NASA 毅力號首次 AI 自主駕駛火星：太空探索進入人工智能時代

從人工規劃到 AI 自主導航的漫長之路

要理解這次突破的意義，我們首先需要了解火星車駕駛的獨特挑戰。地球與火星之間的通信延遲為 4 至 24 分鐘（取決於兩者之間的距離），這意味著實時遙控火星車是完全不可能的。自 1997 年旅居者號（Sojourner）登陸火星以來，每一次火星車的行駛都需要一套繁瑣的人工規劃流程。

具體而言，過去的流程是這樣的：火星車拍攝周圍環境的立體影像，通過軌道衛星中繼傳回地球。NASA 噴射推進實驗室（JPL）的駕駛規劃團隊——通常由 10-15 名工程師組成——花費數小時分析這些影像，識別岩石、斜坡、沙地等障礙，然後精心規劃一條安全的行駛路徑。這條路徑以指令形式傳回火星車，火星車再按照指令執行。

這套流程雖然安全，但效率極低。整個「拍攝—傳輸—分析—規劃—傳回—執行」的循環通常需要一個完整的火星日（sol，約 24 小時 37 分鐘），而火星車在每個 sol 的實際行駛距離往往只有數十米——有時甚至只有幾米。以機遇號（Opportunity）為例，它在 14 年的任務期間累計行駛了 45.16 公里，平均每天的行駛距離不到 10 米。

AutoNav 3.0：AI 駕駛的核心技術

毅力號搭載的 AutoNav 3.0 系統代表了 NASA JPL 超過五年的專項研發成果。與此前版本的最大區別在於：AutoNav 3.0 不再僅僅是一個「避障系統」，而是一個完整的「自主導航智能體」——它能夠識別地形特徵、評估路徑風險、選擇最優路線、並在行駛過程中實時調整計劃。

三維地形感知

AutoNav 3.0 利用毅力號的導航攝影機對（Navcams）捕捉立體影像，通過深度學習模型即時構建周圍環境的三維地形圖。與早期版本依賴簡單的立體視覺幾何學不同，3.0 版本的感知系統使用了卷積神經網絡（CNN）來識別地形的語義特徵——不僅知道「這裡有一塊凸起」，還能判斷「這是一塊堅硬的岩石」還是「這是一片鬆軟的沙地」。這種語義理解能力對路徑規劃至關重要：在某些情況下，繞過一塊小岩石可能比穿越一片看似平坦但實際鬆軟的沙地更安全。

多模態風險評估

在生成三維地形圖後，AutoNav 3.0 會對每一個可能的行駛路徑進行多維度的風險評估。評估因素包括：地面坡度、地表粗糙度、沙地陷入風險、岩石碰撞概率、車輪打滑可能性、以及對科學儀器的潛在影響。系統將這些因素整合為一個綜合風險評分，然後在所有可能的路徑中選擇風險最低、效率最高的一條。

基於模擬的訓練

AutoNav 3.0 的機器學習模型是在數百萬個模擬火星地形場景中訓練的。JPL 的工程師們利用軌道探測器（如火星偵察軌道器 MRO）的高解析度影像，構建了極為精細的火星地表模擬環境。模型在這些環境中反復「練習」導航，學會了處理各種可能遇到的地形挑戰——從巨石場到陡峭斜坡，從沙塵暴後的沙丘到充滿裂縫的岩石平原。

「2 月 2 日的那次自主駕駛，毅力號在一個火星日內行駛的距離，相當於此前需要三到四天人工規劃才能覆蓋的範圍。這不僅是效率的提升——它從根本上改變了我們探索行星表面的方式。」——NASA JPL 火星車駕駛主管 Vandi Verma

科學探索效率的飛躍

AutoNav 3.0 的實際影響可以用一個數字來概括：毅力號在 AI 自主導航模式下的單日行駛距離，達到了此前人工規劃模式下的 3-4 倍。這意味著火星車可以在相同的任務時間內覆蓋更大的探索範圍，訪問更多的科學目標。

