تصور کنید یک علاقه‌مند به نجوم را که به جای خیره شدن به جداول پیچیده در مانیتور، با یک راهنمای هوشمند در دل طبیعت ایستاده تا لحظه عبور یک ماهواره را شکار کند. پلتفرم متن‌باز SkyQuest که در ۱۲ اکتبر ۲۰۲۶ عرضه شد، دقیقاً همین تجربه را می‌سازد؛ ابزاری که با ترکیب یک موتور جغرافیایی سه‌بعدی و سنتز هوش مصنوعی محلی، داده‌های خشک تله‌متری ماهواره‌ها را به مأموریت‌های مشاهده میدانی قابل اجرا تبدیل می‌کند.
بیشتر نرم‌افزارهای ردیابی ماهواره بر پایه جداول متراکم و نمودارهای دوبعدی هستند که کاربر را به صفحه نمایش زنجیر می‌کنند. SkyQuest این مشکل را با ادغام موتور سه‌بعدی God's Eye View حل می‌کند. این سیستم داده‌های مداری را به زوایای دقیق قطب‌نما و زوایای ارتفاع برای مختصات لحظه‌ای و دقیق مشاهده‌گر ترجمه می‌کند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی دموکراتیزه کردن داده‌های فضایی اشاره کردیم، این رویکرد تجربه مشاهده را از یک فعالیت اداری به یک تجربه فیزیکی تبدیل می‌کند.
این پروژه در راستای اهدافی شبیه به Satlyt — که پیش‌تر ۸ میلیون دلار برای تسهیل دسترسی به داده‌های ماهواره‌ای جذب کرد — توسعه یافته است. SkyQuest بر تجربه فیزیکی مشاهده تمرکز دارد و آسمان شب را به یک رابط کاربری زنده تبدیل می‌کند. این پلتفرم با استفاده از یک بک‌اند مبتنی بر فیزیک سنگین، تضمین می‌کند که کاربر تنها زمانی از خانه خارج شود که ماهواره واقعاً در آسمان قابل رؤیت باشد. این رویکرد یادآور تلاش‌های مشابه برای کاهش وابستگی به نمایشگر است، مشابه آنچه در پروژه Haikamera برای مبارزه با اعتیاد به صفحه نمایش مشاهده کردیم.
زمینه و مأموریت
به نقل از مستندات پروژه، این پلتفرم به عنوان بخشی از چالش هوش مصنوعی متن‌باز Hacktoberfest در هفته اول با عنوان «Touch Grass» (به معنای بیرون رفتن و لمس چمن) توسعه یافته است. هدف اصلی این است که پلی میان دینامیک آسمانی دیجیتال و دنیای فیزیکی ایجاد شود تا مردم ترغیب شوند به فضای باز بروند و به‌صورت بصری، فضاپیماهای عملیاتی را هنگام عبور از آسمان شب ردیابی کنند.
این ابزار بر پایه God's Eye View بنا شده است؛ یک شبیه‌ساز ماهواره‌های جاسوسی و کره زمین سه‌بعدی با گرافیک واقع‌گرایانه (Photorealistic) که در گیت‌هاب به رتبه اول ترندها رسید و بیش از ۲۵ میلیون دنبال‌کننده در پلتفرم‌های اجتماعی جذب کرد. این ادغام به SkyQuest اجازه می‌دهد تا قوس‌های مداری کامل سه‌بعدی، مسیرهای زمینی زیر-ماهواره‌ای و بردارهای خط دید نقطه اوج (Culmination line-of-sight) را از طریق CesiumJS رندر کند.
