NASA宇宙機のAI自律性、長く恐れられてきたトレードオフを現実へ近づける
生成AIが火星でPerseveranceの2回の走行を計画したことで、NASA宇宙機のAI自律性は実用的な節目を越えた。予測不能なシステムに対する数十年にわたる技術者の抵抗を乗り越えてのことだ。
ローバーは2025年12月8日と10日、AnthropicのClaudeモデルが生成したウェイポイントに従って走行した。人間のプランナーが、火星へ送信する前に提案ルートを確認した。機械が監督なしでローバーを指揮したわけではないが、生成AIは実際のミッションのワークフローに組み込まれた。
その後の実験は、この領域をさらに広げている。圧縮されたNASAとIBMのモデルは軌道上で衛星画像を処理し、宇宙飛行士は技術手順に対する言語モデルの支援を試験した。これらのプロジェクトは一体となって、宇宙機と管制センターの従来の関係に問いを投げかけている。
エンジニアは歴史的に、慎重に定義された条件下で再現性のある結果をもたらすソフトウェアを重視してきた。生成モデルは異なる仕組みで動作する。未知の入力を解釈できる能力は魅力的だが、出力は変動し、時には予期せぬ形で失敗する。
この緊張関係を回避することは、ますます難しくなっている。通信遅延は地球外での直接制御を制約し、商業ミッションの増加により、軌道上で稼働する機械の数も増えている。もはや問題は、宇宙システムに自律性が必要かどうかではない。エンジニアがどれほどの不確実性を安全に許容できるかだ。
NASA宇宙機のAI自律性はミッション運用に入った
Perseveranceでの実証により、生成AIは研究室内の可能性から、稼働中の惑星探査ミッションにおける計画プロセスの一部へと移行した。
NASAのJet Propulsion Laboratoryは通常、軌道画像、地形の傾斜、既知の危険要因を調査する人間のローバープランナーに依存している。プランナーは、Perseveranceを火星表面で誘導する安全なウェイポイントを特定する。
12月の実証では、視覚言語モデルがこの分析を支援した。視覚言語モデルは画像とテキストを同時に処理し、記述された指示やミッションデータを用いて視覚的な地形を解釈できる。
このプロジェクトは、JPLのRover Operations Centerとの協力のもと、AnthropicのClaudeモデルを使用した。Mars走行の発表によると、このシステムは提案ウェイポイントを生成する前に、軌道画像とデジタル標高情報を分析した。
Perseveranceは12月8日に689フィート、すなわち210メートル走行した。12月10日にはさらに807フィート、すなわち246メートル移動した。
これらの数字が重要なのは、走行がシミュレーション内ではなく別の惑星で行われたためだ。ただし、この実証は厳格に限定されたものだった。人間のオペレーターがルートを精査し、必要に応じて調整を加え、最終指示をアップロードした。
モデルがミッションの行き先を独自に決定したわけではない。また、あらゆる障害物を避けるためにローバーを直接操縦したわけでもない。Perseveranceは、承認済みのウェイポイント間を局所的に移動するため、既存のオンボード航法機能を維持していた。
この責任分担は、NASAが現在どのように生成AIへ取り組んでいるかを示している。モデルは難しい計画業務を加速できる一方で、既存システムと人間のレビュアーがその権限をなお制約している。
火星は、この実験を単なる便利な自動化プロジェクト以上のものにしている。この惑星は平均して地球から約1億4,000万マイル、すなわち2億2,500万キロメートル離れている。そのため、電波信号ではジョイスティック式の運転は支えられない。
ミッションチームは活動を計画し、指示を送信し、結果を待つ。コマンドサイクルごとに安全にカバーできる距離を伸ばす計画ツールは、ミッションの科学的成果を高められる。
JPLの宇宙ロボット工学者Vandi Vermaは、知覚、位置推定、計画、制御を、自律的な地球外走行の中核的な柱として説明した。生成システムは、将来的にローバーがより長いルートでこれらの機能を結び付ける助けとなる可能性がある。
ただし、それは願望であり、12月の走行で得られた結果ではない。検証された結果はより限定的だが、それでも重要だ。生成AIは人間のレビューを経て、実稼働中の火星ミッション向けに利用可能な計画出力を生成した。
