NASA 噴射推進實驗室（Jet Propulsion Laboratory, JPL）正式確認，毅力號（Perseverance）火星探測車已成功完成人類太空探索史上首次由人工智慧全程規劃的星際地面駕駛任務。此次任務使用了 Anthropic Claude 系列的視覺模型，結合 28 年的火星任務資料庫，自主生成了完整的行駛路線規劃。
任務執行細節
兩次歷史性駕駛
- 第一次駕駛：2025 年 12 月 8 日，行駛距離 198 米
- 第二次駕駛：2025 年 12 月 10 日，行駛距離 258 米
- 總行駛距離：456 米
- 任務結果：2026 年初完成數據分析後，於 2026 年 3 月正式對外發表
兩次駕駛期間未發生任何安全事件，探測車成功避開了所有地質障礙物，到達了預定的科學探測點位。
AI 規劃系統的技術架構
傳統規劃流程的瓶頸
在 AI 介入之前，火星探測車的路線規劃流程如下：
- 軌道影像擷取：Mars Reconnaissance Orbiter（MRO）拍攝目標區域的高解析度影像
- 地形分析：JPL 地質團隊人工分析影像，標注岩石、坡度、沙地等障礙
- 路線設計：工程師手動繪製避障路線
- 指令編碼：將路線轉譯為探測車標記語言（Rover Markup Language, RML）
- 模擬驗證：在虛擬環境中模擬行駛，確認安全性
- 指令上傳：透過深空網路（Deep Space Network, DSN）將指令傳輸至火星
整個流程通常需要 2-3 個工作日，是火星探索效率的主要瓶頸之一。
Claude 視覺模型的角色
JPL 團隊使用 Claude Code（Anthropic 的 AI 代理工具）作為核心規劃引擎，其技術流程可分解為以下階段：
階段一：多模態地形感知
Claude 的視覺模型接收以下輸入資料：
- HiRISE 軌道影像：解析度達 25 公分/像素的高解析度彩色影像
- 數位高程模型（DEM）：提供地形三維資訊
- 既有地質標注：28 年來 JPL 團隊累積的火星地質資料庫
- 探測車遙測資料：包括車輪滑移率、懸吊系統負載歷史等
Claude 的視覺模型對這些多模態資料進行融合分析，生成一張包含以下資訊的「可行駛性地圖（Traversability Map）」：
- 每個網格單元的通過難度評分（0-1）
- 岩石密度與最大尺寸估計
- 沙地陷入風險評估
- 坡度與橫向傾斜分析
階段二：路徑規劃與最佳化
基於可行駛性地圖，Claude 使用結合了 A 搜索* 與 多目標最佳化 的演算法生成候選路線。最佳化目標包括：
- 安全性：最小化遇到危險地形的概率
- 科學價值：路線經過高科學價值的地質特徵
- 能源效率：考慮太陽能板充電效率與地形對行駛能耗的影響
- 通訊可靠性：確保行駛過程中與軌道中繼衛星的通訊不被地形遮擋
階段三：RML 指令生成
Claude 將最佳路線轉譯為 RML 指令。RML 是一種專為火星探測車設計的指令語言，包含精確的方位角、行駛距離、速度限制、以及條件式的安全停止觸發器。
Claude 生成的 RML 指令具有以下特點：
- 精確的航點定義：每 5-10 米設置一個航點，包含位置座標和到達容許誤差
- 自適應速度控制：根據地形難度自動調整行駛速度
- 安全觸發器：設定多層級的安全條件，如「若車身傾斜超過 15 度則立即停止」
與 28 年數據的深度整合
Claude 系統的一項關鍵創新在於它並非從零開始學習火星駕駛。JPL 團隊將以下歷史數據作為系統的知識基礎：
- 1997 年旅居者號（Sojourner） 到 2025 年毅力號 的所有駕駛日誌
- 歷次任務中遇到的障礙物類型與應對策略
- 車輪損傷與地形類型的關聯分析（好奇號的車輪損傷教訓）
- 不同火星季節的沙塵暴對地形能見度的影響模型
Claude 從這些數據中提取了數千條「駕駛規則」，形成了一個可解釋的決策框架。例如：
- 「避免深色色調的沙地區域——歷史數據顯示陷入風險增加 3 倍」
- 「傾斜超過 12 度的坡面上，優先選擇上坡路線——下坡時制動距離不確定性更高」
效率提升的量化分析
時間壓縮
| 步驟 | 傳統流程 | AI 規劃 | 提升 |
|---|---|---|---|
| 地形分析 | 8-12 小時 | 15 分鐘 | ~40x |
| 路線設計 | 4-6 小時 | 8 分鐘 | ~35x |
| 指令生成 | 2-3 小時 | 3 分鐘 | ~50x |
| 模擬驗證 | 3-4 小時 | 20 分鐘 | ~10x |
| 總計 | 2-3 工作日 | 約 1 小時 | ~20x |
品質指標
AI 規劃的路線品質不僅匹配而且在部分指標上超越了人工規劃：
- 路線效率（實際距離/直線距離比）：AI 為 1.12，人工平均為 1.25
- 安全裕度：AI 規劃的路線與最近障礙物的平均距離比人工規劃大 18%
- 科學點位覆蓋：AI 規劃的路線覆蓋了 95% 的優先科學目標，人工規劃約 82%
地面真值驗證
JPL 團隊採用了嚴格的驗證流程：
- 雙軌規劃：AI 規劃的同時，人工團隊也獨立完成了規劃
- 盲測比對：在執行前比對兩套方案的安全性評分
- 漸進式信任：第一次駕駛設定了更保守的安全閾值
- 即時監控：駕駛過程中 JPL 團隊全程監控遙測數據
驗證結果顯示，AI 規劃的路線在所有安全指標上均等於或優於人工方案。
對深空探索的深遠影響
通訊延遲問題的解方
火星與地球之間的通訊延遲為 4-24 分鐘（單程），這使得即時遙控操作不可能實現。AI 自主規劃能力的成熟意味著未來的火星任務可以大幅減少對地球端人工干預的依賴，探測車可以在更長的時間窗口內自主工作。
為未來任務鋪路
此次成功驗證的 AI 規劃技術預計將應用於：
- Mars Sample Return（火星採樣返回）任務：需要更複雜的路線規劃來收集分散的樣本管
- 月球探索：Artemis 計畫中的月球車可使用類似技術
- 木衛二 Europa 任務：通訊延遲更長（約 45-60 分鐘），自主規劃能力更為關鍵
人機協作的新範式
JPL 團隊強調，AI 並非取代工程師，而是將他們從重複性的規劃工作中解放出來，使其能夠專注於更高層次的科學決策和任務策略制定。這種「AI 執行、人類監督」的模式可能成為未來太空探索的標準作業模式。
結論
毅力號的 AI 自主導航不僅是一項技術成就，更是太空探索方法論的典範轉移。從 1997 年旅居者號的完全人工遙控，到 2026 年毅力號的 AI 自主規劃，火星探測技術在 28 年間完成了從手動到智能的跨越。Claude 視覺模型在這項任務中的表現，證明了大型多模態 AI 模型在極端環境下的可靠性和實用性，為 AI 技術在太空探索領域的更廣泛應用奠定了堅實基礎。