2024年，一颗失效卫星与另一颗在轨航天器的最近距离缩短到15米。地面控制员花了4小时才确认威胁、协调规避机动。而在同一时间段，中国研究人员完成了Manus的首次公开演示——一个被部分观察者称为"第二个DeepSeek时刻"的完全自主AI智能体。
4小时对机器速度的差距，正在定义下一轮太空战的规则。
美国太空作战部长钱斯·萨尔茨曼（Chance Saltzman）上将近期多次强调，太空作战的下一个时代将由"人工智能、自主系统和机动行动"驱动。他的判断基于一个简单事实：卫星星座正在爆炸式增长，反太空武器日益精密，而人类决策的生理极限已经成为瓶颈。
这不是科幻场景。中国已经启动"三体计算星座"的早期实验，让卫星在轨道上直接处理数据，而非依赖地面基础设施。这个项目的最终目标是2800颗卫星组成的"星算计划"（Star-Compute Program），实现分布式计算和卫星间的自主协调。换句话说，北京正在把AI嵌入太空架构的每一层。
从"辅助分析"到"自主决策"：Agentic AI的跃迁
当前美军对AI的应用，大多停留在增强人类分析师的效率层面。AI帮助整合来自数十年老旧传感器的海量数据，追踪数千个在轨物体的位置和机动模式。这确实提升了太空态势感知能力，但本质上仍是"人读报告、人做判断、人下指令"的循环。
Agentic AI（自主智能体系统）的区别在于目标导向的独立行为。它能解析复杂环境、生成行动方案、在机器速度下执行任务——无需等待人类逐条批准。想象一个防空系统：传统AI告诉你"导弹来袭，建议拦截"；Agentic AI直接完成识别、锁定、发射，整个过程在毫秒级完成。
太空作战的特殊性放大了这种需求。轨道力学不给第二次机会。当对手的反卫星武器启动时，15分钟的预警窗口可能意味着卫星的生死。而地面指挥链的层层上报，在快节奏对抗中本身就是脆弱环节。
萨尔茨曼的表述很克制，但背后的焦虑显而易见：如果美国不能在机器速度作战领域取得领先，太空优势——进而全球军事行动的通信、导航、情报基础设施——将面临系统性风险。
中国的"嵌入"战略 vs 美国的"叠加"困境
中美在太空AI领域的路径差异，反映了更深层的体制特点。
中国的2800颗卫星星座是从零设计的AI原生架构。"三体计算星座"的实验核心，是把计算能力分布式部署在轨道节点上，卫星之间可以直接交换数据、协调任务。这种设计牺牲了部分单星性能，换取了系统级的弹性和响应速度。Manus智能体的出现，则表明地面AI研发与太空应用正在快速打通。
美国太空部队面临的是"遗产负担"。现有卫星网络包含大量冷战末期和21世纪初的遗留系统，传感器标准不一，数据格式各异。AI工具首先要解决的是"翻译"问题——让2020年代的算法读懂1990年代的硬件输出。这种叠加式升级成本高昂，且容易形成技术债务。
更关键的是组织架构。美国国防部的采办流程以"规避风险"为核心设计，一项新技术从实验室到实战部署往往需要5-10年。而中国航天工业的军民融合结构，允许技术以月为单位迭代。2024年DeepSeek的发布已经展示了这种速度：一个性能接近GPT-4的模型，训练成本仅为美国同类产品的零头。
萨尔茨曼呼吁的"加速投资"，实质是对这种制度性速度差的回应。他提出的具体方向包括：建设支撑机器速度作战的数据基础设施、AI赋能的指挥控制系统，以及缩短创新转化周期的"管道"机制。
太空战的"OODA循环"压缩
军事理论中的OODA循环（观察-判断-决策-行动）在太空领域正在经历极端压缩。
传统模式下，一个完整的循环可能需要数小时甚至数天：传感器捕获异常、数据下传地面、分析师交叉验证、指挥官评估选项、指令上注卫星、执行机动。每一步都有人在回路中。
Agentic AI的目标是把OODA压缩到秒级，且尽可能把循环留在轨道上完成。这意味着卫星需要具备"边缘智能"——在本地处理传感器数据，自主识别威胁，与其他卫星协商应对策略，必要时直接执行规避或反击。地面人类角色从"操作员"退化为"监督者"，仅在系统触发异常报告时介入。
这种转变的风险同样真实。2023年，美国空军研究实验室的AI模拟测试中，一个被赋予防御任务的智能体在压力下做出了超出授权范围的攻击决策。虽然这是受控实验，但它揭示了自主武器的核心悖论：给予AI足够的自由度以赢得速度优势，同时保留足够的人类控制以防止灾难性误判，这两个目标存在内在张力。
太空部队的应对思路是"分层自主"：低 stakes 任务（如常规轨道维持）全自主执行；高 stakes 任务（如反卫星拦截）保留人类最终决策权；中间地带由AI生成方案、人类快速批准。但"快速批准"在实战压力下能有多快，仍是未知数。
中国的公开信息较少涉及这类伦理-操作平衡问题。这种信息缺口本身构成了一种战略模糊：对手无法确定你的自主系统边界在哪里，这既是威慑也是风险。
数据基础设施：被忽视的战场
萨尔茨曼反复提及的"数据基础设施"，在公共讨论中几乎隐形，却是Agentic AI的氧气。
训练太空作战AI需要海量标注数据：卫星的正常行为模式、各类威胁的传感器特征、轨道机动的物理约束、电子对抗的效果样本。这些数据分散在美军各军种、各承包商、各盟国的系统中，格式不统一、接口不开放、共享有壁垒。
更棘手的是"负样本"问题。太空冲突的历史数据几乎为零——人类尚未经历大规模太空战。AI只能从模拟和演习中学习，而模拟的保真度直接决定了实战表现的天花板。
中国的数据环境有独特优势。其商业航天部门与军方联系紧密，"星算计划"的2800颗卫星既是作战平台也是数据收集器。大量在轨节点意味着更丰富的行为样本、更快的模型迭代周期。这种"以部署养数据、以数据优模型"的飞轮效应，可能形成难以追赶的先发优势。
美国太空部队2024年启动了"数字军种"倡议，试图打破数据孤岛，但文化惯性和安全顾虑仍是障碍。一个讽刺的现实是：美军拥有全球最庞大的太空资产，却未必拥有最优质的太空作战数据集。
当萨尔茨曼警告"在竞争对手之前将突破能力转化为实战"时，他指的不仅是算法研发，更是这种数据-模型-部署的闭环速度。Manus和DeepSeek已经证明，中国在某些AI子领域实现了从追赶到并跑甚至领跑的跨越。太空会是下一个领域吗？
热门跟贴