したがって、NASA宇宙機のAI自律性は、制御された委任を通じて前進している。エンジニアは宇宙機全体を引き渡しているのではない。柔軟な解釈に価値があり、かつ独立した検証が可能なタスクを切り分けている。
このアプローチは、従来のローバー自動化とも異なる。Perseveranceはすでに、走行中に近隣の地形を評価して障害物を避けるため、決定論的な航法ソフトウェアを使用している。生成AIが入ったのは、軌道データに基づくルート準備という、より前の段階だった。
この違いにより、この試験がAIローバーが単独で火星をさまようという誤解を招く物語になるのを防げる。実際の変化は手続き上のものだ。確率的モデルが、それまでミッション専門家が手作業で実施していた業務に参加したのである。
この参加が、記事の中心的な対立を生み出している。モデルがより速く計画し、より多くの情報を解釈できるなら、その利用を制限することはミッションの生産性を下げる可能性がある。一方で、その権限を急速に拡大すれば、信頼できない出力が一つあるだけで、容易には修理できないハードウェアを危険にさらしかねない。
距離が、管制センターに一部の制御を手放すことを強いている
深宇宙ミッションには局所的な意思決定が必要だ。最も価値ある事象は、地球から指示が届く前に終わる可能性があるためだ。
通信遅延は常に惑星探査を形作ってきた。火星運用ではチームが先を見越して計画する必要があり、さらに遠いミッションでは往復により長い時間がかかる。
Europa近傍の将来の宇宙機は、この問題をよく示している。Jupiterの氷に覆われた衛星は、限られた期間だけ現れる水のプルームを放出することがある。宇宙機がそれを検知しても、地球が観測結果を受け取る前に、その機会を通過して先へ進んでしまうかもしれない。
NASAのソフトウェア・ロボティクス業務をかつて率いたRobert Ambroseは、IEEE Spectrumに対し、そのようなミッションは意味のあるオンボード自律性なしには不可能だと述べた。管制側が見ているのは、およそ1時間前に起きた事象かもしれない。
従来の自動化は、予測可能な状況には十分に対応できる。エンジニアは状態、許可される行動、復旧手順を定義する。その後の試験では、想定された条件全体でシステムが正しく応答するかを確認する。
生成AIが興味深くなるのは、宇宙機が設計者によって正確に記述されていない事象に遭遇したときだ。モデルは観測を分類し、既存の知識と結び付け、事前に書かれた一つのルールに一致させることなく行動を提案できる。
その柔軟性こそが、エンジニアが抵抗してきた理由でもある。同じ入力でも、必ずしも同じ経路で答えに至るとは限らない。文脈、以前の手順、モデルの挙動が出力を変える可能性がある。
宇宙飛行の試験は伝統的に、トレーサビリティに依存している。調査者は、ソフトウェアがなぜある行動を選んだのかを理解し、条件を再現し、安全対策が一貫して機能することを検証する必要がある。
生成モデルはこのプロセスを複雑にする。エンジニアは想定された入力だけでなく、文脈、センサーノイズ、曖昧な指示、以前のモデル応答の組み合わせも試験しなければならない。
Ambroseは、Orionのような宇宙機に関する業務において、自律性がチームの検証対象となる経路の数をいかに増やしたかを説明した。一つの答えは、試験プロセス自体の一部を自動化することだった。
この歴史が重要なのは、生成AIが宇宙機自律性の最初の例を導入するわけではないからだ。火星ローバーは何年も局地的な地形を航行しており、衛星は日常的に姿勢、電力、障害対応を制御している。
Perseveranceも、Claudeのルート実験以前にオンボードの自動スケジューラーを導入していた。JPLによると、自動スケジューラーは2023年10月にローバーの主要なスケジューリング手法となった。
より新しい変化は、自律性の種類に関わる。従来システムは、設計された境界内で優れている。基盤モデルは、異なるタスクをまたいで幅広く学習された表現を再利用できるが、その挙動は予測しにくい。
商業活動は、このトレードオフを受け入れる圧力を高めている。より多くの衛星、民間宇宙ステーション、ロボット保守ミッション、月面車両により、地上チームが手作業で処理できる以上の意思決定が生まれる。
ミッション開発も加速している。University of Texas at AustinのCenter for Autonomyのディレクター、Ufuk Topcuは、現在のペースを、かつて10年から15年をかけて開発されたプログラムと対比した。
