تصور کنید فضاپیمایی را که در اعماق منظومه شمسی می‌چرخد، اما هیچ راهی برای شنیدن دستورات زمین ندارد. برای AstroForge، این کابوسِ هر مهندس هوافضا، تنها راه نجات از هزینه‌های کمرشکن زیرساخت‌های ارتباطی است.
۵۶ میلیون دلار قیمتِ این شرط‌بندی است که یک مدل ترنسفورمر (Transformer) — شبیه به مغز متفکری که می‌تواند الگوهای پیچیده را در حجم عظیمی از داده‌ها شناسایی کند — بتواند جایگزین اتاقی پر از کنترل‌کننده‌های انسانی شود. به نقل از این شرکت، مدل Solo یک پشته‌ی کنترل خودگردان است که برای مدیریت استخراج سیارک‌ها بدون نیاز به ارتباط مداوم با زمین طراحی شده است.
مأموریت‌های سنتی فضای عمیق، به‌شدت متکی به منابع انسانی هستند. برای مثال، مأموریت Osiris-Rex ناسا که در سال ۲۰۱۸ با یک سیارک rendezvous کرد، برای حفظ کنترل در هر شیفت ۸ ساعته به ۱۰۰ اپراتور نیاز داشت. متیو جیالیک، مدیرعامل AstroForge، معتقد است ساخت یک شبکه جهانی از آنتن‌ها برای یک استارتاپ غیرممکن است. او اشاره می‌کند که برپایی تنها ۵ دیش در نقاط مختلف جهان برای ایجاد یک شبکه زمینی، هزینه‌ای تقریبی ۲۰۰ میلیون دلار دارد؛ قیمتی که از نظر او بازدارنده و غیرقابل تحمل است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی رایانش لبه (Edge Computing) اشاره کردیم، انتقال پردازش از مرکز به نقطه اثر، کلید کاهش تأخیر و هزینه است. در مورد AstroForge، این چرخش به دلیل شکست‌های تلخ رخ داد. این شرکت که در سال ۲۰۲۲ تأسیس شد، پیش از این دو فضاپیمای نمونه پرتاب کرد. هر دوی این وسایل دچار ناهنجاری‌هایی شدند که مانع از دستیابی آن‌ها به اکثر اهداف مأموریت شد.
در سال ۲۰۲۵، فضاپیمای Odin به فضای عمیق فرستاده شد، اما شکاف‌های ارتباطی باعث شد این وسیله غیرقابل بازیابی شود. دلیل این اتفاق این است که تعداد آنتن‌های روی زمین که به اندازه کافی بزرگ باشند تا سیگنال‌ها را از صدها هزار مایل دورتر ارسال و دریافت کنند، بسیار محدود است و پنجره‌های زمانی برای این ارتباط نیز بسیار کوتاه هستند. در نتیجه، شرکت نتوانست کنترل Odin را به دست بگیرد.
جیالیک خاطرنشان کرد که هیچ سیستمی روی این وسیله نبود تا به‌طور مستقل برای حل مشکل تلاش کند؛ همین اتفاق، جرقه‌ی حرکت به سمت هوش مصنوعی داخلی را زد. او این پرسش را مطرح کرد که اگر فضاپیما به داده‌های لازم و توانایی اجرای یک راهکار اصلاحی روی خودش دسترسی داشت، آیا مأموریت قابل بازیابی می‌بود یا خیر.
Solo یک هوش مصنوعی همه‌کاره نیست، بلکه یک سامانه خودگردان محدود است. بر اساس مستندات فنی آرماند عواد، مدیر نرم‌افزار پرواز، این شرکت از پیشرفت‌های مدل‌های ترنسفورمر که توسط آزمایشگاه‌های پیشرو (Frontier Labs) توسعه یافته‌اند، بهره برده تا پشته‌ای ایجاد کند که سه لایه متمایز را با هم ادغام می‌کند:
- الگوریتم‌های کنترل سنتی برای تأمین پایداری اولیه و پایه.
- مدل‌های تخصصی که روی داده‌های آزمایشی برای زیرسیستم‌هایی مانند ناوبری و تولید توان آموزش دیده‌اند.
- یک لایه هوش کلی که بر اساس داده‌های دریافتی از تقریباً ۲۵۰۰ حسگر داخلی آموزش دیده است.