對於毅力號當前的核心任務——在耶澤羅撞擊坑（Jezero Crater）採集岩石和土壤樣本以尋找古代微生物生命的證據——這一效率提升具有直接的科學價值。毅力號需要到達坑邊緣的多個地質目標點採集樣本，這些樣本未來將由「火星樣本返回」（Mars Sample Return）任務帶回地球。AI 導航使毅力號能夠更快地到達這些目標點，從而在有限的任務時間和能源預算內採集更多樣本。

更深遠的影響在於，AI 自主導航為火星車的任務設計開啟了全新的可能性。過去，由於行駛速度受限，任務規劃者不得不在距離較近的科學目標之間做出取捨。現在，AI 導航大幅擴大了火星車的「可及範圍」，使得原本因距離太遠而被放棄的科學目標重新納入了探索計劃。

AI 在更廣泛太空探索中的應用

毅力號的 AI 自主駕駛並非孤立事件，而是 AI 在太空探索中日益擴大應用的一個縮影。多個太空機構和商業公司正在將 AI 技術深度整合到各類太空任務中。

NASA Artemis 計劃與月球探索

NASA 的 Artemis 計劃旨在實現人類重返月球並建立持久的月球存在。在這一計劃中，AI 將扮演關鍵角色。月球南極——Artemis 任務的首選著陸區——地形極為複雜，遍布深邃的永久陰影坑和崎嶇的山脊。為月球車和未來的載人月球車開發 AI 導航系統，是 Artemis 計劃的技術優先事項之一。毅力號上驗證的 AutoNav 3.0 技術，將直接為月球探索提供技術基礎。

SpaceX 的 AI 著陸優化

SpaceX 在其獵鷹 9 號（Falcon 9）和星艦（Starship）火箭的著陸系統中大量使用 AI 技術。火箭的垂直回收著陸——在極短的時間窗口內控制一個高速下降的巨大物體精確降落在數十米見方的平台上——是一個經典的 AI 控制問題。SpaceX 的 AI 系統能夠實時處理風速、推力波動、姿態偏差等變量，做出每秒數百次的微調決策。Starship 的大氣再入和著陸更是完全依賴 AI 的自主控制能力。

ESA 的 AI 衛星運營

歐洲太空總署（ESA）正在部署 AI 系統用於地球觀測衛星的自主運營。傳統上，衛星需要地面控制中心的持續監控和指令上傳。ESA 的新一代 AI 系統能夠讓衛星自主判斷何時需要調整軌道、如何優化數據下行傳輸、以及在遭遇空間碎片威脅時自動執行規避機動。這大大減輕了地面團隊的負擔，同時提高了衛星的響應速度。

中國祝融號的 AI 升級

值得關注的是，中國的祝融號火星車也在進行 AI 導航能力的升級。中國國家航天局（CNSA）宣布，祝融號的後續任務將配備國產的 AI 自主導航系統，目標同樣是實現全自主地形導航。這表明 AI 在行星探索中的應用正在成為全球共識，太空探索的「AI 化」趨勢不可逆轉。

技術挑戰與可靠性考量

在太空環境中部署 AI 系統面臨著獨特的技術挑戰，與地球上的 AI 應用有著本質不同。

首先是計算資源限制。毅力號的車載計算機遠不如地球上的伺服器強大——它使用的是經過輻射加固（radiation-hardened）的處理器，性能大約相當於一台 2000 年代初的桌上型電腦。這意味著 AutoNav 3.0 的 AI 模型必須在極為有限的計算能力下運行，這對模型的輕量化和效率優化提出了極高的要求。JPL 的工程師們花了大量精力將深度學習模型壓縮到能夠在車載硬件上實時運行的程度。

其次是容錯需求。在火星上，AI 系統不允許「失敗」——一次導航錯誤可能導致火星車陷入沙坑或翻覆，從而結束一個耗資數十億美元的任務。因此，AutoNav 3.0 內建了多層安全機制：當系統的信心度低於特定閾值時，它會自動停車等待地球控制中心的指令，而不是冒險前進。這種「審慎型 AI」的設計理念，與商業 AI 產品追求的速度和便利性形成了鮮明對比。