ミッションの母数が増えると、制御の経済性も変わる。あらゆる画像、ルート、手順、異常を精査するために専門チームを割り当てることは、宇宙機の数に合わせて拡張できない。
必然的な対応は、段階的な委任となる。オペレーターはAIが推奨または行動できる範囲を限定して定義し、結果を監視し、証拠が蓄積してから初めてその範囲を広げる。
この転換は、従来のミッション保証に圧力をかける。この分野は、安全基準を維持しつつ、未知の条件を想定して設計されたシステムを認証する方法を見いださなければならない。
選択肢は、人間の判断か完全な機械制御かではない。中央集権的な人間の計画か、監督されたオンボード知能かであり、距離と作業負荷が増すにつれて権限は宇宙機側へ移っていく。
予測可能性を求める旧来の要請が負債になりつつある
宇宙エンジニアはかつて非決定論的な挙動を主にリスクと見なしていたが、地球が間に合うように応答できない場合、硬直的な挙動も危険になり得る。
宇宙における生成AIを支持する最も強い論拠は、言語モデルが流行していることではない。オペレーターが迅速に介入できない環境では、あらかじめ定められた指示に限界があるということだ。
硬直的な宇宙機は、予期せぬ科学的事象を見逃しながらも、設計どおりに正確に動作する可能性がある。また、新しい条件がプログラムされた決定木の範囲外にある場合には、セーフモードに入ることもある。
セーフモードは、通常の活動を中断し、地上からの指示を待つことでハードウェアを保護する。通信が利用でき、遅延が許容範囲内である場合には有効な対応だ。しかし、一瞬の事象の最中には有用性が低下する。
生成システムは異なる応答を約束する。不完全な情報を解釈し、選択肢を比較し、大規模データセットから学習したパターンを用いて計画を作成できる。
NASAのPrithvi実験は、別の文脈でこの柔軟性を示している。Prithviは地理空間基盤モデルであり、特定の画像タスクに適応させる前に、地球観測データで幅広く学習されたことを意味する。
研究者はNASAとIBMのモデルを圧縮し、2つの軌道プラットフォームにアップロードした。一つはSouth AustraliaのKanyini衛星、もう一つはInternational Space Stationに搭載されたIMAGIN-eコンピューティングペイロードだった。
Prithviの軌道試験では、両プラットフォームで洪水と雲の検出を評価した。NASAはこれを、軌道上における地理空間基盤モデルの初めての展開と説明した。
Prithviは13年分のHarmonized LandsatおよびSentinel-2データで学習した。想定される用途には、洪水マッピング、災害監視、作物分析、その他の地球観測タスクが含まれる。
軌道上で画像を処理すれば、地上へ送信される無関係なデータ量を削減できる。また、画像の取得から重要な特徴の識別までにかかる時間も短縮できる。
帯域幅は、この能力を価値あるものにする。衛星は、常に即座に送信できる以上のデータを収集する。特に地上局との通信が限られた時間帯にしか行えない場合はそうだ。
雲を認識できる宇宙機は、不要な光学画像の保存を避けられる。洪水や火災を識別するシステムは、価値の高い観測を優先し、より早く警報を送ることができる。
NASAはすでに、この考え方をより特化した形で試験している。dynamic targeting systemは、搭載分析を用いて雲と晴天域を区別し、観測機器をどこに向けるかを決定する。
このシステムは、衛星の軌道上の進行方向に沿って、およそ300マイル、約500キロメートル先を見据える。雲が目標を覆っている場合、宇宙機は撮影活動を中止し、ストレージを節約できる。
Prithviは、より適応性の高いアーキテクチャの方向性を示している。観測ごとに個別の限定的なモデルを搭載する代わりに、基盤モデルは専門的なファインチューニングを経て複数のタスクを支援できる。
圧縮は不可欠だった。IBMの研究者は、蒸留と量子化によってモデルを以前の15分の1のサイズに縮小したと報告している。
蒸留では、大規模モデルから有用な振る舞いを再現するよう小規模モデルを学習させる。量子化はモデルパラメータに使う数値精度を下げ、メモリと計算資源の要件を削減する。
これらの手法は、基本的な制約に対応するものだ。宇宙仕様のコンピューターは通常、データセンターのハードウェアより性能が遅れている。ミッションでは信頼性、電力効率、放射線耐性、長期運用が優先されるためである。