در عمل، این عامل (Agent) — مثل یک سرکارگر خبره که بدون تماس با دفتر مرکزی، مشکلات کارگاه را حل می‌کند — مسئول رفع ناهنجاری‌هاست. این رویکرد یادگیری ماشین در محیط‌های فیزیکی، مشابه تلاش‌های گسترده شرکت کاترپیلار برای تبدیل نیروی کار خود به اپراتورهای AI است تا بهره‌وری در عملیات سخت‌افزاری افزایش یابد. اگر فضاپیما موقعیت خود را در فضا گم کند، Solo طراحی شده است تا ناهنجاری‌های مربوط به توان را با مشکلاتی در ردیاب ستاره‌ای (Star Tracker) مرتبط کند و یک اصلاحیه را اجرا نماید. عواد اشاره می‌کند که این راهکار در برخی موارد ممکن است به سادگیِ «یک بار خاموش و روشن کردن سیستم» باشد.
نقشه راه AstroForge مرحله‌بندی شده است. سومین وسیله این شرکت، DeepSpace-2، تا پایان سال ۲۰۲۶ همراه با یک مأموریت ماه متعلق به شرکت Intuitive Machines پرتاب می‌شود. در این پرواز، Solo در «حالت سایه» (Shadow Mode) فعالیت می‌کند؛ یعنی تصمیماتش ثبت و توسط مهندسان رصد می‌شود، اما کنترل واقعی و اجرایی در دست انسان‌ها باقی می‌ماند.
آزمون نهایی در سال ۲۰۲۷ با مأموریت Autonomy-1 رخ می‌دهد که توسط اولین موشک پرتاب شده توسط شرکت Stoke Space به فضا می‌رود. این مأموریت که مورد حمایت ناسا است، هدفش جمع‌آوری داده‌های علمی درباره خورشید است. این تلاش برای خودگردانی کامل در فضای عمیق، یادآور موفقیت سیستم Get Physics Done در یافتن مسیرهای نوین به آلفا سنتوری است که نشان داد هوش مصنوعی می‌تواند محاسبات پیچیده ناوبری را فراتر از توان انسان‌ها انجام دهد.
جیالیک ادعای جسورانه‌ای دارد: او در حال حاضر قصد دارد Autonomy-1 را بدون رادیوهای قادر به دریافت سیگنال از زمین پرتاب کند تا هوش مصنوعی مجبور به اتکای کامل به خود باشد. اگرچه او اشاره کرد که ممکن است در نهایت تیمش او را متقاعد کند که رادیوها را اضافه کند، اما موضع فعلی او قاطعانه است: «بدون رادیو».
این رویکرد، تابویی قدیمی در صنعت فضا را می‌شکند. اکثر فضاپیماها از الگوریتم‌های سنتی استفاده می‌کنند چون شبکه‌های عصبی (Neural Network) — شبکه‌ای از سلول‌های کوچک، شبیه نقشه مترو، که سیگنال را از ورودی به جواب می‌رساند — غیرقابل‌اعتماد تلقی می‌شوند. در حالی که نخستین شبکه عصبی برای موقعیت‌یابی ماهواره‌ها تنها سال گذشته پرتاب شد، AstroForge مستقیماً به سراغ فرماندهی کامل خودگردان در تمام لایه‌ها رفته است. این نیاز به قدرت پردازشی عظیم در مدار، با برنامه‌های اسپیس‌اکس برای ساخت مراکز داده‌های هوش مصنوعی در فضا همسو است تا زیرساخت‌های لازم برای چنین پردازش‌هایی فراهم شود.
این تغییر، گذاری از «کنترل از راه دور» به «هوش لبه» است. اگر موفقیت‌آمیز باشد، نیاز به سرمایه‌گذاری‌های کلان در ایستگاه‌های زمینی حذف شده و سد ورود به اکتشافات فضای عمیق پایین می‌آید. اما ریسک این بازی صفر و یک است: یا فضاپیما مشکلاتش را خودش حل می‌کند، یا به تکه‌ای گران‌قیمت از زباله‌های فضایی تبدیل می‌شود.
گام بعدی شما
- بررسی گزارش‌های مأموریت DeepSpace-2 در پایان ۲۰۲۶ برای سنجین دقت Solo در حالت سایه.
- دنبال کردن پیشرفت‌های Stoke Space در زمینه پرتاب‌های ارزان‌قیمت برای مأموریت‌های خودگردان.
- مطالعه در مورد استانداردهای جدید ناسا برای پذیرش مدل‌های یادگیری ماشین در سیستم‌های بحرانی.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های تخصصی استنتاج در محیط‌های سخت مراجعه کنید.
گفتگو