زبانی بزرگ (LLM) بدون محدودیت در حلقهی فرمان، نه از نظر استانداردهای صدور گواهینامه ایمن است و نه در عمل قابل توجیه.
اینجاست که Orbital Brain وارد میشود. این معماری با حذف کامل مدلهای زبانی از «حلقهی فرمان» (Command Loop)، آنها را به ابزاره تقویت شناختی تبدیل کرده است. این خطلوله شناختی ۷ مرحلهای، معماری را از granting autonomy (اعطای خودمختاری) به سمت cognitive augmentation (تقویت شناختی) سوق میدهد. به جای اینکه مدل تصمیم بگیرد چه اتفاقی بیفتد، مدل استدلال میکند که چه اتفاقی در حال رخ دادن است و سپس راهکار را به مدیر پرواز پیشنهاد میدهد تا انسان، به عنوان مرجع نهایی، صلاحیت بررسی، به چالش کشیدن و تأیید استدلالهای ساختاریافته را داشته باشد.
مأموریتهای فضایی حجم عظیمی از دادههای ناهمگون، شامل محصولات مداری، جریانهای تلهمتری، گزارشهای خطا و زمینههای عملیاتی تولید میکنند. Orbital Brain با بهرهگیری از تغییر رویکرد صنعت به سمت چارچوبهای هوش مصنوعی مقاومتر — مشابه سبک توازنهای سیستمیک که در اکوسیستم جاوا بین Spring AI و LangChain4j دیده میشود — از چرخههای سادهی «پرسش و پاسخ» فاصله گرفته و به سمت یک جریان کاری منظم و آگاه از وضعیت (State-aware) حرکت کرده است. در این ساختار، مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — نه به عنوان خلبان، بلکه به عنوان یک تحلیلگر پیچیده عمل میکند. این رویکرد بازتابدهنده جریانهای کاری واقعی در بخشهای زمینی است که دادههای خام را به آگاهی از وضعیت و توضیحپذیریهای آمادهی صدور گواهینامه تبدیل میکنند. این تأکید بر نقش تحلیلگر در مقابل خلبان، نشان میدهد که چگونه تخصص در دامین عملیاتی نسبت به مهارتهای فنی محض در تضمین کاربردی بودن مدلهای AI نقش حیاتیتری دارد.
طبق گزارش فنی مورخ ۱۷ ژوئیه ۲۰۲۶ از وبسایت dev.to، این سامانه برای حفظ قراردادهای سختگیرانه ورودی/خروجی و اطمینان از قابلیت حسابرسی سیستم، از هفت مرحله مجزا عبور میکند:
۱. جذب داده (Ingestion): ثبت دادههای خام مانند TLE (عنصر دوخطی)، OEM (پیام اپمریس مدار)، AEM (پیام اپمریس وضعیت) و همچنین تلهمتری و لاگها.
۲. وضعیت و حافظه: ادغام دادههای خام در قالب «تصویرهای باور» (Belief Snapshots). این مکانیزم مدیریت دادهها، شباهت ساختاری به رویکرد جداسازی حافظه از دانش برای ردیابی دقیق منابع دارد تا هر استدلال بر پایه شواهد مستند باشد.
۳. پنجرههای زمانی: سازماندهی تصاویر در بازههای زمانی لغزان. این مرحله بازتابدهنده نحوه تفکر اپراتورهاست که بر اساس روندها تصمیم میگیرند، نه بر اساس تکدادههای پراکنده.
۴. درک موقعیت: بهکارگیری عاملهای (Agents) مستقل و تخصصی (سلامت، مدار و عملیات) برای تحلیل پنجرههای وضعیت و تولید ارزیابیهای مجزا.
۵. راهنمای برنامهریزی: تبدیل این ارزیابیها به دستورالعملهای مشورتی که توسط انسان قابل اجرا باشند.
۶. پیشبینی آینده: تولید سناریوهای روایتی «اگر-آنگاه» برای ۱ تا ۳ مدار آینده. این کار به پیشبینی ریسکها کمک میکند بدون اینکه سیستم بیش از حد به شبیهسازهای پیچیده فیزیکی متکی شود.
۷. گواهنامه (Certification): تولید یک نقشهی روایتی که شواهد را به توصیهها متصل میکند تا تصمیمات «جعبه سیاه» حذف شوند.
