NASA 的毅力號火星車完成史上首度由 AI 規劃的行駛

生成式AI（Generative AI）掌舵：NASA 的 Perseverance 探測車在火星完成歷史性自主駕駛

在人工智慧與太空探索兩者的重大進展中，NASA 的 Perseverance 探測車成功完成了其在火星上首次由生成式 AI 模型完全規劃路線的駕駛任務。這項成就標誌著與傳統行星導航方法的重大分歧，宣示了一個新時代——自主系統可能主導我們太陽系未知疆域的探索。

NASA 的 Jet Propulsion Laboratory（JPL）與 AI 研究公司 Anthropic 合作，部署了一個視覺-語言模型（vision-language model）來駕馭險惡的火星地形。這項測試在 2025 年底進行，並於 2026 年初由 NASA 證實，展示了將先進 AI 代理整合到關鍵任務太空操作中的巨大潛力，實際上讓機器人能夠「思考」並規劃它們穿越數百萬英里的空間路徑。

向自主導航的轉變

近三十年來，火星探測車一直高度依賴地球上的人類「駕駛員」。由於兩顆行星之間平均距離約為 1.4 億英里（2.25 億公里），即時控制——或稱為「操縱桿遙控」——是不可能的。訊號傳遞需要數分鐘，這意味著探測車可能在地球操作員看到危險之前就已經駛下懸崖。

傳統上，人類規劃員會仔細分析地形影像、識別危險並手動繪製導航點。這些導航點通常相距不超過 100 公尺（330 英尺）以確保安全。雖然有效，但這個過程勞動密集，並限制了探測車在火星表面移動的速度。

最近利用生成式AI 的示範改變了這種模式。Perseverance 不再為旅程的每一段等待人類指示，而是利用一個複雜的 AI 模型來分析高解析度的軌道影像與數位高程圖。該 AI 識別地質特徵，例如基岩、露頭與危險的巨石區，並自主生成一條連續路徑供探測車遵循。

AI 駕駛系統的運作方式

該系統使用了與 Anthropic 共同開發的視覺-語言模型（vision-language model），採用了他們的 Claude AI 架構。這個模型處理來自 NASA 的 Mars Reconnaissance Orbiter 上 HiRISE（High Resolution Imaging Science Experiment）相機的資料。

該流程包含若干關鍵步驟：

資料攝取： AI 分析軌道影像與地形坡度資料以理解地貌。
特徵辨識： 它識別安全區域與像沙波或尖銳岩石等危險區域。
路徑生成： 模型計算出具有特定導航點的連續路徑，有效地為地面上的探測車建立一個「航行計畫」。

為了確保這項數十億美元硬體的安全，AI 的指令不會被盲目傳送。JPL 的工程師將所生成的行駛指令通過一個「數位孿生」（digital twin）— 即 Perseverance 探測車的虛擬複製品— 進行模擬。該模擬驗證了超過 500,000 項遙測變數，以確保 AI 的路徑與探測車的飛行軟體與物理能力相容。

比較分析：人類規劃 vs. AI 規劃

下表概述了傳統手動方法與這種新 AI 驅動方法之間的主要差異：

Feature	Traditional Human Planning	Generative AI Planning
Decision Maker	Human Rover Planners at JPL	Vision-Language AI Models
Data Source	Visual inspection of terrain images	High-res orbital data & elevation models
Waypoint Spacing	Typically < 100 meters	Continuous route generation (variable)
Speed/Efficiency	Limited by human analysis time	Potentially faster decision cycles
Primary Limitation	Labor-intensive, time-consuming	Requires rigorous validation (Digital Twin)

在紅色星球上的成果

這項技術的現場測試發生在 2025 年 12 月的兩個特定火星日（sols）。

Drive 1（12 月 8 日）： Perseverance 使用完全由 AI 決定的導航點行駛了 210 公尺（689 英尺）。
Drive 2（12 月 10 日）： 探測車行駛了令人印象深刻的 246 公尺（807 英尺）。

JPL 的太空機器人學家、Perseverance 工程團隊成員 Vandi Verma 強調了這次實驗的成功。她指出，生成式 AI 在簡化自主導航的核心支柱──感知、定位與規劃──方面顯示出「極大潛力」。讓 AI 負責路徑規劃的「繁重工作」，人類操作員便能專注於更高層次的科學目標。

深空探索的未來

這一突破不僅僅是為地球上的工程師節省時間；它也是未來太空探索的一個關鍵墊腳石。隨著人類向宇宙更深處推進，通訊延遲只會增加。前往外行星或甚至月球背面的任務，需仰賴能夠長時間獨立運作的系統。

NASA 管理員 Jared Isaacman 對這項示範表示讚賞，稱此類自主技術對於在與地球距離越來越遠的情況下有效運作並應對具有挑戰性的地形至關重要。

賦能永久存在

JPL 探索系統辦公室經理 Matt Wallace 強調了這對人類定居的更廣泛意涵。「想像一下智慧系統不僅存在於地球上的地面，還存在於我們的探測車、直升機、無人機以及其他表面設施的邊緣應用中，」Wallace 說。他將這種訓練給 AI 代理的「集體智慧」視為建立月球永久人類存在及最終載人火星任務所需的顛覆性技術。

隨著 太空探索 的演進，像 Claude 這樣的強大 AI 模型與飛行硬體的整合代表了一個關鍵時刻。它暗示了這樣一個未來——我們的機器人探索者不再只是遙控工具，而是能夠與我們並肩導航星際的智能夥伴。