![]()
![]()
如今，生成式人工智能（Generative AI）已经成为推动创新的前沿力量。这种技术，以其在处理复杂问题时的卓越能力，正在重塑我们对智能的认知。
在航天领域，生成式人工智能的应用前景广阔，从设计和研发的辅助，到飞行任务的自动化分析，再到大规模星座的创新设计，都有可能发挥关键作用。那么，生成式人工智能在航天领域有哪些具体应用、面临哪些挑战？它又将如何改变我们对宇宙的认知与利用方式？中国航天科技集团有限公司人工智能专业学术带头人路鹰将给出答案，引领我们探索生成式人工智能的无限可能。
记者：随着生成式人工智能技术的逐渐成熟落地，人们对智能的认知上升到一个新的维度。那么，生成式人工智能在航天领域有哪些应用场景？
路鹰：我们首先需要理解什么是生成式人工智能。打一个通俗的比方，我们都参加过各种考试，试卷从易到难分为几种题型：判断题、选择题、填空题、问答题。生成式人工智能相当于问答题，它在处理复杂问题方面有突出表现。从应用场景的维度来说，生成式人工智能有3种典型的应用方式。第一种是“交互”，包括语音交互和图形交互，这属于知识的问答检索。例如，在设计和研发工作中，我们可以利用生成式人工智能查询运载火箭和航天器的设计手册、标准规范，了解国内外前沿技术进展，提供设计构型和解决方案。第二种是“代理”，或称为设计辅助分析，即人工智能系统代替人类执行任务。例如，分析飞行器的力学性能或覆盖范围，通常需要人工操作专业工具软件进行仿真实验和数据分析，这些步骤都可以由人工智能代理完成，从而提高自动化水平，减少对人工的依赖。第三种是“创造”，这是最高级的应用，即根据文本描述创造、设计内容。在航天领域，无论是大规模星座设计还是飞行器本体结构设计，人工智能都可以提供帮助。然而，我们必须对生成式人工智能的成熟度有一个清晰的界定。目前，在“代理”和“创造”方面，生成式人工智能在航天领域的应用还处于起步阶段，仍面临数据模态处理和算法架构的挑战。但随着技术的不断发展和创新，这些挑战有望被逐步解决，从而实现更广泛的应用。记者：从数据的获取与整合，以及算法优化和算力需求等方面来看，生成式人工智能在航天领域的落地将面临哪些实际的困难？航天工程重视可靠性和准确性，而大部分的人工智能技术生成的结果是概率的，可解释性和可信度欠缺，如何破局？路鹰：在数据方面，我们面临真实数据稀缺的挑战。由于航天产业具有需求量小、用户量少、定制化程度高等特点，导致我们的数据量有限。尽管运载火箭发射次数已达数百次，但分散在多个型号中，且每次发射状态各异，相当于每一发火箭实际上都是一个独立的样本，形成了典型的小样本问题。同时，数据蕴含的知识浓度极高，如何将高浓度的知识转化为人工智能所喜欢的大规模、整齐的数据集，是航天领域面临的一个重大挑战。所以，我们现在尝试将知识转化为模型，利用仿真生成大量数据，以弥补真实样本不足的问题。在算法方面，传统的算法具有连续的数学公式和明确的边界，而人工智能模型的边界呈现参差不齐的特性，像是一个充满孔洞的“奶酪”，这些孔洞象征着潜在的故障点，难以预测和控制。这种“奶酪式”的模型是人工智能算法的一个固有特点，在互联网中，类似“林黛玉倒拔垂杨柳”这样的错误人们可以一笑置之，但在航天工程中，由于对可靠性和精确度有着极高要求，我们需要研究如何将这些“奶酪”模型转变为实心、边界清晰的模型。为解决这一问题，我们正在尝试两种方法：一是将主流的人工智能方法与传统方法结合，形成新的神经网络架构；二是将人工智能模型与传统模型并联，通过一个“裁判官”机制决定使用哪种模型。这些研究和探索需要长时间的积累和沉淀，非一朝一夕之功。在算力方面，主要困难在于缺乏能够运维和管理大规模智能计算集群的专业人才。尽管我们现在可以通过购买服务来解决这一问题，但如何确保这些集群的稳定性和效率，仍然是一个需要关注的问题。记者：人工智能技术属于正在不断发展的前沿技术群，航天领域推广应用这项技术，必须在各项技术得到相对成熟发展的基础上才能实现，就目前所处的技术发展阶段来说，你们的工作重点是什么？目前亟须解决的问题是什么？路鹰：我们正在推进航天科技集团人工智能领域的顶层架构设计和基础共性技术的研发。在顶层架构设计上，由集团公司主导，我们负责整合资源，打造一个开放、共享的生态环境，目标是建立一个能够兼容外部先进智能软硬件的开放技术架构和生产关系。过去，航天领域在资源匮乏下发展，形成了独立自主的生产模式，导致跨行业、跨型号的技术不通用。