技术体系剖析

人工智能是一门致力于模拟、延伸和扩展人类智能的科学与技术，其核心目标是通过算法和计算模型，使机器能够从海量数据中自主学习规律，并应用于现实世界的复杂场景中。人工智能的发展不仅依赖于计算能力的提升，还涉及认知科学、数学优化、神经科学等多学科的交叉融合。其技术架构分为三层：运算智能（高速计算/存储）、感知智能（视觉/听觉等环境感知）、认知智能（理解/推理）。按能力分为弱人工智能（专用任务）和强人工智能（通用智能）。核心技术包括：计算机视觉（图像识别）、语音识别（语音交互）、自然语言处理（语义理解）、机器学习（数据建模）和大数据处理（数据支撑）。当前人工智能技术主要聚焦于专用型弱人工智能的研发与应用，未来将向多模态融合、可解释性增强及通用智能等方向演进。

发展脉络梳理

自1956年达特茅斯会议上“人工智能”诞生以来，其发展历经三次浪潮，发展脉络图如图1所示。第一次浪潮（20世纪50—70年代）以符号主义为主导，依托数理逻辑构建专家系统；第二次浪潮（20世纪80—90年代）转向控制主义，专家系统得以广泛应用，逐步探索神经网络雏形；第三次浪潮（2006年至今）连接主义占据主导地位，以深度学习为支柱，形成“数据驱动+端到端学习”的新范式。当前人工智能技术已进入多维突破与场景深化的关键阶段，以Transformer架构为核心的生成式人工智能系统展现出强大的跨模态推理能力；多模态模型如Sora大模型则重构了数字内容生产范式；具身智能领域机器人通过视觉-运动联合建模实现复杂操作。

图2 PhiSat-2卫星AI应用程序之一：

海洋异常检测（检测溢油）

（图片来源：ESA）

在智能平台验证方面，天智系列卫星突破软件定义架构：天智一号实现软件重构，在轨验证自主请求式管控试验，天智二号构建智能调度和计算系统，算力达40TOPS，支持星上超分辨率图像处理，实现米级对地分辨率；地卫智能应急一号搭载智能载荷处理平台，支撑灾害实时监测。商业卫星同步推进技术迭代：蓉漂号验证通感融合AI算法与通遥一体平台；“香港青年科创号”开展大模型在轨推理训练，积累空间AI演进数据。

而驿马快信-2（Pony Express-2）进一步验证了人工智能在战术通信和数据处理方面的能力，展示了跨领域协同工作的潜力。

人工智能通过深度神经网络-卷积神经网络（CNN）/生成对抗网络（GAN）实现卫星影像去噪、超分辨率重建及辐射校正，提升数据质量；通过时序模型-长短期记忆网络（LSTM）和基于注意力机制的序列模型，支持地表动态监测与灾害预警；通过强化学习优化多源数据融合策略，增强光学/雷达/光谱的跨模态分析能力；同时通过在轨部署轻量化模型，如MobileNet、YOLO等模型，完成在轨目标识别与数据筛选，极大降低了下行链路的传输负载。当前技术发展聚焦于边缘智能与联邦学习两大范式，二者分别从实时性优化与分布式协同维度推动人工智能系统的效能革新与场景适配，未来将推动遥感数据从被动采集向智能决策跃迁，但需突破星地算力协同、模型空间适应性等瓶颈。

智能自主运行升级

美国深空-1号（DS-1）探测器开启了智能航天器的先河，其自主导航和远程代理实验（ARAX）功能令人瞩目。通过自主导航系统实现自主轨道确定和控制，ARAX软件包完成任务规划、执行和故障恢复，为后续人工智能在卫星系统中的应用奠定了基础。欧洲星上自主项目-1（PROBA-1）卫星具备高度自动化的功能，实现了星上自主导航和有效载荷资源的智能管理。星上自主项目-2（PROBA-2）卫星采用自主任务规划算法，可自主切换太阳风暴监测模式，显著提高数据采集率。美国战术卫星-2试验了具有自主轨控的轨道控制工具包（OCK）。意大利“高光谱先驱和应用任务”（RPISMA）卫星和德国“自主纳卫星”（SONATE）分别实现了自主运行和自主传感器与规划系统的验证。欧洲“赫拉”（Hera）探测器在行星防御任务中应用人工智能，实现自主导航和决策。日本通过隼鸟-1（Hayabusa-1）任务，验证了利用光学测量实现自主着陆小行星的自主导航和制导方案。我国嫦娥三号、嫦娥四号在月球软着陆探测器设计中，采用了先进的自主制导控制方法，确保航天器在复杂环境下安全着陆。嫦娥四号在动力下降段实现了子任务的自主规划。

