L’autonomia dell’IA sulle navicelle NASA avvicina un compromesso temuto da tempo
L’autonomia basata sull’IA delle navicelle NASA ha superato una soglia pratica quando l’IA generativa ha pianificato due percorsi di Perseverance su Marte, nonostante decenni di resistenza ingegneristica ai sistemi imprevedibili.
Il rover ha seguito waypoint prodotti con i modelli Claude di Anthropic l’8 e il 10 dicembre 2025. I pianificatori umani hanno esaminato i percorsi proposti prima di inviarli su Marte. Non si trattava di una macchina non supervisionata che impartiva comandi a un rover, ma l’IA generativa è entrata in un flusso di lavoro di una missione reale.
Da allora, altri esperimenti hanno ampliato il campo. Un modello compresso di NASA e IBM ha elaborato immagini satellitari in orbita, mentre gli astronauti hanno testato il supporto di modelli linguistici per procedure tecniche. Nel loro insieme, questi progetti mettono in discussione il rapporto tradizionale tra le navicelle spaziali e il controllo missione.
Storicamente, gli ingegneri hanno privilegiato software che forniscono risultati ripetibili in condizioni accuratamente definite. I modelli generativi funzionano in modo diverso. La loro capacità di interpretare input non familiari li rende interessanti, ma i loro output possono variare e talvolta fallire in modi inattesi.
Questa tensione sta diventando più difficile da evitare. I ritardi nelle comunicazioni limitano il controllo diretto oltre la Terra, mentre le missioni commerciali aumentano il numero di macchine operative in orbita. La questione non è più se i sistemi spaziali abbiano bisogno di autonomia. È quanta incertezza gli ingegneri possano consentire in sicurezza.
L’autonomia dell’IA sulle navicelle NASA è entrata nelle operazioni di missione
La dimostrazione con Perseverance ha spostato l’IA generativa da una possibilità di laboratorio alla catena di pianificazione di una missione planetaria attiva.
Il Jet Propulsion Laboratory della NASA si affida normalmente a pianificatori umani dei rover per studiare immagini orbitali, pendenze del terreno e pericoli noti. Questi pianificatori identificano waypoint sicuri che guidano Perseverance attraverso la superficie marziana.
Per la dimostrazione di dicembre, modelli visione-linguaggio hanno contribuito a svolgere quell’analisi. Un modello visione-linguaggio elabora insieme immagini e testo, consentendogli di interpretare il terreno visivo mediante istruzioni scritte e dati di missione.
Il progetto ha usato i modelli Claude di Anthropic in collaborazione con il Rover Operations Center del JPL. Secondo l’annuncio sul percorso su Marte, il sistema ha analizzato immagini orbitali e dati digitali di elevazione prima di generare waypoint proposti.
Perseverance ha percorso 689 piedi, ovvero 210 metri, l’8 dicembre. Il 10 dicembre ha viaggiato per altri 807 piedi, ovvero 246 metri.
Questi numeri contano perché i percorsi si sono svolti su un altro mondo, non in una simulazione. Tuttavia, la dimostrazione è rimasta strettamente delimitata. Gli operatori umani hanno esaminato i percorsi, apportato modifiche dove necessario e caricato le istruzioni finali.
Il modello non ha deciso in modo indipendente dove dovesse dirigersi la missione. Non ha nemmeno guidato direttamente il rover attorno a ogni ostacolo. Perseverance ha mantenuto le proprie capacità di navigazione di bordo esistenti per gli spostamenti locali tra waypoint approvati.
Questa divisione delle responsabilità mostra come la NASA affronti attualmente l’IA generativa. Il modello può accelerare un difficile compito di pianificazione, ma sistemi consolidati e revisori umani continuano a limitarne l’autorità.
Marte rende questo esperimento più di un comodo progetto di automazione. Il pianeta dista in media circa 140 milioni di miglia, ovvero 225 milioni di chilometri, dalla Terra. I segnali radio non possono quindi supportare una guida in stile joystick.
I team di missione pianificano le attività, trasmettono istruzioni e attendono i risultati. Qualsiasi strumento di pianificazione che aumenti in sicurezza la distanza percorsa per ciclo di comando può migliorare il ritorno scientifico della missione.
Il roboticista spaziale del JPL Vandi Verma ha descritto percezione, localizzazione, pianificazione e controllo come pilastri centrali della guida autonoma fuori dalla Terra. I sistemi generativi potrebbero infine aiutare i rover a collegare queste funzioni lungo percorsi più lunghi.
