این مدل در حال فروپاشی است، نه به این دلیل که دیگر کار نمیکند، بلکه به این دلیل که تعداد ماهوارههای در مدار به شدت افزایش یافته است.
اکنون یک شرکت واحد میتواند هزاران فضاپیما را به طور همزمان اداره کند و هیچ تیم زمینی نمیتواند این همه قطعات متحرک را به صورت لحظهای تماشا کند.
هوش مصنوعی در حال ورود به این شکاف است و به طور خاص سه چیز را شامل نحوه تفکر مستقل فضاپیماهای منفرد، نحوه عملکرد تیمی کل منظومهها و نحوه مدیریت شبکههای ارتباطی تشکیل شده از آن ماهوارهها تغییر میدهد. هوش مصنوعی روی خود فضاپیما
سادهترین تغییر این است که ماهوارهها شروع به تصمیمگیریهای بیشتر به تنهایی، آن هم داخل فضاپیما و بدون انتظار برای دستورالعملها از زمین میکنند. این به دلیل یک مشکل اساسی فیزیک اهمیت دارد؛ اینکه یک ماهواره در مدار پایین زمین فقط برای چند دقیقه در هر دور با یک ایستگاه زمینی مشخص در تماس رادیویی است و حتی ماهوارههای زمینثابت با تأخیرهای ارتباطی و پهنای باند محدود ایستگاه زمینی مواجه هستند.
اگر یک ماهواره مجبور باشد منتظر بماند تا یک انسان متوجه مشکلی شود، پاسخی را تأیید کند و آن را دوباره ارسال کند، این میتواند ساعتها طول بکشد. یک سیستم هوش مصنوعی داخلی میتواند متوجه چیزی جالب، مثلا آتشسوزی جنگلی یا یک نقص سختافزاری شود و فوراً درباره آن اقدام کند.
آزمایشگاه پیشرانش جت ناسا این ایده را با هوش مصنوعی داخلی که دادهها را هنگام جمعآوری تجزیه و تحلیل میکند و تصمیم میگیرد چه چیزی ارزش نگه داشتن و اقدام دارد و چه چیزی را نادیده بگیرد، مستقیماً آزمایش کرده است.
آزمایشگاه تحقیقات نیروی هوایی ایالات متحده یک قدم فراتر رفته و یک شبکه عصبی را نشان داده است که جهتگیری ماهواره را در مدار بدون دخالت انسان کنترل میکند.
هوش مصنوعی نه تنها بار مفید، بلکه عملکردهای اصلی پرواز فضاپیما را نیز مدیریت میکند. ماهوارههای جدیدتر رصد زمین حتی پردازندههای کوچک و هدفمندی (شبیه به تراشههای مورد استفاده در برخی لپتاپها) را حمل میکنند تا بتوانند انواع مختلف دادههای حسگر را درجا ترکیب کرده و به جای کوهی از دادههای خام که بعداً برای انسانها قابل بررسی است، یک پاسخ نهایی ارسال کنند. هوش مصنوعی برای مدیریت منظومههای ماهوارهای
هنگامی که صدها یا هزاران ماهواره به شکل یک «صورت فلکی» با هم پرواز میکنند، یک مشکل جدید ظاهر میشود: آنها باید مانند یک ناوگان هماهنگ رفتار کنند، نه مانند هزاران نفر. این یکی از حوزههایی است که هوش مصنوعی واضحترین و کاربردیترین نقش را در آن دارد.
قابل مشاهدهترین مثال، جلوگیری از برخورد است. مدار پایین زمین به طور فزایندهای مملو از ماهوارهها و زبالههای فضایی است و یک منظومه ماهوارهای متوسط میتواند روزانه با دهها هشدار نزدیک شدن مواجه شود که هر کدام نیاز به تصمیمگیری در مورد کنار رفتن ماهواره از مسیر دارند. این حجم، فراتر از آن چیزی است که تیمهای انسانی بتوانند یک به یک ارزیابی کنند، بنابراین اپراتورها به سیستمهای هوش مصنوعی روی میآورند که دادههای ردیابی را دریافت میکنند، خطر برخورد را محاسبه میکنند و در برخی موارد بدون انتظار برای تأیید انسان، مانور اجتناب را برنامهریزی یا حتی اجرا میکنند.
