בינה אורביטלית: כיצד מודלי שפה-חזות (VLMs) משנים את האוטונומיה של לוויינים

עידן תצפית כדור הארץ הפסיבית מגיע לסיומו, כאשר לוויינים עוברים מלהיות רק חיישנים לסוכנים חכמים. בפריצת דרך משמעותית, חללית הצליחה להשתמש במודל שפה-חזות (VLM) במסלול סביב כדור הארץ כדי לזהות אובייקטים וסביבות מורכבים ללא התערבות אנושית.

שחר מודלי השפה-חזות במסלול סביב כדור הארץ

מבחינה היסטורית, פעולות לוויינים פעלו לפי תהליך עבודה ליניארי ועתיר נתונים: החללית צילמה כמויות עצומות של דימויים גולמיים, שידרה אותם לכדור הארץ, וחיכתה לאנליסטים אנושיים או לאלגוריתמים ייעודיים שיפרשו את הממצאים. תהליך זה סובל מצווארי בקבוק ברוחב הפס ומשהיה (latency) משמעותית.

הפרדיגמה הזו השתנתה עם החללית Yam-9, שנבנתה על ידי ספקית התשתית החללית Loft Orbital. באמצעות חבילת תוכנה בשם NAVI-Orbital — שפותחה על ידי מעבדת ההנעה הסילונית (JPL) של נאס"א — הלוויין הצליח להפעיל את ה-VLM Gemma 3 של Google DeepMind. בניגוד למודלים מסורתיים, Gemma 3 נבנה במיוחד עבור יישומי "קצה" (edge), כלומר הוא מותאם להרצה על חומרה מוגבלת הנמצאת בחלל, במקום על מרכזי נתונים קרקעיים עצומים.

על ידי שילוב של יכולת ההסקה ההקשרית של מודלי שפה גדולים (LLMs) עם עיבוד חזותי, ה-Yam-9 הצליחה להגיב לשאילתות בשפה טבעית. חוקרים הטילו על המודל בהצלחה משימות סיווג מורכבות, כגון זיהוי נקודות המפגש בין סביבות טבעיות לפיתוח אנושי או איתור תשתיות ספציפיות סביב צמתי רכבת.

מחשוב קצה בסביבה הקשה של החלל

הרצת בינה מלאכותית מתוחכמת במסלול סביב כדור הארץ דורשת חומרה ייעודית המסוגלת לשרוד תנאים קיצוניים תוך ניהול מגבלות אנרגיה וזיכרון מחמירות. ה-Yam-9 משמשת כחלוצה למציאות החדשה הזו, כשהיא מצוידת ב-GPU מסוג Nvidia Jetson Orin AGX — אחד השבבים המובילים בתעשייה למחשוב מבוסס חלל.

האתגר הטכני חורג מעבר לחומרה. המוביל הטכני ב-NASA JPL, خوان דלפה ויקטוריה (Juan Delfa Victoria), ציין כי למרות ש-Gemma 3 הוא מודל "מוכן מהמדף" (off-the-shelf), המהנדסים נאלצו לייעל רבות את תשתית התוכנה של NAVI-Orbital כדי לצמצם את טביעת הרגל בזיכרון ואת התלות בספריות. אופטימיזציה זו היא קריטית עבור "AI קצה" (edge AI), שבו כל בייט של RAM וכל מיליווואט של כוח הם קריטיים.

ההשלכות על התעשייה הן עצומות. חברות כמו Planet Labs כבר משתמשות במעבלי Jetson Orin לזיהוי אובייקטים פשוט יותר, בעוד ש-Kepler Communications מפעילה את קבוצת ה-GPUs הגדולה ביותר בחלל. ההצלחה של Yam-9 מוכיחה ש"כיוון התנועה" של המגזר כולו הוא לעבר קבוצות לוויינים (constellations) אוטונומיות וחכמות.

ממיון נתונים (Data Triage) לעוזרים דיגיטליים עבור אסטרונאוטים

הערך המיידי של VLMs אורביטליים טמון במיון נתונים (data triage). באמצעות ביצוע ניתוח ראשוני במסלול (on-orbit), לוויינים יכולים לסנן נתונים לא רלוונטיים ולהעביר רק "אזורי עניין", מה שמפחית באופן דרסטי את שטף הנתונים הגולמיים שעליהם אנליסטים חייבים לעבד. זה מאפשר שכבות סיור בשיטת "תמיד פעיל" (always-on), שבה משתמש יכול פשוט להורות ללוויין "נטר את הגבול הזה והתריע בפניי אם משהו חשוד מופיע".

מעבר לתצפית בכדור הארץ, לטכנולוגיה יש השלכות עמוקות על חקר החלל העמוק. הקונספט של NAVI-Space נולד מהצורך בעוזרים דיגיטליים אינטראקטיביים עבור אסטרונאוטים על הירח או במאדים. בסביבות שבהן אסטרונאוטים לבושים בחליפות לחץ ואינם יכולים להשתמש במקלדות, עוזר מבוסס VLM יכול לשמש כממשק אינטראקטיבי מבוסס קול למשימות משימה מורכבות.

נקודות מרכזיות

• חשיבה אוטונומית: פריסת Gemma 3 של Google DeepMind על ה-Yam-9 מסמנת את הפעם הראשונה שבה מודל ראייה-שפה (vision-language model) השתמש בשפה טבעית כדי לסווג דימויים אורביטליים באופן אוטונומי.
• יעילות Edge AI: ההצלחה תלויה בחומרה ייעודית כמו Nvidia Jetson Orin AGX ובמערכות תוכנה מותאמות במיוחד (NAVI-Orbital) לניהול צריכת חשמל וזיכרון מוגבלים.
• שינוי במודלים עסקיים: חברות חלל עוברות מספקי נתונים פשוטים ל-"תשתית כשירות" (infrastructure-as-a-service), מה שמאפשר ניטור חכם בזמן אמת של כדור הארץ ומעבר לו.