Questo resta un obiettivo, non il risultato dei percorsi di dicembre. Il risultato verificato è più circoscritto ma comunque importante. Dopo la revisione umana, l’IA generativa ha prodotto output di pianificazione utilizzabili per una missione attiva su Marte.
L’autonomia dell’IA sulle navicelle NASA avanza quindi attraverso una delega controllata. Gli ingegneri non stanno consegnando un’intera navicella a questi sistemi. Stanno isolando compiti in cui un’interpretazione flessibile offre valore e in cui rimangono possibili controlli indipendenti.
L’approccio differisce anche dall’automazione convenzionale dei rover. Perseverance utilizza già software di navigazione deterministico per valutare il terreno vicino ed evitare ostacoli durante un percorso. L’IA generativa è entrata in gioco prima, durante la preparazione dell’itinerario a partire dai dati orbitali.
Questa distinzione impedisce che il test diventi un racconto fuorviante su un rover IA che vaga da solo su Marte. Il vero cambiamento è procedurale. Un modello probabilistico ha partecipato a un’attività che gli specialisti di missione avevano in precedenza svolto manualmente.
Questa partecipazione crea il conflitto centrale dell’articolo. Se i modelli possono pianificare più rapidamente e interpretare più informazioni, limitarli potrebbe ridurre la produttività della missione. Se la loro autorità si espande troppo in fretta, un output inaffidabile potrebbe minacciare hardware che non può essere riparato facilmente.
La distanza costringe il controllo missione a cedere parte del controllo
Le missioni nello spazio profondo necessitano di decisioni locali perché l’evento più prezioso potrebbe terminare prima che le istruzioni arrivino dalla Terra.
Il ritardo nelle comunicazioni ha sempre plasmato l’esplorazione planetaria. Le operazioni su Marte richiedono ai team di pianificare in anticipo, mentre le missioni più lontane affrontano scambi ancora più lunghi.
Una futura navicella vicino a Europa illustra il problema. La luna ghiacciata di Giove può rilasciare pennacchi d’acqua che appaiono per periodi limitati. Una navicella potrebbe rilevarne uno, attraversare l’opportunità e oltrepassarla prima che la Terra riceva l’osservazione.
Robert Ambrose, ex responsabile del lavoro software e robotico della NASA, ha dichiarato a IEEE Spectrum che una missione di questo tipo sarebbe impossibile senza una significativa autonomia di bordo. I controllori potrebbero osservare un evento avvenuto circa un’ora prima.
L’automazione convenzionale gestisce bene le situazioni prevedibili. Gli ingegneri definiscono stati, azioni consentite e procedure di recupero. I test verificano poi se il sistema risponde correttamente nelle condizioni previste.
L’IA generativa diventa interessante quando la navicella incontra qualcosa che i progettisti non hanno descritto con precisione. Un modello può classificare un’osservazione, collegarla a conoscenze precedenti e suggerire un’azione senza corrispondere a una singola regola predefinita.
Questa flessibilità è anche il motivo per cui gli ingegneri le hanno opposto resistenza. Lo stesso input non garantisce sempre lo stesso percorso verso una risposta. Contesto, passaggi precedenti e comportamento del modello possono modificare l’output.
I test per il volo spaziale dipendono tradizionalmente dalla tracciabilità. Gli investigatori devono comprendere perché il software abbia scelto un’azione, riprodurre le condizioni e verificare che le salvaguardie funzionino in modo coerente.
Un modello generativo complica questo processo. Gli ingegneri devono testare non solo gli input attesi, ma anche combinazioni di contesto, rumore dei sensori, istruzioni ambigue e risposte precedenti del modello.
Ambrose ha descritto come l’autonomia abbia ampliato il numero di percorsi che i team dovevano esaminare durante il lavoro su navicelle come Orion. Una risposta è stata automatizzare parti dello stesso processo di test.
Questa storia è importante perché l’IA generativa non introduce la prima autonomia delle navicelle spaziali. I rover marziani navigano il terreno locale da anni e i satelliti controllano abitualmente assetto, potenza e risposte ai guasti.
Perseverance ha anche ricevuto uno scheduler automatico di bordo prima dell’esperimento sui percorsi con Claude. Il JPL afferma che lo scheduler automatico è diventato il principale metodo di pianificazione del rover nell’ottobre 2023.