پروژه استارلینگ(Starling) ناسا و کارهای مرتبط با «خودمختاری توزیعشده فضاپیما» حتی فراتر میروند و به ماهوارههای کوچک آموزش میدهند که دادهها را با یکدیگر به اشتراک بگذارند، وظایف رصد را تقسیم کنند و برنامه جمعی خود را در حین پرواز تنظیم کنند. این پروژه اساساً به منظومههای ماهوارهای اجازه میدهد تا خود را به عنوان یک تیم مدیریت کنند، نه به عنوان فضاپیماهای جداگانهای که یک اپراتور را به اشتراک میگذارند. هوش مصنوعی برای تنظیم شبکه
تغییر سوم در نحوه ارتباط ماهوارهها با یکدیگر و با زمین است. این جایی است که هوش مصنوعی میتواند بیشترین تأثیر را بر کاربران عادی داشته باشد، زیرا این همان چیزی است که خدماتی مانند پهنای باند ماهوارهای را سریع و قابل اعتماد میکند.
یک منظومه مدرن اینترنت پرسرعت، شبکهای در حرکت مداوم است. هر ماهواره تقریباً با سرعت ۲۷ هزار و ۴۰۰ کیلومتر در ساعت حرکت میکند، ارتباط بین ماهوارهها و ایستگاههای زمینی دائماً قطع و وصل میشود و تقاضا برای پهنای باند بسته به زمان روز و مکان تغییر میکند.
تصمیمگیری در مورد اینکه کدام ماهواره باید با کدام ایستگاه زمینی ارتباط برقرار کند، چگونه یک بسته داده را از طریق شبکهای از ماهوارههای بالای سر هدایت کنیم و چگونه پرتو رادیویی هر ماهواره را برای خدمترسانی به شلوغترین مناطق شکل دهیم، همه این موارد باید به طور مداوم دوباره محاسبه شوند.
این مقیاسی از بهینهسازی در لحظه است که مدیریت شبکه سنتی و مبتنی بر قانون نمیتواند با آن همگام شود.
اپراتورها به مدلهای هوش مصنوعی که اغلب همان خانواده فناوری مورد استفاده برای پیشبینی تقاضا یا لجستیک هستند، روی میآورند که میتوانند الگوهای ترافیک را از ساعتها قبل پیشبینی کنند و به طور مداوم شکل پرتوها، مسیرهای مسیریابی و انتقال ماهوارهها را در کل صورت فلکی به طور همزمان دوباره بهینه کنند.
به عنوان مثال، شبکه استارلینک(Starlink) شرکت اسپیسایکس(SpaceX) استفاده از این نوع سیستم مبتنی بر هوش مصنوعی را برای مدیریت ترافیک در سراسر لینکهای بین ماهوارهای لیزری خود و تنظیم الگوهای پرتو در لحظه با تغییر تقاضا در سراسر جهان توصیف کرده است.
محققان همچنین در حال استفاده از تکنیکهای جدیدتر هوش مصنوعی، از جمله مدلهایی هستند که کل صورت فلکی را به عنوان یک گراف متصل در نظر میگیرند تا این تصمیمات مسیریابی را با افزایش مقیاس شبکهها به دهها هزار ماهواره، سریعتر و کارآمدتر کنند. چرا هوش مصنوعی در فضا مهم است؟
با همه اینها، هیچ یک از مواردی که گفته شد، جایگزین نظارت انسانی نمیشود. اپراتورها هنوز قوانین را تعیین میکنند، ناهنجاریها را بررسی میکنند و میتوانند وقتی چیزی اشتباه به نظر میرسد، وارد عمل شوند، اما هوش مصنوعی همین کار را تغییر میدهد و به جای دستور دادن دستی به هر ماهواره، تیمهای زمینی به طور فزایندهای بر سیستمهای هوش مصنوعی نظارت میکنند که تصمیمات روتین و پرحجم را به تنهایی مدیریت میکنند.
با افزایش تعداد ماهوارهها از صدها به دهها هزار ماهوارهای که اکنون در حال برنامهریزی هستند، این تغییر از «دستورات انسانی برای هر ماهواره» به «نظارت انسانی بر ناوگان تحت مدیریت هوش مصنوعی» نه تنها راحت است، بلکه به تنها راهی تبدیل میشود که این سیستمها میتوانند به کار خود ادامه دهند.
