NASA 毅力號完成歷史性 AI 規劃火星駕駛：Anthropic Claude 與 JPL 合作開啟太空探索新紀元

28 年的人工規劃時代：為什麼改變如此困難

自 1997 年旅居者號（Sojourner）登陸火星以來，每一次火星車的行駛都遵循同一套嚴格的人工規劃流程。地球與火星之間的距離約為 1.4 億英里（約 2.25 億公里），信號單程傳輸需要 4 到 24 分鐘，這意味著實時遙控火星車根本不可能。取而代之的，是一支由數十名工程師組成的專業團隊在 JPL 地面控制中心逐像素地分析火星影像，手動標記每一塊岩石、每一條裂縫、每一片沙地，然後精心計算出一條安全的行駛路徑。

這套流程的安全紀錄無可挑剔——在近三十年的任務中，沒有任何一輛火星車因導航失誤而喪失功能。但代價同樣顯而易見：好奇號（Curiosity）在其漫長的火星任務中，僅有約 6.2% 的行駛里程是在車載系統自主完成的；其餘 93.8% 都需要地球端的人工介入。每個火星日（sol）的可行駛距離往往被限制在數十米，有時甚至只有幾米。對於一個造價數十億美元、承載著尋找古代微生物生命痕跡使命的探測器而言，這種效率瓶頸愈發令人難以接受。

毅力號的設計已在效率上邁出了重要一步——其車載 AutoNav 系統使自主行駛比例提升至約 90%，大幅超越好奇號。但 AutoNav 處理的是「如何安全地從 A 點到達 B 點」的問題；「A 點和 B 點在哪裡」——也就是路線的總體規劃——仍然完全由地球上的人類團隊決定。正是這最後一個人工環節，在 2025 年 12 月被生成式 AI 打破了。

JPL 與 Anthropic 的合作：當視覺語言模型遇上火星

NASA 噴射推進實驗室（JPL）與 Anthropic 的合作並非一朝一夕。據 2026 年初的公開報導，兩個團隊共同開發了一套基於視覺語言模型（Vision-Language Model, VLM）的火星路線規劃系統。其核心是使用 Anthropic 的 Claude AI 模型——一種結合了視覺理解和自然語言推理能力的生成式 AI——來分析火星軌道影像並自動生成駕駛路徑點。

具體的技術流程可分為三個階段。首先，系統攝取由火星偵察軌道器（MRO）搭載的 HiRISE 相機拍攝的高解析度軌道影像，以及由這些影像衍生的數碼高程模型（Digital Elevation Model, DEM）。HiRISE 的影像解析度可達每像素 25 厘米，足以辨識火星表面的個別巨石和小型地質特徵。數碼高程模型則提供了精確的三維地形信息，包括坡度、起伏和表面粗糙度。

其次，Claude 視覺語言模型對這些影像進行語義分析。與傳統的電腦視覺系統不同，VLM 不僅能識別「這裡有一個障礙物」，還能以人類可理解的方式描述地形特徵的性質和風險——例如「這是一片由風力侵蝕形成的沙紋區域，車輪可能陷入」、「這處基岩露頭表面平坦且堅硬，適合作為行駛路徑」、或「前方的巨石場密度較高，建議從北側繞行」。模型能夠識別的地形類別包括基岩（bedrock）、岩石露頭（outcrops）、巨石場（boulder fields）和沙紋（sand ripples），並據此評估每個區域的可通行性。

最後，基於這些語義分析結果，系統自動生成一系列路徑點（waypoints），構成完整的駕駛計劃。這些路徑點不是簡單的幾何座標，而是經過地形風險評估、能耗優化和科學目標權衡後的綜合決策產出。

兩次歷史性駕駛：數據與里程碑

2025 年 12 月 8 日，毅力號執行了第一次由 AI 規劃路線的火星駕駛，行駛距離為 689 英尺（約 210 米）。僅隔兩天，12 月 10 日，第二次 AI 規劃駕駛完成，行駛距離更達 807 英尺（約 246 米）。兩次駕駛均安全完成，沒有觸發任何安全警報或需要人工干預。

這些數字看起來也許不大——地球上的自動駕駛汽車每天行駛的距離可達數百公里。但在火星的語境下，這是一個根本性的突破。每一米的火星行駛都需要應對極端的環境不確定性：不可預測的地表材質、極端的溫差造成的岩石碎裂、火星稀薄大氣中的沙塵、以及與地球之間長達數分鐘到數十分鐘的通信延遲。更關鍵的是，這兩次駕駛的路線完全由 AI 規劃——從分析軌道影像到生成路徑點——人類工程師的角色從「規劃者」變成了「審核者」。