我们需要在保持自主的同时，打破传统束缚，采用模块化、软硬解耦的新架构，以吸收和应用先进智能技术，加速智能升级，提升性能，缩短研制周期和成本。在智能基础共性技术层面，我们重点围绕人工智能先进技术在航天领域应用面临的“水土不服”的问题，开展具有航天特色的联合技术创新与应用技术研发。针对航天数据稀缺的情况，我们提出将民用数据与航天专业数据、仿真数据与实际数据混合，通过“预训练+微调”的方式扩充数据集，缓解数据不足的问题。同时，为提高算法的可解释性和可靠性，我们研究将人工智能算法“黑箱”转化为“行为树+数学公式”的“白箱”方法，增强算法的可信度。此外，我们还在探索适合航天领域“小数据、大任务”的智能新路径，希望能够在无需人类标注数据的基础上，通过在航天仿真平台和知识图谱的支持下进行强化学习和增量学习，训练出高水平的智能算法，提升航天飞行器的自主决策和控制能力。记者：航天领域涉及大量敏感数据，如卫星轨道、飞行器参数等，在对模型进行训练的同时，如何有效确保数据传输和存储的安全？路鹰：尽管其他领域已有效解决数据敏感问题，但航天领域因缺乏数字化和信息化工具，导致人工定密和数据标识效率较低。面对每日产生的海量数据，人工标识显然不现实，因此迫切需要建立一个完善的分级体系和配套的自动化、信息化管理工具。其实，我们已知的许多卫星轨道数据和飞行器参数已是公开信息，可以供人工智能学习。实际上，敏感数据往往是小样本，非敏感数据足以支持人工智能的学习，所需的敏感数据量实际上只占很小的一部分。也就是说，当算法不够智能时，人工智能就需完全依赖敏感数据，一旦算法足够优秀，就能够通过非敏感数据学习所学知识。关键在于建立数据分级标准和管理工具，实现数据的脱敏共享。这样既能保护敏感信息，又能促进数据的自由流通和发展，对航天领域的技术进步至关重要。记者：人工智能技术快速发展，马斯克2023年7月创办xAI公司，宣称通用人工智能AGI在2029年就会到来，届时AI的大部分能力都远超过人类，我们该以怎样的态度来面对这样一个由人类创造的硅基智能体呢？是被替代还是把它当成工具？路鹰：据2018年的调查研究，当时人工智能学术界邀请了235名全球知名的学者专家，从多个维度预测人工智能何时超越人类，当时的预测是45年。而2024年上半年，包括马斯克在内的多位学者和专家被采访，保守派认为需20年，乐观派认为会更早。我的观点相对保守，认为这一进程可能在20~30年间，因为还有一些瓶颈问题尚未解决。例如，我们人类学习并非基于灌输数据的方式，而是通过理解概念和原理进行，这就好比我们学数学，是通过理解原理而非简单的重复练习。因此，人工智能要达到人类的学习效率，还有很长的路要走。人工智能的进展很大程度上基于经验，而非理论指导。我们常说大模型训练如同炼丹，因为很多时候我们并不清楚为何某些参数设置有效，而另一些则无效。尽管信息论推动了IT领域的变革，但我们对智能的本质和度量衡仍缺乏清晰的科学定义。在硬件方面，人脑与大模型的对比显著，大模型功耗高达万瓦，而人脑功率仅为20瓦，神经元数量远超大模型，功耗却小得多，要达到人脑的神经元数量级，参照摩尔定律的发展速度，可能需要30年左右的时间，但也存在被量子计算等颠覆性技术加速提前的可能。尽管要实现真正意义上的通用人工智能还有一段路要走，但我认为人工智能的安全性问题已经迫在眉睫。阿西莫夫在他的科幻小说中提出了“机器人三定律”，试图通过这些定律来控制机器人的行为，使其不伤害人类，并保障人类的整体利益。但现实中难以实现，因为“伤害”和“人类整体利益”的定义模糊。电影《黑客帝国》中提出了另一种构想，即人工智能发展到一定阶段后开始奴役人类。我认为这种情况有一定的可能性，但更大的一种可能是：人工智能迅速发展至高级智慧文明，其眼光不会局限在狭小的太阳系，将在星际探索与移民中得到很大的发展。这虽然有些伤自尊，但人类文明更可能会被一种不受干扰的方式进行保护。我个人认为，人工智能作为一种战略性技术，只要有国家博弈的存在，人工智能的加速发展就不会停止，因此人工智能超过人类智慧带来的风险就无法全部避免。为了降低安全风险，一方面，我们应尽早探索可以工程化的“机器人三定律”；另一方面，持续研究让人工智能学习人类优秀文化和精神文明的理论与方法。在人工智能的发展过程中，持续不断地让其学习人类的人文资料，让其从“出生”开始就相信“人类向善”，以期在未来，即使人工智能最终超越了人类并脱离控制，也不会出现《黑客帝国》的情景，而是以某种更温和的方式进行和平共处。
来源/《中国航天报》
文/记者 邓雨楠
编辑/刘淮宇 姜琼琼
校对/高一鸣
监制/黄希
