當人工智能系統(tǒng)走出實驗室，進入浩瀚宇宙這個終極考場，它們能否勝任復雜的太空任務調(diào)度？復旦大學計算機科學技術學院聯(lián)合上海創(chuàng)新研究院及OpenMOSS團隊完成了一項開創(chuàng)性研究，通過構建虛擬太空考場，讓最先進的AI系統(tǒng)挑戰(zhàn)衛(wèi)星通信、地球觀測等五大太空任務，揭示了AI在極端環(huán)境下的獨特潛力與局限性。

研究團隊打造的"AstroReason-Bench"測試平臺堪稱AI的太空駕考系統(tǒng)。該平臺模擬了真實的太空物理約束，包括衛(wèi)星軌道動力學、太陽能供電周期、有限數(shù)據(jù)存儲容量等限制條件。測試包含五大核心挑戰(zhàn)：深空網(wǎng)絡調(diào)度需在嚴格時間窗口內(nèi)協(xié)調(diào)有限天線資源；重訪優(yōu)化要求衛(wèi)星在能源限制下定期監(jiān)測災害多發(fā)區(qū)；區(qū)域覆蓋任務考驗AI規(guī)劃大范圍觀測路徑的能力；立體成像需要精確控制雙角度拍攝時機；延遲優(yōu)化則模擬衛(wèi)星網(wǎng)絡中的信號中繼與觀測任務協(xié)調(diào)。

在為期兩小時的限時考試中，Claude Sonnet 4.5、Gemini 3 Flash等六種前沿大語言模型接受了嚴格測試。這些AI"考生"被賦予查詢衛(wèi)星狀態(tài)、計算軌道位置等工具，但計算資源嚴格限制在16GB內(nèi)存和8核CPU范圍內(nèi)。測試結果顯示，AI在需要深度搜索優(yōu)化的深空網(wǎng)絡調(diào)度任務中表現(xiàn)遜于專業(yè)算法，不滿足率達0.53-0.59，而混合整數(shù)規(guī)劃算法僅0.30。但在立體成像等復雜約束任務中，AI展現(xiàn)出驚人優(yōu)勢，成功規(guī)劃出傳統(tǒng)算法完全無法實現(xiàn)的觀測序列，最佳成功率達18%。

研究過程中發(fā)現(xiàn)了AI決策的獨特模式。在延遲優(yōu)化任務中，多數(shù)AI執(zhí)著于尋找能同時觀測兩個地面站的衛(wèi)星，這種"山頂觀景"思維導致任務失敗。唯有Kat Coder Pro模型創(chuàng)新采用衛(wèi)星接力中繼方案，通過多顆衛(wèi)星鏈式傳輸完成通信。區(qū)域覆蓋任務則暴露出AI的"行動偏見"——它們往往急于制定計劃而忽視環(huán)境分析，導致觀測路徑與軌道嚴重錯配。當研究人員增加"先分析工具再制定策略"的提示后，AI表現(xiàn)顯著提升，開始主動查詢軌道數(shù)據(jù)優(yōu)化方案。

與傳統(tǒng)優(yōu)化算法的對比測試呈現(xiàn)出鮮明差異。貪心算法在重訪優(yōu)化中因局部最優(yōu)陷入困境，模擬退火算法通過漸進調(diào)整取得較好效果，但在立體成像等復雜任務中全軍覆沒。這種對比揭示：AI在處理非線性約束和復雜關系時具有獨特優(yōu)勢，而專業(yè)算法在明確規(guī)則的優(yōu)化問題上更勝一籌。研究團隊特別設計的"知識增強"實驗顯示，盲目提供學術論文反而干擾AI決策，唯有強制要求制定計劃后查閱資料，才能將AI表現(xiàn)提升5個百分點。

這項研究對商業(yè)航天發(fā)展具有重要啟示。隨著SpaceX星鏈計劃等項目推動衛(wèi)星數(shù)量爆發(fā)式增長，傳統(tǒng)專用算法面臨維護成本高、適應性差等挑戰(zhàn)。AI系統(tǒng)雖在單項性能上不及專業(yè)算法，但其通用性和快速學習能力在多任務協(xié)調(diào)場景中展現(xiàn)獨特價值。例如，現(xiàn)代衛(wèi)星需同時執(zhí)行觀測、通信、實驗等多類任務，AI代理可動態(tài)調(diào)整資源分配，在設備故障等突發(fā)情況下快速重構任務計劃。

研究團隊坦言當前工作存在局限性。測試主要基于"閃電級"模型，更大型推理模型可能帶來性能突破；有限的測試場景難以全面反映系統(tǒng)真實能力；專業(yè)算法的離線訓練優(yōu)勢與AI的在線交互限制構成非對稱比較。后續(xù)研究將拓展測試范圍至深空軌道規(guī)劃等領域，探索專門優(yōu)化的AI架構，并建立更嚴格的性能評估體系。這項探索不僅為太空任務管理提供新思路，也為城市交通、能源調(diào)度等復雜系統(tǒng)優(yōu)化帶來跨界啟示。