فیزیک رؤیت‌پذیری
نکته کلیدی این است که SkyQuest برای محاسبات اصلی خود به هوش مصنوعی تکیه نمی‌کند تا از توهم (Hallucination) — شبیه دوستی که خاطره‌ای را با اطمینان اما اشتباه تعریف می‌کند — جلوگیری کند. طبق اعلام توسعه‌دهندگان، سیستم از یک لایه دینامیک آسمانی قطعی (Deterministic) استفاده می‌کند. در این راستا، سیستم از مدل پیش‌بین SGP4 و الگوریتم‌های خورشیدی USNO برای محاسبه دقیق مسیرهای مداری و افمریس خورشیدی به کار می‌گیرد.
موتور رؤیت‌پذیری این پلتفرم متغیرهای بحرانی زیر را محاسبه می‌کند:
- زوایای افت خورشیدی توپوسنتریک (Topocentric) برای تعیین دقیق فازهای گرگ‌ومیش (مدنی، دریانورگی و نجومی).
- بررسی اینکه آیا ماهواره در معرض نور مستقیم خورشید است یا در استوانه سایه (Umbral shadow) زمین قرار گرفته و دچار خسوف شده است.
- پوشش ابری لحظه‌ای و دید جوی از طریق Open-Meteo برای جلوگیری از سفرهای بی‌ثمر به نقاط مشاهده.
- اسکن پیش‌رو ۴۸ ساعته برای اهداف با اولویت بالا، شامل ایستگاه فضایی بین‌المللی (ISS)، ایستگاه فضایی تیانگونگ، تلسکوپ هابل، ماهواره‌های Envisat، Terra، Aqua، ماهواره‌های هواشناسی NOAA و BlueBird 1.
ادغام هوش مصنوعی محلی
برای تبدیل این داده‌های عددی به متنی قابل فهم، SkyQuest از خانواده مدل‌های وزن‌های باز (Open Weights) گوگل یعنی Gemma، به‌طور مشخص نسخه‌های gemma2:9b و gemma2:2b استفاده می‌کند. این مدل‌ها از طریق Ollama یا هر محیط اجرای استنتاج محلی سازگار با OpenAI اجرا می‌شوند. این ویژگی تضمین می‌کند که سیستم در مناطق بکر و دورافتاده که سیگنال موبایل وجود ندارد، به‌طور کامل کار کند. این قابلیت پردازش محلی در محیط‌های سخت، مشابه استراتژی به‌کار رفته در سیستم MusPatrol برای مبارزه با تب دنگی در کامبوج است که بر استقلال از شبکه متکی بود.
در اینجا هوش مصنوعی نقش یک لایه سنتز را دارد. مدل داده‌های عددی تأییدشده — مانند زمان شروع عبور و قدر ظاهری (Visual Magnitude) — را می‌گیرد و گزارش‌های میدانی ساختاریافته تولید می‌کند. این گزارش‌ها شامل تاریخچه علمی فضاپیما و دستورالعمل‌های متناسب با سطح تجربه کاربر است.
برای تضمین اعتبار، سیستم از رویکرد موتور دوگانه استفاده می‌کند: لایه قطعی ریاضیات را مدیریت می‌کند و لایه هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — خروجی را در قالب یک اسکیمای JSON سخت‌گیرانه ارائه می‌دهد. اگر محیط اجرای استنتاج محلی آفلاین باشد، SkyQuest بدون هیچ تأخیر یا جریمه زمانی، به‌طور یکپارچه به موتور گزارش‌دهی داخلی و قطعی بازمی‌گردد.
ابزارهای آماده برای میدان
رابط کاربری این پلتفرم برای محیط‌های تاریک، با رنگ قرمز تیره تک‌رنگ (معادل طول موج ۶۵۰ نانومتر) طراحی شده است. این طول موج خاص مانع از انقباض مردمک و حفظ تطبیق رودopsin در چشم انسان می‌شود تا کاربر هنگام چک کردن نمایشگر (HUD)، دید شب خود را از دست ندهد.
همچنین یک نمایشگر لحظه‌ای (HUD) برای لحظه دریافت سیگنال (AOS) تعبیه شده که شامل تایمرهای شمارش معکوس، جهت‌های قطب‌نما (Azimuth) و زوایای ارتفاع هدف است.