برای اعتبارسنجی این طراحی، تیم توسعه یک سناریوی بحرانی را شبیهسازی کرد: قطع دو ساعته تلهمتری که پس از انتقال از حالت خسوف (سایه زمین) به تابش خورشید رخ داد. معماری سیستم این بحران را از طریق یک تحلیل لایهای مدیریت کرد:
ارزیابی موقعیت:
- عامل سلامت (Health Agent)، پرچمهای توان را nominal (نامی/عادی) شناس کرد اما اشاره کرد که دادههای ولتاژ باتری ناکافی است و سطح اعتماد خود را پایین (۴۰٪) اعلام کرد.
- عامل مدار (Orbit Agent) نسبت به تراژکتوری (مسیر) مطمئن باقی ماند اما به دلیل شکاف دادهای، حالت داخلی را «ناشناخته» (UNKNOWN) علامت زد.
- عامل سنتز عملیات (Ops Synthesis Agent) این یافتهها را پل زد و نتیجه گرفت: «ریسک متوسط است. مسیر پایدار است، اما در مورد بازیابی داخلی پس از تابش خورشید کور هستیم. اولویت اول، برقراری تماس زمینی است».
پیشبینی آینده: مرحله ۶ یک پروفایل ریسک روایتی ارائه داد. سیستم هشدار داد که اگر تماس مجدداً برقرار نشود، ریسک به سطح «بالا» میرسد؛ زیرا تخریب احتمالی باتری میتواند باعث تحریک یک رویداد خودکار «حذف بار» (load-shedding) در سایه بعدی شود، بدون اینکه اپراتور از آن آگاه باشد.
دستورالعملهای مأموریت: سیستم یک یادداشت برنامهریزی عملیات مأموریت با مرزهای مشخص تولید کرد:
- پیششرطها: پیش از هرگونه تغییر حالت (Mode Transition)، تماس زمینی باید مجدداً برقرار شود.
- عدم اقدام (Non-Actions): عملیاتهای علمی غیرضروری را پیش نبرید.
- مرزهای ایمنی: خسوف بعدی را به عنوان یک دوره پرخطر در نظر بگیرید.
این رویکرد فرضیه رایج مبنی بر اینکه هوش مصنوعی برای مفید بودن در فضا باید «خودمختار» باشد را به چالش میکشد. با جداسازی «ردیابی مدار» از «سلامت زیرسیستمها»، از خطای «هاله» (Halo Effect) جلوگیری میشود؛ مثلاً مدل دیگر تصور نمیکند چون مدار سالم است، پس حتماً سختافزار باتری هم سالم است. ایمنی در اینجا از «محدودیت» میآید؛ بهطور خاص، ممنوعیت authoring (تألیف/نوشتن) دستورات مستقیم توسط مدل.
حیاتیترین بخش این معماری، مرحله هفتم یعنی «نگاشت گواه به راهنما» است. در صنایع هوافضا، هر توصیهای که منطقش قابل اثبات نباشد، بیارزش است. برای مثال، اگر هوش مصنوعی پیشنهاد دهد دادههای ولتاژ باتری در ۳ تا ۵ چرخه جمعآوری شود، باید این درخواست را مستقیماً به پرچم «INSUFFICIENT_DATA» در لاگهای تلهمتری و واقعیت فیزیکی خروج اخیر از سایه مرتبط کند.
برای تضمین پاسخگویی، گزارش مذکور شامل یک «بیانیه accountability انسانی» است که یادآور میشود:
- نمرات اعتماد (Confidence scores) مدلهای زبانی، تخمینهای کیفی هستند و نه قطعیتهای آماری.
- مدیر پرواز همچنان مرجع و تصمیمگیرنده نهایی است.
- هوش مصنوعی «احتمالات توصیفی» را شناسایی میکند، نه پیشبینیهای قطعی را.
این سیستم که با استفاده از یک چارچوب پایتونی مدولار توسعه یافته، در نسخه اثبات مفهوم (POC) خود از آرشیوهای JSON با شاخص وضعیت برای شبیهسازی مخازن داده زمینی و عاملهای مهندسیشده با پرامپت (Prompt-engineered) استفاده کرد. بخشهای زمینی آینده احتمالاً از این الگو برای مدیریت حجم عظیم دادههای کلان-صورتفلکیها (Mega-constellations) استفاده خواهند کرد. این تحول، صنعت را از تخیلات علمی به مهندسی قابل استقرار منتقل میکند؛ جایی که هوش مصنوعی سیل دادهها را مدیریت میکند تا انسانها بتوانند مأموریت را مدیریت کنند.
گفتگو