- 美國展示人工智能在軌道上自動控制衞星方向的能力。
- 神經網絡直接指揮衞星，減少對地面指令的依賴。
- 強化學習模型成功運行於實體航天器，顯示其有效性。
- AFRL 計劃未來測試更複雜的人工智能控制系統。
美國展示了一種人工智能在軌道上的應用，透過神經網絡自動控制衞星的方向，無需人類幹預。此次飛行由空軍研究實驗室（AFRL）進行，將人工智能的應用從管理傳感器和有效載荷推向核心的航天器功能。在這次任務中，一個人工智能代理被上載到一顆距離地球數百英里的衞星，並在單次軌道內指導該航天器朝向其目標。該系統在控制航天器方向的同時，還避免了危險情況，展示了自主軟件如何減少在軍事和科學任務中對地面指令的依賴。
人工智能在太空操作的轉變
這項展示代表了人工智能在太空操作中的應用模式轉變。神經網絡不僅支持任務設備，還直接指揮衞星總線，決定航天器在軌道中的指向和機動能力。空軍部技術執行官及 AFRL 指揮官道格拉斯·P·威克特准將表示：「我們有責任將人工智能的進步轉化為可靠的自主隊友，以應對當今快速變化的挑戰。」他補充道：「AFRL 的願景是通過執行我們的使命，發現、開發和提供獲勝的科學和技術，贏得未來。」
AFRL 的自主能力團隊（ACT3）使用強化學習開發了這個神經網絡。該團隊通過重複模擬來訓練模型，然後進行實驗室測試，以縮小虛擬性能與真實航天器操作之間的差距。該項目遵循快速發展方法，旨在迅速將人工智能系統從研究環境轉向操作測試。AFRL 高級科學家史蒂夫·「卡普」·羅傑斯博士表示：「我們用類似初創公司的敏捷性，將強化學習模型從實驗室直接帶入軌道。」他表示：「這次飛行完美體現了 ACT3 的核心使命，即在空軍和太空部隊中大規模實現人工智能。」
強化學習使人工智能模型能夠通過接收模擬行動和結果的反饋來改善其決策。在這次任務中，這一方法使代理學會如何在操作限制內將航天器進行定向。成功的飛行提供了證據，表明基於神經網絡的控制系統可以在經過模擬和地面驗證後運行於實體航天器。
降低自主控制風險的措施
除了神經網絡，該任務還評估了一個人工智能監視系統和運行時保障措施，旨在降低自主控制的風險。監視系統能夠識別人工智能接近未經充分驗證的情況，從而使控制權轉移至備用系統。保障措施則監測航天器的狀況和神經網絡的輸出，當接近預定的安全極限時進行幹預。這兩個安全系統在飛行期間以陰影模式運行，並未控制航天器，但記錄了它們在實時中對人工智能決策的回應方式。
隨著在軌道上已證明自主定向能力，AFRL 計劃在未來的任務中測試更複雜的人工智能控制航天器操作。
自主控制技術的未來發展潛力
這項技術展示了人工智能在航天領域的潛力，尤其是在減少對地面指揮的依賴方面。隨著自主定向能力的證明，未來的航天任務可能會更加依賴這類技術，進一步提升效率和安全性。AFRL 的計劃顯示出對於更複雜的人工智能控制系統的探索，這將可能改變航天器操作的方式，並推動相關技術的快速發展。