IEEE Spectrum 在其報導中指出，毅力號已創下自主駕駛距離的新紀錄。結合其車載 AutoNav 系統約 90% 的自主行駛比例，以及現在由 AI 承擔的路線規劃功能，毅力號正在成為人類發送到另一個星球上的最自主的機器人。

安全驗證：數碼孿生與 50 萬個遙測變量

即便 AI 能夠規劃出看似合理的駕駛路線，NASA 的工程文化絕不允許未經驗證的指令被傳送到價值數十億美元的火星資產上。這就是 JPL「數碼孿生」（Digital Twin）系統發揮關鍵作用的地方。

所謂數碼孿生，是毅力號在地球上的完整虛擬副本——一個精確到每個螺絲、每條線纜、每個傳感器的數位模型。在 AI 生成的駕駛指令被上傳到火星之前，它們首先在這個數碼孿生上進行全面的模擬執行。模擬過程中，系統會檢查超過 500,000 個遙測變量——涵蓋車輪扭矩、懸掛系統載荷、電池功耗、溫度分佈、通信天線指向、科學儀器狀態等方方面面。

只有當所有 500,000 個變量都在安全範圍內時，指令才會被批准傳送。這套驗證機制確保了一個基本原則：AI 可以提出建議，但最終的安全把關仍由確定性的工程系統完成。這種「AI 規劃 + 工程驗證」的雙重架構，可能成為未來高風險 AI 應用的設計範本——無論是深海探測、核電站運營，還是載人航天。

「太空系統的自動化是一個不可阻擋的方向。我們不是在問『是否應該讓 AI 參與太空探索』，而是在問『如何讓 AI 安全地、可靠地參與太空探索』。」——NASA JPL 研究員 Masahiro Ono

從公里級自主駕駛到深空探索的願景

兩次成功的 AI 規劃駕駛雖然只是開始，但 JPL 的研究團隊已經在展望更宏大的目標。JPL 機器人專家 Vandi Verma 指出，AI 規劃技術有望實現公里級（kilometer-scale）的自主駕駛——意味著火星車在單個火星日內的行駛距離可能從目前的數百米躍升至數公里。

這一願景的實現將從根本上改變行星探索的運營模式。目前，毅力號在耶澤羅撞擊坑（Jezero Crater）的探索任務受到行駛速度的嚴重制約：許多具有高科學價值的地質目標——例如坑邊緣的古代三角洲沉積物、可能保存著微生物化石的碳酸鹽岩層——需要數週甚至數月才能到達。如果 AI 規劃能將日均行駛距離提升一個數量級，探測器的「科學產出率」將呈指數級增長。

更深遠的意義在於，這項技術為未來更遙遠的太空任務打開了大門。當探測器前往木星的衛星歐羅巴（Europa）或土星的衛星泰坦（Titan）時，通信延遲將從火星的數分鐘增加到數十分鐘甚至超過一小時。在這種條件下，完全依賴地球端的人工規劃幾乎不可行。AI 自主規劃能力將不再是「錦上添花」，而是任務成敗的決定性因素。

「AI 可以使火星車實現公里級的自主駕駛。這不只是速度的提升——它改變了我們設計行星探索任務的整個思維方式。」——NASA JPL 機器人專家 Vandi Verma

生成式 AI 在太空領域的範式轉變

毅力號的這次突破代表了生成式 AI 應用的一個重要轉折點。在此之前，大型語言模型和視覺語言模型的應用場景主要集中在文本生成、程式碼編寫、圖像分析等「軟體世界」的任務中。而 JPL 與 Anthropic 的合作首次證明了，這些模型可以直接驅動物理世界中的高風險決策——在距離地球 1.4 億英里的另一個星球上，控制一個價值數十億美元的機器人的實際行動。

這種從「數位世界」到「物理世界」的跨越具有深遠的啟示意義。如果視覺語言模型能夠在火星這樣極端且不容出錯的環境中可靠地規劃路線，那麼在地球上的應用場景——如礦山勘探、災區搜救、深海資源調查、極地科考——其可靠性門檻理應更容易達到。NASA 和 Anthropic 的合作正在為整個「物理 AI」（Physical AI）領域樹立一個可信的技術基準。

對比分析：從好奇號到毅力號的自主化演進

要充分理解這次突破的歷史意義，有必要回顧火星車自主能力的演進歷程。好奇號自 2012 年登陸火星以來，其自主行駛比例僅約 6.2%——絕大多數行駛仍需地球端的精確規劃。毅力號在設計上就大幅提升了自主能力，其車載 AutoNav 系統使自主行駛比例達到約 90%。但即便如此，「往哪裡走」的決策權仍然掌握在地球上的人類手中。