Il cambiamento più recente riguarda il tipo di autonomia. I sistemi tradizionali eccellono entro confini progettati. I modelli foundation possono riutilizzare ampie rappresentazioni apprese tra compiti diversi, sebbene il loro comportamento sia meno prevedibile.
L’attività commerciale aumenta la pressione ad accettare questo compromesso. Più satelliti, stazioni private, missioni di manutenzione robotica e veicoli lunari creeranno più decisioni di quante i team a terra possano gestire manualmente.
Anche lo sviluppo delle missioni sta accelerando. Ufuk Topcu, direttore del Center for Autonomy dell’Università del Texas ad Austin, ha confrontato il ritmo attuale con programmi che un tempo venivano sviluppati nell’arco di 10 o 15 anni.
Una popolazione di missioni più ampia cambia l’economia del controllo. Assegnare team di esperti per ispezionare ogni immagine, percorso, procedura e anomalia non scala con il numero delle navicelle.
La risposta obbligata sarà una delega graduale. Gli operatori definiranno aree delimitate in cui l’IA può raccomandare o agire, monitoreranno i risultati ed estenderanno tali aree solo dopo che le evidenze si saranno accumulate.
Questo cambiamento mette sotto pressione la tradizionale garanzia di missione. La disciplina deve preservare i propri standard di sicurezza trovando al contempo modi per certificare sistemi progettati per condizioni non familiari.
La scelta non è tra giudizio umano e controllo completo della macchina. È tra pianificazione umana centralizzata e intelligenza di bordo supervisionata, con l’autorità che si sposta verso la navicella man mano che distanza e carico di lavoro aumentano.
La vecchia richiesta di prevedibilità sta diventando una responsabilità
Gli ingegneri spaziali un tempo consideravano il comportamento non deterministico soprattutto un rischio, ma anche un comportamento rigido può diventare pericoloso quando la Terra non può rispondere in tempo.
L’argomento più forte a favore dell’IA generativa nello spazio non è che i modelli linguistici siano di moda. È che le istruzioni predeterminate hanno limiti in ambienti in cui gli operatori non possono intervenire rapidamente.
Una navicella rigida può comportarsi esattamente come previsto, pur mancando un evento scientifico inatteso. Può anche entrare in modalità sicura quando una condizione nuova esula dal suo albero decisionale programmato.
La modalità sicura protegge l’hardware sospendendo le attività normali e attendendo istruzioni da terra. Questa risposta funziona quando la comunicazione è disponibile e il ritardo è accettabile. Diventa meno utile durante un evento fugace.
I sistemi generativi promettono una risposta diversa. Possono interpretare informazioni incomplete, confrontare opzioni e produrre piani usando modelli appresi da grandi dataset.
L’esperimento Prithvi della NASA dimostra questa flessibilità in un contesto separato. Prithvi è un modello foundation geospaziale, ovvero è stato addestrato in modo ampio su dati di osservazione della Terra prima dell’adattamento a compiti specifici di imaging.
I ricercatori hanno compresso il modello NASA e IBM e lo hanno caricato su due piattaforme orbitali. Una era il satellite Kanyini dell’Australia Meridionale. L’altra era il payload di calcolo IMAGIN-e a bordo della Stazione Spaziale Internazionale.
Il test orbitale di Prithvi ha valutato il rilevamento di inondazioni e nuvole su entrambe le piattaforme. La NASA lo ha descritto come il primo dispiegamento in orbita di un modello foundation geospaziale.
Prithvi è stato addestrato su 13 anni di dati Harmonized Landsat e Sentinel-2. Le sue possibili applicazioni includono mappatura delle inondazioni, monitoraggio dei disastri, analisi delle colture e altri compiti di osservazione della Terra.
L’elaborazione delle immagini in orbita può ridurre la quantità di dati irrilevanti inviata a terra. Può anche abbreviare il tempo tra l’acquisizione di un’immagine e l’identificazione di una caratteristica importante.
La larghezza di banda rende questa capacità preziosa. I satelliti raccolgono più dati di quanti ne possano sempre trasmettere immediatamente, soprattutto quando il contatto con le stazioni di terra avviene solo durante finestre limitate.