علاوه بر این، یک دفترچه یادداشت محلی (Observation Journal) در پلتفرم وجود دارد. کاربران می‌توانند تأییدات رؤیت، یادداشت‌های مربوط به پوشش ابری و تخمین‌های قدر ظاهری را ثبت کنند. این رکوردها به‌صورت محلی ذخیره شده و برای ثبت در آرشیوهای نجوم آماتور، به‌صورت فایل‌های JSON یا CSV مطابق استاندارد RFC-4180 قابل خروجی گرفتن هستند.
معماری متن‌باز
این پروژه تحت لایسنس Apache-2.0 منتشر شده و از یک پشته (Stack) از منابع داده‌ای باز استفاده می‌کند: داده‌های مداری از CelesTrak، داده‌های جغرافیایی از OpenStreetMap و رندرینگ مسیرهای سه‌بعدی از CesiumJS.
ساختار کد به ماژول‌های کلیدی زیر تقسیم شده است:
visibilityEngine.js: مدیریت بردارهای خورشیدی زمین‌مرکز و هندسه خسوف.passPredictor.js: مدیریت پیش‌بینی SGP4 و عبور از افق.missionGenerator.js: تجمیع و تولید گزارش‌های میدانی ساختاریافته.aiProvider.js: مدیریت آداپتور مدل‌های وزن‌باز و اعتبارسنجی اسکما.globeOverlay.js: رندر بردارهای جغرافیایی سه‌بعدی روی کره زمین.observationJournal.js: مدیریت ذخیره‌سازی سمت کلاینت و خروجی تله‌متری.
این معماری حاکمیت مکانی (Location Sovereignty) را تضمین می‌کند. چون مدل‌های Gemma و موتور فیزیک کاملاً روی دستگاه اجرا می‌شوند، مختصات دقیق کاربر — چه در یک خانه خصوصی باشد و چه در یک ایستگاه میدانی دورافتاده — هرگز به هیچ ارائه‌دهنده ابری ارسال نمی‌شود. این رویکرد انتقال پردازش به لبه، مشابه نحوه عملکرد BioCLIP در شناسایی گونه‌های زیستی است که حریم خصوصی و سرعت را در محیط‌های طبیعی تضمین می‌کند.
این چرخش به سمت هوش مصنوعی محلی و مبنی‌سازی‌شده، این فرض را که ابزارهای علمی به اتصال دائمی نیاز دارند، تغییر می‌دهد. با جداسازی «محاسبه» (ریاضیات قطعی) از «ارتباط» (هوش مصنوعی زاینده)، SkyQuest یک خط لوله تأییدپذیر برای علوم آموزشی ایجاد کرده است.
برای یک منجم آماتور، این یعنی مانع ورود دیگر مدرک مکانیک مداری نیست، بلکه فقط یک مدل زبانی محلی و یک آسمان صاف است. این ابزار تجربه غیرفعال پشت صفحه را به یک جست‌وجوی فیزیکی و فعال برای کشف تبدیل می‌کند.
شما می‌توانید پیاده‌سازی کامل را بررسی کرده و از طریق مخزن رسمی گیت‌هاب در مسیر Crytic35/SkyQuest در این پروژه مشارکت کنید.
گام بعدی شما
- مخزن گیت‌هاب Crytic35/SkyQuest را بررسی کنید تا با نحوه پیاده‌سازی لایه سنتز داده‌ها آشنا شوید.
- اگر سخت‌افزار مناسب دارید، مدل gemma2:2b را روی Ollama نصب کنید تا سرعت استنتاج محلی در محیط‌های آفلاین بسنجید.
- برای ردیابی اولین ماهواره، زمان عبور ISS را در منطقه خود چک کرده و از رابط قرمز رنگ برای حفظ دید شب استفاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و بهینه‌سازی استنتاج لبه مراجعه کنید.
گفتگو