یک معماری جدید هوش مصنوعی میتواند به کاوشگرهای مریخ و ماه اجازه دهد بدون نیاز به انتظار برای رفت و برگشت ۴ تا ۲۴ دقیقهای پیامها به زمین، تصمیم بگیرند چه چیزی را مطالعه کنند و چگونه حرکت کنند؛ این کار تأخیر زمانی را که در حال حاضر مانع تصمیمگیریهای سریع میشود، کاهش میدهد. این پیشنهاد که بر پایه مدلهای decision-transformer و پوشیده شده در یک لایه حاکمیتی zero-trust بنا شده است، نویدبخش خودمختاری در سطح «دانشمند» برای ماموریتهای سیارهای آینده است.
چرا کاوشگرها باید خودشان فکر کنند
کاوشگرهای امروزی اساساً خودروهای کنترل از راه دور هستند. یک فرمان از زمین در صف انتظار میماند تا ربات منتظر پاسخ باشد، و هر مانع غیرمنتظرهای میتواند یک ماموریت را برای ساعتها متوقف کند.
پیشرفت هوش مصنوعی: decision transformers
مدلهای decision-transformer، انتخاب عمل را به یک وظیفه مدلسازی زبان تبدیل میکنند. این مدل به جای یادگیری از طریق آزمون و خطا، توالی حالتهای گذشته — مانند موقعیت و خوانشهای حسگر — و پاداشهای مرتبط — مانند ارزش علمی و امتیازات ایمنی — را اسکن کرده و اقدام بعدی را که بیشترین پاداش را به همراه خواهد داشت، پیشبینی میکند. در واقع، هوش مصنوعی بر اساس چگونگی پیشرفت داستان تا این لحظه، «بهترین خط بعدی داستان» را مینویسد.
ایمنسازی هوش مصنوعی برای فضا
دو لایه حفاظتی در این طراحی گنجانده شده است:
اهداف همسو با انسان – تیم تحقیق، مدل را آموزش میدهد تا بین سه هدف حیاتی ماموریت تعادل برقرار کند: به حداکثر رساندن بازده علمی (مثلاً انتخاب جذابترین سنگ)، اجتناب از خطرات (شیبهای تند، از دست دادن توان الکتریکی) و رعایت محدودیتهای ماموریت (زمان، پهنای باند داده). هوش مصنوعی از مسیر تعیینشده خارج نمیشود؛ هر انتخاب در برابر این اولویتهای تعریفشده توسط انسان وزندهی میشود.
حاکمیت zero-trust – این چارچوب که از امنیت سایبری وام گرفته شده است، فرض را بر این میگذارد که مغز کاوشگر ممکن است مورد نفوذ قرار گیرد یا صرفاً دچار نقص فنی شود. مهندسان هر تصمیم را در یک مسیر بازرسی تغییرناپذیر ثبت میکنند و به هوش مصنوعی تنها حداقل مجوزهای لازم برای عمل کردن (اصل least-privilege) را میدهند.
این لایهها در کنار هم به کاوشگر اجازه میدهند تا بهصورت خودمختار عمل کند، در حالی که سلسلهمراتب فرماندهی را شفاف و قابل بازگشت نگه میدارد.
چه کسانی از این فناوری بهرهمند خواهند شد
ماموریتهای آینده مانند Mars Sample Return یا اکتشاف قطب ماه به این سطح از خودمختاری نیاز دارند. با ترکیب مدلهای transformer با پروتکلهای امنیتی سختگیرانه، میتوانیم به اعماق سیستم خورشیدی خود نفوذ کنیم.
ریسکهای پنهان
خودمختاری، مفهوم ریسک را بازتعریف میکند و لایه zero-trust با وادار کردن هر حرکت به عبور از یک تاییدکننده، این ریسک را کاهش میدهد.
گام بعدی چیست
این رویکرد در مطالعه نویسنده ظاهر شده است که این روش را برای ماموریتهای نقشهبرداری زمینشناسی سیارهای پیشنهاد میکند.
نکته کلیدی: مهندسان با آموزش کاوشگرها برای برخورد با تصمیمگیری به عنوان یک مسئله زبانی و پوشاندن آن قابلیت در یک مدل امنیتی سختگیرانه با اولویت بازرسی، در حال نزدیک شدن به ساخت رباتهایی هستند که میتوانند حتی زمانی که زمین در دسترس نیست، علم را بر اساس شرایط خود دنبال کنند.