Un veicolo spaziale in grado di riconoscere le nuvole può evitare di archiviare immagini ottiche inutili. Un sistema che identifica un'alluvione o un incendio può dare priorità alle osservazioni più preziose e inviare avvisi prima.
La NASA ha già testato una versione più specializzata di questa idea. Il suo sistema di puntamento dinamico utilizza analisi a bordo per distinguere le nuvole dal cielo sereno prima di decidere dove uno strumento debba osservare.
Il sistema guarda circa 300 miglia, ovvero 500 chilometri, avanti lungo la traiettoria orbitale del satellite. Se le nuvole oscurano il bersaglio, il veicolo spaziale può annullare un'attività di acquisizione delle immagini e risparmiare spazio di archiviazione.
Prithvi indica un'architettura più adattabile. Invece di trasportare un modello ristretto separato per ogni osservazione, un modello fondazionale può supportare più attività dopo una messa a punto specializzata.
La compressione è stata essenziale. I ricercatori IBM hanno riferito di aver ridotto il modello a un quindicesimo delle sue dimensioni precedenti tramite distillazione e quantizzazione.
La distillazione addestra un modello più piccolo a riprodurre comportamenti utili di un modello più grande. La quantizzazione riduce la precisione numerica utilizzata per i parametri del modello, abbassando i requisiti di memoria e calcolo.
Questi metodi affrontano un vincolo fondamentale. I computer qualificati per lo spazio sono generalmente meno avanzati dell'hardware dei data center, perché le missioni danno priorità ad affidabilità, efficienza energetica, tolleranza alle radiazioni e lunga vita operativa.
Il test di Prithvi non ha conferito a un satellite un controllo aperto e senza limiti. Ha dimostrato l'inferenza, ovvero il processo di applicazione di un modello addestrato a nuovi dati, in un ambiente di calcolo orbitale.
Tuttavia, lo schema coincide con il progetto Perseverance. L'autonomia dell'IA dei veicoli spaziali NASA inizia con un compito ben definito, hardware vincolato e un confine operativo progettato dagli esseri umani.
L'inversione sta in ciò che oggi viene considerato ingegneria conservativa. Mantenere ogni decisione complessa sulla Terra un tempo minimizzava l'incertezza. Per missioni lontane o numerose, quella dipendenza può creare ritardi, colli di bottiglia e osservazioni mancate.
La prevedibilità rimane preziosa, ma non è più l'unica misura di sicurezza. Anche l'adattamento tempestivo può proteggere una missione, soprattutto quando l'ambiente cambia più rapidamente di quanto il controllo missione possa reagire.
L'IA generativa fallisce ancora il test che i veicoli spaziali non possono ignorare
Una dimostrazione utile non prova che un modello probabilistico possa comandare in sicurezza la propulsione, il supporto vitale o altri sistemi irreversibili.
Le percorrenze marziane di dicembre includevano una revisione umana per un motivo. I modelli generativi possono interpretare male le immagini, trascurare vincoli, inventare spiegazioni o produrre risposte diverse dopo piccole modifiche al prompt.
Sulla Terra, una risposta errata può far perdere tempo. Su Marte, può immobilizzare un rover, danneggiare una ruota, esaurire energia o orientare male le apparecchiature di comunicazione.
Il costo del fallimento diventa ancora più elevato in presenza di astronauti. Un'istruzione di manutenzione errata potrebbe indirizzare un membro dell'equipaggio verso il componente sbagliato o omettere un passaggio di sicurezza.
I modelli linguistici possono formulare affermazioni inaccurate con tono sicuro. La generazione aumentata dal recupero delle informazioni riduce tale rischio ancorando le risposte a documenti approvati, ma il recupero non garantisce un ragionamento corretto.
La generazione aumentata dal recupero delle informazioni, spesso chiamata RAG, cerca in una raccolta di conoscenze affidabile prima di comporre una risposta. Un sistema potrebbe utilizzare procedure di missione invece di basarsi soltanto sull'addestramento del modello.
I ricercatori hanno esplorato questa architettura per il supporto agli astronauti. L'assistente CORE proposto combina recupero delle procedure, grafi della conoscenza, modelli linguistici e segnali di realtà aumentata.
Un grafo della conoscenza organizza entità e relazioni tra esse in una forma strutturata. Questa struttura può aiutare un sistema a collegare un componente, un passaggio procedurale, un avviso e lo strumento necessario.