最後是環境的不可預測性。儘管 AutoNav 3.0 經過了數百萬次模擬場景的訓練，但火星表面的實際情況可能出現模擬中從未遇到過的狀況——例如季節性的沙塵暴改變了地表特徵，或者陽光角度的變化導致影子造成誤判。在這些「分布外」（out-of-distribution）場景中保持穩健性，是太空 AI 面臨的持續挑戰。

「太空 AI 的設計哲學與消費級 AI 截然不同。在地球上，AI 犯錯的代價可能只是一次不好的推薦或一段不通順的文字；在火星上，一個錯誤的導航決策可能終結一個價值 27 億美元的任務。這種約束迫使我們開發出更為穩健、更具自我意識的 AI 系統。」——MIT 航空航天系教授 Jonathan How

未來展望：載人火星任務中的 AI

從更長遠的角度看，毅力號的 AI 自主導航為未來的載人火星任務奠定了重要基礎。當人類宇航員最終登陸火星時（NASA 的目標是 2040 年代），他們將面臨一個基本問題：在通信延遲長達 24 分鐘的環境中，如何在緊急情況下做出快速決策？

答案很可能是：依靠車載 AI 系統。未來的載人火星車可能搭載類似 AutoNav 的增強版 AI 系統，在宇航員設定目標的同時，由 AI 處理即時的導航和避障決策。在醫療緊急情況下，AI 系統可能需要自主規劃最快的返回基地路線。在遇到未知地質現象時，AI 可以即時評估風險並建議宇航員的行動方案。

這種「人類設定目標、AI 處理執行」的協作模式，可能成為未來深空探索的標準範式。毅力號今天在火星上的每一次 AI 自主駕駛，都在為這一未來積累寶貴的實戰經驗。

對香港的啟示

毅力號的 AI 自主駕駛看似遙遠，但它對香港的啟示卻是近在咫尺的——尤其是在太空科技產業發展和 STEM 教育兩個層面。

香港太空科技的新興機遇

近年來，香港的太空科技產業正在悄然成長。香港理工大學是 NASA 和中國探月工程的長期合作夥伴，其研發的「落火狀態監視相機」（Mars Landing Monitoring Camera）隨天問一號成功登陸火星。香港科技大學和香港大學的多個研究團隊在衛星遙感、太空材料、以及航天器控制等領域有著深厚的研究積累。

AutoNav 3.0 所展示的技術方向——在資源受限的環境中部署輕量化 AI 系統——恰恰是香港科研機構可以發力的方向。邊緣 AI（Edge AI）的模型壓縮和優化、在極端環境下的穩健 AI 推理、以及人機協作的控制系統設計——這些研究課題不僅適用於太空，也與自動駕駛、工業機器人、海底探測等地球應用高度相關。

香港政府在 2025 年施政報告中首次將「低軌衛星和太空經濟」列為科技重點發展方向之一。如果能夠結合本地大學在太空科技和 AI 方面的研究優勢，香港有潛力在特定的太空 AI 技術細分領域建立國際級的研究能力。

STEM 教育的啟發意義

毅力號的 AI 自主駕駛是一個極具啟發性的 STEM 教育案例——它將人工智能、機器人學、地質學、太空科學等多個學科有機地融合在一起。對於香港的中小學 STEM 教育而言，這提供了一個絕佳的跨學科教學素材。

更重要的是，它展示了 AI 技術的一種與日常消費應用截然不同的面向。當大多數學生對 AI 的認知局限於 ChatGPT 和圖像生成工具時，太空 AI 的案例能夠幫助他們理解：AI 的價值不僅在於生成文字和圖像，更在於在人類無法直接觸及的環境中代替人類做出關鍵決策。這種理解對於培養下一代 AI 研究者和工程師的視野至關重要。

香港教育局可以考慮將太空 AI 的案例整合到現有的 STEM 課程框架中，例如通過模擬火星地形導航的編程挑戰賽、與 NASA JPL 教育部門合作引入「火星車編程」教學資源、或在科學館舉辦 AI 太空探索的互動展覽。這些舉措不僅能激發學生對科學和技術的興趣，也能幫助他們建立對 AI 更全面和深入的理解。