2025 年 12 月的兩次 AI 規劃駕駛，填補了這最後一塊拼圖。現在，從「分析地形」到「決定方向」再到「執行行駛」的完整鏈條，都可以在不同程度上由 AI 系統完成。這標誌著火星探索從「人工主導、AI 輔助」模式向「AI 主導、人工監督」模式的歷史性轉變。

對香港科技生態的啟示與機遇

JPL 與 Anthropic 的合作對香港的科技生態系統提供了多個值得深思的啟示。

AI 在極端環境中的應用研究

香港雖然不直接參與火星探索任務，但火星 AI 駕駛所涉及的核心技術——視覺語言模型在複雜地形中的應用、邊緣計算環境下的模型優化、高風險場景中的 AI 安全驗證——與香港面臨的多個技術挑戰高度相關。香港地處亞熱帶，面臨颱風、山泥傾瀉等自然災害威脅。利用視覺語言模型分析衛星和無人機影像以進行災後快速評估、規劃救援路線，其技術邏輯與火星路線規劃一脈相承。香港理工大學在太空感測技術方面已有深厚積累，曾為中國天問一號火星任務和嫦娥探月工程提供關鍵設備；若能進一步將 AI 規劃技術融入其太空研究項目，將有望在這一前沿領域佔據一席之地。

數碼孿生技術的本地化應用

JPL 的數碼孿生驗證系統——通過 50 萬個遙測變量確保 AI 決策的安全性——對香港的基礎設施管理同樣具有重要的參考價值。香港擁有全球最密集的地鐵系統之一、世界級的港口設施、以及複雜的電力和供水網絡。為這些關鍵基礎設施建立數碼孿生，並利用 AI 進行預測性維護和風險評估，是智慧城市建設的核心議題。NASA 在極端環境中驗證 AI 安全性的方法論，可以直接借鑑到這些本地應用場景中。

人才培育與國際合作

這次合作也再次凸顯了跨學科人才的重要性。JPL 的火星車駕駛團隊並非純粹的 AI 研究人員，而是融合了機器人學、行星科學、計算機視覺和航天工程等多個領域的專家。Anthropic 的貢獻則體現了基礎 AI 研究如何轉化為高度專業化的應用。對於香港的大學和研究機構而言，培養能夠在 AI 與特定領域知識之間架設橋樑的人才——無論是太空科學、金融工程、生物醫學還是城市規劃——將是保持科技競爭力的關鍵。

香港特區政府在 2025-26 年度施政報告中明確提出發展太空經濟和低軌衛星應用。NASA-Anthropic 合作模式為香港提供了一個清晰的範例：本地科研機構可以與國際 AI 企業建立深度合作，將前沿 AI 能力應用於特定的高價值領域。香港的國際化優勢、健全的知識產權保護制度、以及與內地航天產業的緊密聯繫，使其在這類跨國科技合作中具有獨特的定位。

歷史性里程碑的深層意義

回顧整個事件，2025 年 12 月的兩次 AI 規劃火星駕駛之所以被視為歷史性里程碑，並非僅僅因為它們在技術上的新穎性，更在於它們所代表的範式轉變的深度和廣度。

首先，這是生成式 AI 首次在太空任務中承擔「決策者」角色。此前，AI 在太空中的應用主要是「執行者」——按照人類設定的參數執行特定任務。而現在，AI 開始參與高層次的戰略決策：分析環境、評估選項、制定計劃。這一角色的轉變意味著人類與 AI 在太空探索中的關係正在發生質的變化。

其次，這驗證了商業 AI 公司——而非僅僅是航天機構的內部技術團隊——能夠為太空任務提供關鍵的 AI 能力。Anthropic 作為一家成立不到五年的 AI 公司，其模型竟然可以被信任來規劃在另一個星球上的機器人行駛路線。這開啟了一個全新的合作範式：太空機構提供領域專業知識和任務需求，商業 AI 公司提供前沿的模型能力，兩者共同推動太空探索的邊界。

最後，正如 JPL 的 Masahiro Ono 所言，太空系統的自動化是一個「不可阻擋的方向」。隨著人類的探索目標從火星擴展到更遠的太陽系天體，通信延遲將不斷增加，人工實時控制的可行性將進一步下降。AI 自主規劃和決策將從「可選項」變為「必需項」。毅力號在 2025 年 12 月邁出的這一步，可能在未來被視為太空探索史上的一個轉折點——28 年的人工規劃時代走向終結，AI 驅動的自主探索時代正式開啟。