La sottostante ricerca sull'assistente procedurale è rivolta ad ambienti quali la Stazione Spaziale Internazionale e il Lunar Gateway. Sottolinea l'accesso offline, poiché gli equipaggi futuri non potranno dare per scontata una connettività cloud immediata.
Tali assistenti possono rendere più semplici da consultare manuali tecnici densi di informazioni. Possono inoltre adattare la presentazione alla domanda immediata di un membro dell'equipaggio.
Tuttavia, presentare una risposta utile è diverso dal garantirne la sicurezza. Gli ingegneri necessitano comunque di controlli che impediscano a un modello di sostituire un passaggio non approvato o di agire oltre la propria autorità.
La microgravità crea un ulteriore divario di verifica. I modelli robotici addestrati sulla Terra apprendono relazioni fisiche modellate da gravità, attrito e movimenti familiari degli oggetti.
In orbita, un oggetto non cade dopo essere stato spinto via da una superficie. Continua a muoversi finché un'altra forza non ne modifica la traiettoria. Un modello terrestre di manipolazione può quindi commettere errori basilari.
Icarus Robotics sta affrontando questa differenza durante lo sviluppo di Joy, un robot a volo libero destinato a operare a bordo della Stazione Spaziale Internazionale. L'azienda ha testato il sistema durante voli a gravità ridotta.
Il lavoro iniziale proposto per Joy include lo spostamento di sacche di carico tra i moduli della stazione. Icarus prevede di iniziare con il telecontrollo e di utilizzare i dati operativi per addestrare una maggiore autonomia.
Questa progressione è sensata, perché i dati di addestramento pertinenti restano scarsi. Le aziende di robotica terrestri possono raccogliere milioni di interazioni in magazzini, uffici e abitazioni. I robot orbitali hanno molte meno opportunità.
La simulazione può ampliare il dataset, ma il contatto e il movimento simulati non riproducono perfettamente il comportamento dell'hardware. I voli in assenza di gravità forniscono campioni utili, ma ogni periodo di microgravità dura solo brevemente.
La sfida della sicurezza ha quindi tre livelli. Il modello deve interpretare correttamente l'ambiente, il robot deve eseguire l'azione prevista e il sistema deve rilevare il guasto prima che si verifichino danni.
Nessun singolo benchmark risolve queste questioni. I test devono coprire sensori, output del modello, controllo meccanico, tempistiche, comunicazioni e comportamento di ripristino come un unico sistema connesso.
L'autonomia dell'IA dei veicoli spaziali NASA probabilmente avanzerà attraverso confini di autorizzazione. Un modello potrà prima riassumere, poi raccomandare, quindi eseguire azioni reversibili e solo in seguito controllare sistemi con conseguenze maggiori.
Ogni fase necessita di monitoraggio indipendente. Un controllore di sicurezza deterministico può bloccare comandi che violano limiti di posizione, energia, temperatura o collisione.
Gli ingegneri possono anche limitare i modelli a strumenti approvati e output strutturati. Il modello potrebbe scegliere un waypoint da una regione validata invece di generare coordinate senza restrizioni.
Questi controlli riducono il rischio, ma limitano anche l'adattabilità che rende attraente l'IA generativa. Restrizioni rigide possono trasformare un modello flessibile in un altro livello di automazione ristretto.
Questo è il compromesso centrale. I veicoli spaziali necessitano di modelli che rispondano a eventi non familiari, ma il comportamento non familiare è difficile da certificare prima del lancio.
Le affermazioni sui veicoli spaziali indipendenti meritano quindi un linguaggio prudente. I progetti attuali mostrano assistenza alla pianificazione, analisi delle immagini a bordo e supporto procedurale in condizioni controllate. Non dimostrano un'autonomia generale affidabile.
Le prove più difficili arriveranno dalle operazioni ripetute. Gli ingegneri necessitano di tassi di fallimento, registri degli interventi, prestazioni nei casi limite e ripristini riusciti da sensori degradati o dati incompleti.
Fino a quando questi risultati non esisteranno, l'IA generativa dovrebbe rimanere uno strato di un sistema più ampio. Può interpretare e proporre, mentre software verificato impone i confini che proteggono la missione.
Tre test mostreranno se l'autonomia può uscire dalla sandbox
La prossima fase dipende da prestazioni ripetute nelle missioni, maggiore autorità a bordo e prove credibili che i sistemi di sicurezza possano contenere gli errori dei modelli.
