如果你看过《机器人总动员》，多半记得那个叫瓦力的小机器人——独自留在地球上收拾垃圾，还对一只蟑螂和一段歌舞录像情有独钟。但你可能忽略了电影里另一个更重要的角色：公理号星舰上那个圆溜溜的人工智能系统AUTO。在人类全不知情的情况下，AUTO一丝不苟地执行着一道700年前的秘密指令：绝不让人类返回地球。它像一位冷面管家，把船上所有人的生活打理得舒舒服服，同时把飞船越开越远。整套操作行云流水，没有一个人类参与决策，也没有一个按钮被按错。
这个设定很容易让人后脊发凉。既然AI已经能在一艘巨型飞船上做到全自动管理、统筹上万人的饮食起居、甚至在柯伊伯带里穿行，那它会不会哪天反过来决定我们的命运？不过，把电影暂停一下，再看看当下真正的太空AI——你可能会长舒一口气。眼下的它们别说密谋甩掉人类了，就连在火星表面捡一块石头都得三思再三思。
我们不妨把这件事掰开，看看今天人类送上天的那些AI到底在干什么，又为什么离AUTO那样的“全能飞船管家”还差着一整个瓦力的距离。
首先要说明，太空机构和AI早已不是陌路人。美国国家航空航天局和其他航天机构已经把不同形态的人工智能塞进了太阳系的各个角落。火星车在红色星球上的每一步几乎都有AI的影子。以前操控一辆火星车，地面团队需要逐条发送指令——“前进5米”“右转30度”“伸出机械臂”——一来一回信号就要走好几分钟甚至几十分钟，车一天也挪不了多远。现在好了，AI可以在一定程度上自主判断路况、避开障碍，甚至自己决定哪些岩石值得停下来仔细看看。在近地轨道上，AI也在帮着盯着成千上万颗卫星和太空碎片，计算它们的轨迹，提前预警可能的碰撞，这活儿让人来干，光是对着屏幕数亮点就能数到眼花。宇航员训练时，AI还能充当虚拟教练和任务规划助手，把航天器的复杂操作拆成训练步骤。
这一切听起来挺像那么回事，但只要仔细看，这些AI身上都有一个共同点：它们都只在做某一类非常具体的事。斯坦福大学的机器人学家达尼埃莱·加梅利把这种局面说得很直白——现在的AI比科幻片里演的更容易犯错、更容易出故障。放在地球上，一个AI推荐错了电影或认错了路牌，你顶多嘟囔一句“什么破算法”。但在太空里，情况就完全不一样了。用加梅利的话说，“在太空里，你几乎没有犯错的空间。”想象一下，一辆靠AI自主导航的火星车，如果判断错了一块岩石的形状，把车轮卡进一条看不见的裂缝里，可不会有人拎着千斤顶跑过去救它。如果卫星防撞系统漏算了一个碎片的位置，那擦肩而过就可能变成迎面撞击。太空中任何一个失误，代价都格外昂贵。
更要命的是，真正飞上天的AI需要的不是“一招鲜”，而是能连贯地完成一连串复杂动作。它得先看清周围有什么，然后理解这些信息意味着什么，再决定下一步去哪里、碰什么、怎么碰，最后还要在执行过程中不断修正。这个过程不能拍脑袋编造答案，因为太空里没有容错率。今天的AI更擅长的是什么？莱斯大学的计算机科学家桑乔伊·保罗给了个很精准的描述：处理海量数据，而且效率极高。他拿火星车“毅力号”举了个例子。毅力号上装有一套AI算法，专门扫描矿物成分，当场判断一块岩石值不值得采样。这类分析数据量大得惊人，如果纯靠地球上的科学家一张图一张图地看，人很快就疲了，也更可能漏掉重要线索。保罗说，AI能“穿透所有细节，把那些值得人再看一眼的东西高亮出来”。这句话很形象：AI像一个超级实习生，能把桌上的文件按轻重缓急分好摞，但到底怎么决策，最终还是得靠老编辑来拍板。