人工智能通过强化学习、知识图谱等技术，赋能卫星系统实现自主导航（动态轨道避障）、智能诊断（故障预测与修复）及任务规划（多目标动态调度）。当前聚焦自主无人化与分布式智能（多卫星编队控制），未来将突破类脑芯片、数字孪生验证等方向，推动卫星从程序化响应向认知化决策升级，但仍需攻克星载算力限制与算法可靠性等瓶颈。

卫星群体智能系统协同

人工智能通过分布式计算框架与多智能体协同算法，推动卫星星座从独立运行向群体智能演进。群体智能技术为卫星系统带来全新的协作模式。

受昆虫社会行为启发，美国国家航空航天局（NASA）于2000年提出自主纳型航天器集群计划（ANTS），开创了卫星群体智能先河：其小行星带勘探任务（PAM）规划部署1000颗皮卫星，采用分级管理架构（Worker/Ruler/Messenger），通过神经网络与遗传算法实现自主任务分配、数据采集及协同机动，实现高效探测。美国行星实验室（Planet Labs）的“鸽群”（Flock）计划构建全球最大遥感卫星星座，累计发射超500颗3U立方星，通过全时段覆盖与自主任务控制，实现全球任意地点日级重访，突发事件监测时效性较传统卫星提升10倍。美国太空探索技术公司（SpaceX）的“星链”星座基于AI驱动的智能管控架构，构建了“感知—决策—执行”闭环的太空信息网络，实现了大规模低轨卫星群体的智能协同运行，优化上万颗卫星的碰撞规避策略，任务规划效率显著提升。

人工智能通过多智能体强化学习（MARL）实现星群动态任务分配与冲突消解，基于分布式约束优化（DCOP）完成资源协同调度，提升星座整体效能；通过联邦学习框架支持跨卫星知识共享，构建全局态势感知模型，增强复杂环境适应性；通过图神经网络（GNN）优化星间拓扑通信，实现低时延数据路由与协同定位；同时，通过自主博弈决策算法解决异构卫星协同观测中的利益均衡问题，任务覆盖率提升40%以上。当前技术聚焦分布式自主控制与抗毁容错机制，未来将向量子协同计算与类脑群体智能演进，突破大规模星群自主协同的通信—计算—能源耦合约束，推动卫星系统从松散组网向认知化集群跃迁。

当前，智能技术在卫星系统中的应用已从单一功能模块向全系统渗透，应用比重持续提升。未来发展趋势呈现两大特征：一是智能化层级深化，由单机设备智能处理向整星自主协同管控演进，通过星载AI实现任务自主规划、故障诊断及在轨重构；二是体系架构扩展，从单星自主决策发展为多星智能协同组网，依托分布式学习与群体智能算法，实现星座资源动态调配、任务协同分配及自主碰撞规避。这种“单体智能—系统智能—群体智能”的进阶路径，将推动卫星系统向认知自主、集群协作的新形态跃迁，显著提升空间系统的响应速度与运行效能。

未来基于人工智能的卫星系统应用发展主要具有以下几个趋势：

强太空对抗智能化升级

随着美国“下一代太空体系架构”成为联合全域作战中枢，太空已无可争议地成为大国战略竞争与对抗的“高边疆”。军事强国正以前所未有的力度加速部署具备智能化特征的航天装备，争夺太空信息、态势感知和攻防对抗优势。美国大力推动机器学习（ML）等AI技术，全面提升空间态势感知能力，发展“天罗地网”式太空域感知能力，使近地轨道成为新型战略制高点。

空间态势感知智能化主要表现在以下四个方面：利用机器学习、模式识别等AI技术，可处理分析海量太空检测数据，显著提升太空目标监视效率与精度，实现空间目标的智能识别与分类，区分敌我及危险等级；基于历史轨道和机动数据，利用时间序列分析、图神经网络等AI技术，学习太空目标行为模式，通过识别异常行为，预测潜在危险接近或异常机动（可能预示攻击或间谍行为），为决策提供预警，如弹弓航空航天公司（Slingshot Aerospace）与美国国防高级研究计划局（DARPA）合作开发出“阿加莎”（Agatha）人工智能系统，可快速识别大规模卫星星座的异常飞行器；采用ML模型融合多源数据，快速、精准计算碎片碰撞概率，为自主规避提供决策支持；低地球轨道（LEO）因其低延时、高重访率，成为部署智能感知与响应节点的最佳区域，是争夺信息实时性和战术优势的新型战略制高点。