Il primo segnale sarà se la NASA ripeterà la pianificazione assistita dall'IA del rover su percorrenze più lunghe. I percorsi di dicembre hanno coperto complessivamente 456 metri, dimostrando la fattibilità operativa ma non l'affidabilità di routine.
Un risultato più solido includerebbe molti cicli di pianificazione su terreni diversi. Informazioni pubblicate sui percorsi respinti, sulle correzioni umane e sui tempi di pianificazione rivelerebbero più di un singolo successo.
Se gli operatori richiederanno meno modifiche con il proseguire delle prove, il caso a favore della pianificazione generativa si rafforzerà. Correzioni frequenti mostrerebbero che il modello resta un aiuto alla produttività anziché un pianificatore autonomo.
Il secondo segnale sarà se i modelli fondazionali orbitali passeranno dal rilevamento all'azione. Prithvi ha classificato caratteristiche nelle immagini, mentre il puntamento dinamico collega già il riconoscimento delle nuvole con la programmazione degli strumenti.
Un modello futuro potrebbe dare priorità a un'immagine di un disastro, riassegnare un sensore o coordinare osservazioni con un altro veicolo spaziale. Ciò accorcerebbe la catena tra interpretazione e azione fisica.
Una tale transizione aumenterebbe anche le conseguenze. Una classificazione errata potrebbe sprecare energia, spazio di archiviazione o opportunità di osservazione limitati. Gli operatori avranno bisogno di registri di audit che spieghino gli input, l'output e i vincoli applicabili.
Se le agenzie consentiranno queste azioni circoscritte dopo le prove orbitali, l'autonomia dell'IA dei veicoli spaziali NASA sarà andata oltre l'analisi. Se i modelli resteranno isolati dai sistemi di comando, la fiducia si starà sviluppando più lentamente.
Il terzo segnale riguarda il modo in cui i programmi di volo spaziale umano convalideranno l'assistenza dei modelli linguistici. Gli strumenti procedurali offrono un vantaggio evidente, poiché gli astronauti devono consultare ampie raccolte di materiale tecnico.
Il test decisivo non è se un modello risponde a domande di routine. È se gli equipaggi riescono a riconoscere una risposta pericolosa, recuperare rapidamente e continuare a lavorare quando la connettività o i dati dei sensori peggiorano.
Un'implementazione credibile dovrebbe separare la comodità conversazionale dall'autorità di comando. L'assistente può individuare informazioni approvate, mentre le azioni critiche richiedono ancora una conferma esplicita dell'equipaggio.
Il successo sosterrebbe strumenti simili per stazioni lunari e missioni su Marte, dove l'assistenza dalla Terra arriva troppo lentamente. Prestazioni scarse rafforzerebbero la necessità di interfacce più ristrette e strutturate.
Sviluppatori e acquirenti aziendali di IA dovrebbero seguire attentamente questi esperimenti. Il volo spaziale mette in evidenza lo stesso problema che affrontano quando gli agenti interagiscono con file, database, macchine o processi aziendali.
Un modello può sembrare capace durante una dimostrazione, ma fallire quando l'ambiente cambia. Un'implementazione sicura richiede informazioni affidabili, autorizzazioni definite, azioni osservabili e percorsi di ripristino.
I team che sviluppano i propri flussi di lavoro IA necessitano della stessa disciplina. Una base di conoscenza ingegneristica ricercabile può ancorare le risposte, ma il grounding da solo non sostituisce revisione o controlli di accesso.
I programmi spaziali rendono le conseguenze insolitamente visibili. La lezione più profonda vale ovunque il software possa agire anziché limitarsi a rispondere.
La NASA non ha risolto il conflitto tra adattamento e prevedibilità. Ha iniziato a testare quel conflitto all'interno di missioni reali, dove le prove possono sostituire promesse generiche.
Il percorso più sicuro non è né il controllo remoto permanente né l'indipendenza istantanea delle macchine. È una delega misurata, in cui ogni nuova autorità viene guadagnata attraverso prestazioni ripetibili.
Osservate la prossima campagna di pianificazione di Perseverance, il primo modello orbitale autorizzato ad attivare un'azione significativa e il primo assistente per astronauti valutato in modo indipendente. Questi traguardi mostreranno se l'IA generativa è diventata un'infrastruttura affidabile o rimane un consulente insolitamente capace.