你可以把当前太空AI的能力想象成一个“T”字形——横向能覆盖海量信息，纵向却只在某个窄窄的单项任务上挖得很深。让它一遍又一遍识别岩石样本中的特定矿物，它做得比人快；让它处理卫星轨道数据并标记出有风险的近距离接触，它也能完成得不错。可一旦跨出这个预设好的领域，它就立刻变回一堆笨拙的代码。如果你想告诉那个火星车AI：“今天除了捡石头，顺便用摄像头看看天上有没有尘暴，再根据云层变化决定要不要提前下山坡”，那它多半会当场宕机，因为它的世界里根本没有“顺便”这件事。
为了让AI做出哪怕最基本的多步骤动作，航天工程师采用了一种叫做“自主堆栈”的架构。这名字听起来像某种技术乐高，实际上也差不多就是这个意思。加梅利解释说，自主堆栈就是把不同的功能模块像积木一样摞起来，让它们一圈接一圈地传递信息。一个模块也许是专门管“看”的——用摄像头或传感器扫描周围环境，标出哪里有石头、哪里有斜坡。它完成扫描后，把这幅“数字地图”交给下一个模块。后者负责解读：这些石头会挡路吗？斜坡的角度会不会让车轮打滑？解读完毕，再交给负责规划的模块，决定绕路还是碾过去。然后这个决策传给执行模块，最终把指令变成电信号驱动马达。整个过程就像一场紧张的接力赛，每一棒都有自己唯一的责任区，而且不能把接力棒掉地上。
这种接力赛听起来已经很聪明了，但它仍然解决不了一个根本问题：太空是一个永远在变化的环境。极端的温差可以让金属在一瞬间收缩或膨胀，辐射能穿透芯片搅乱计算结果，微陨石和太空碎片会把事前规划好的路径砸出一个新窟窿。加梅利说，太空里“你扔给机器人的场景，从定义上讲，就是人类之前从没见过的。”这句话点中了太空AI最头疼的七寸。在地球上，我们可以让自动驾驶汽车在数千公里的真实道路上跑数据，把几乎所有可能的行人横穿马路、小猫蹿出灌木丛、雪糕筒被风吹倒等情况都“看”一遍。可在深空，没有人能提前把所有意外都写成训练数据。冥王星边缘的太阳光有多强？一个火山口边缘的碎石松散到什么程度？人类自己都还没真正到过这些地方，又怎么可能提前帮AI编好应对每一个未知的剧本？
这就终于说回到了瓦力。瓦力之所以能在电影里一次次化险为夷，靠的不是某一条预设指令，而是一种到今天为止还不存在的能力：通用人工智能，也就是常说的AGI。瓦力在一颗被垃圾掩埋的星球上学到了怎样压扁废铁，后来又无师自通地学会了用灭火器当推进器、给自己更换磨损的轮子、在一艘陌生飞船里找到方向。所有这些都不是程序员写在他代码里的。他是从经验中学会的。换句话说，瓦力懂得迁移：把解决一个问题的经验用在另一个完全不同的问题上。这种能在不同情境间思考和学习的弹性，恰恰是当前所有太空AI所缺失的。
今天，哪怕是最顶尖的火星车AI，也必须在一次任务结束后等待地面团队分析数据、上传新的指令序列。它无法在发现一个意外洞穴时说“既然左边走不通，我绕到右边试试”，因为它的自主堆栈只允许它在预设的场景C里切换到方案D，而不是创造一个没人见过的方案E。加梅利和许多机器人学家正盯着这个“适应未知”的大坑，想方设法地让机器人学会在没见过的场景中依然保持安全。他们的努力方向之一，是让AI在遇到陌生环境时能够先退一步，降低行动速度，用更保守的策略先收集信息，而不是硬着头皮往里冲。可要让机器人像瓦力一样真正地随机应变，我们还有相当长的路要走。
那么，未来的太空AI能不能像AUTO那样，全权接管一艘飞船好几百年的航行，把人类乘客伺候得忘了回地球？目前来看，这个设想还稳稳地待在科幻的抽屉里。且不说长达几个世纪的任务需要系统自己修复自己、自己给自己写升级补丁，单说现阶段AI的“诚实”程度就是一道高门槛。一个能靠谱地在深空状态下连续决策的智能体，绝不能胡编乱造任何信息。你不能让它看到一块模糊的岩石影像后瞎猜“这是水冰”，因为可能一念之差就会
热门跟贴