具有智能化特征的航天装备具体体现在以下几个方面。

在运载火箭研发中，将强化学习（RL）技术应用于飞行轨迹优化、推进剂管理和故障应对，可显著缩短发射准备周期和提升可靠性，同时RL赋能火箭具备在复杂干扰或部分失效情况下的自主生存和任务完成能力，是实现“快速响应发射”和“受损卫星快速补网/ 重组”的关键。在遥感卫星应用中，通过结合深度学习和星上处理，可实现海量遥感数据的在轨实时/近实时处理和信息提取，仅将高价值情报（如移动目标、关键设施变化等）下传，极大缓解下行带宽压力并提升情报时效性。

在通信卫星应用中，利用深度学习等AI技术实现智能频谱感知、动态频谱接入、抗干扰波形生成与识别，显著提升通信链路的抗干扰和抗截获能力。

在卫星协同处理中，群体控制技术则可应用于多颗卫星协同成像、干扰源定位与压制及抗毁伤自愈网络的构建，同时群体智能技术也可用于优化波束赋形、路由选择和网络拓扑，保障在部分节点受损或链路受扰时的通信能力。在空间站应用中，通过搭载自主控制系统（融合感知、规划、决策、执行模块）构建天基指挥中枢，维护自身平台，同时管理对接飞行器、舱外机器人等外部平台，并协调所属的伴飞小卫星集群执行任务，成为太空作战和开发的智能核心节点。

分布式集群协同技术发展

分布式人工智能（DAI）架构代表了低轨星座系统的技术演进方向，其核心在于构建基于边缘计算的分布式星载计算平台，实现计算资源的动态分配与高效复用，可以实现大规模低轨星座对低延时、高可靠性、强生存性的要求。每颗卫星（或部分骨干卫星）搭载具备一定算力的边缘计算节点（如抗辐射AI加速器），形成“星载云”或“雾计算”架构。

通过智能资源管理算法，根据任务需求、节点负载、能量状态、星间链路质量，动态调配计算任务和存储资源，实现星座算力池化与弹性伸缩，避免资源闲置或瓶颈。通过模块化功能重构技术，即卫星功能模块（如通信协议栈、图像处理流水线、控制算法）高度模块化、容器化，结合在轨深度学习推理引擎（执行预训练或轻量化微调后的模型）和强化学习决策框架（用于在线学习和策略优化），卫星能根据任务变化或故障情况，自主组合、加载、切换功能模块，实现在轨自主任务重构。

通过以上技术，可实现在特定场景下，重构通信卫星的部分资源用于处理邻近卫星传输的遥感数据，并进行融合分析。这一技术路径将彻底改变卫星系统的运行模式，推动卫星系统从传统依赖地面集中控制的方式向具备环境理解、自主决策、协同优化能力的智能控制方式转变，显著提升空间系统的动态任务适应性和作战效能。

大模型技术应用逐步深化

大模型技术目前在地面网络应用中已取得显著进展，然而，在太空环境中，有限的星载计算资源及通信带宽阻碍了大模型技术的快速发展。因此，未来大模型技术在太空领域的应用拓展将主要体现在以下方面。

首先，部署经过高度优化、裁剪和硬件加速的轻量化大模型[如微型机器学习（TinyML）、知识蒸馏模型]到星载边缘计算节点，利用大模型的强大模式识别和关联分析能力，从复杂的多源遥测数据中诊断复杂、耦合性故障，为查找故障原因并自主恢复提供更精准依据，从而显著降低对地面测控系统的依赖，提升卫星在通信中断或长延时环境下的独立运行能力。

其次，多模态融合大模型（融合可见光、红外、SAR、高光谱、电磁信号等数据）将提升遥感卫星对复杂战场环境的实时态势感知与情报解析能力，极大提升情报价值和处理速度，直接支持战术决策。

再次，集群智能大模型可优化星座性能，通过学习动态变化的星座拓扑（卫星移动、节点加入/退出/失效）、链路状态和任务需求，自主优化网络路由协议、拓扑控制策略和资源分配方案，维持高效、鲁棒的通信网络，优化低轨星座系统的自主组网，同时在复杂的电磁对抗环境中，动态选择最优通信频段、调制方式、跳频/扩频图案，甚至中继路径，最大化通信成功率和信息速率，对抗敌方蓄意干扰，提升抗干扰通信性能。

最后，生成式大模型将构建高保真空间数字孪生系统，生成逼真的空间环境模拟数据（轨道动力学、空间天气、目标特性、对抗场景），用于在轨算法的虚拟测试、验证和在轨学习策略的预训练，可有效降低试错成本；根据任务描述和历史数据，生成多种可能的任务执行方案供星载自主系统或地面人员参考选择，实现任务规划辅助功能；未来还可能实现更自然的人-星交互界面，允许地面操作员使用自然语言与卫星系统沟通复杂指令或获取状态解释。