Prithviの試験は、衛星に無制限の制御権を与えたものではない。軌道上のコンピューティング環境で、学習済みモデルを新たなデータに適用するプロセスである推論を実証した。
それでも、このパターンはPerseveranceプロジェクトと一致する。NASA宇宙機のAI自律性は、明確に定義されたタスク、制約のあるハードウェア、人間が設計した運用上の境界から始まる。
逆転しているのは、何が保守的なエンジニアリングと見なされるかだ。かつては、すべての複雑な意思決定を地球上に置くことが不確実性の最小化につながった。遠方または多数のミッションでは、その依存が遅延、ボトルネック、観測機会の逸失を生む可能性がある。
予測可能性は依然として重要だが、もはや唯一の安全策ではない。特に環境の変化がミッション管制の対応より速い場合、適時の適応もまたミッションを守り得る。
生成AIには、宇宙機が無視できない試験がなお残る
有用な実証だけでは、確率的モデルが推進、生命維持、その他の不可逆なシステムを安全に指揮できることの証明にはならない。
12月の火星走行に人間によるレビューが組み込まれたのには理由がある。生成モデルは画像を誤読し、制約を見落とし、説明を作り出したり、わずかなプロンプト変更で異なる回答を出したりする可能性がある。
地球上であれば、誤った応答は時間を無駄にするだけかもしれない。火星では、ローバーの走行不能、車輪の損傷、エネルギーの枯渇、通信機器の不適切な向きにつながり得る。
宇宙飛行士の周辺では、失敗の代償はさらに大きくなる。不正確な保守指示は、乗組員を誤った部品へ向かわせたり、安全手順を省かせたりするおそれがある。
言語モデルは、自信に満ちた表現で不正確な記述をすることがある。検索拡張生成は、承認済み文書に根拠を置くことでそのリスクを軽減するが、検索が正しい推論を保証するわけではない。
検索拡張生成は、一般にRAGと呼ばれ、回答を作成する前に信頼できる知識コレクションを検索する。システムは、モデル学習だけに依存するのではなく、ミッション手順を利用できる。
研究者は宇宙飛行士支援のため、このアーキテクチャを検討してきた。提案されているCOREアシスタントは、手順検索、ナレッジグラフ、言語モデル、拡張現実の手がかりを組み合わせる。
ナレッジグラフは、エンティティとその関係を構造化された形で整理する。この構造は、部品、手順のステップ、警告、必要な工具をシステムが結び付ける助けとなる。
基盤となるprocedure assistant researchは、国際宇宙ステーションやLunar Gatewayなどの環境を対象としている。将来の乗組員は即時のクラウド接続を前提にできないため、オフラインアクセスを重視している。
こうしたアシスタントは、密度の高い技術マニュアルを検索しやすくできる。また、乗組員の目下の質問に合わせて提示方法を調整することも可能だ。
しかし、役立つ回答を提示することと、安全な回答を保証することは別である。エンジニアには、モデルが未承認の手順に置き換えたり、権限外で行動したりすることを防ぐ制御が依然として必要だ。
微小重力は、別の検証上の隔たりを生む。地球上で学習したロボティクスモデルは、重力、摩擦、身近な物体運動によって形作られた物理的関係を学ぶ。
軌道上では、物体は表面から押し出されても落下しない。別の力が軌道を変えるまで動き続ける。そのため、地上の操作モデルは基本的な誤りを犯す可能性がある。
Icarus Roboticsは、国際宇宙ステーションでの作業を想定した自由飛行ロボットJoyを開発する中で、この違いに取り組んでいる。同社は低重力飛行中にシステムを試験してきた。
Joyの初期段階で想定される作業には、ステーションのモジュール間でカーゴバッグを移動させることが含まれる。Icarusはテレオペレーションから始め、運用データを用いてより高い自律性を学習させる計画だ。
この段階的な進め方は妥当である。関連する学習データは依然として乏しいためだ。地上のロボティクス企業は、倉庫、オフィス、家庭で数百万件のインタラクションを収集できる。軌道上のロボットには、そのような機会がはるかに少ない。
シミュレーションはデータセットを拡張できるが、シミュレーションされた接触や運動はハードウェアの挙動を完全には再現しない。無重力飛行は有用なサンプルを提供するものの、各微小重力状態は短時間しか続かない。
したがって、安全上の課題には三つの層がある。モデルは環境を正しく解釈し、ロボットは意図した動作を実行し、システムは損傷が起きる前に故障を検知しなければならない。
単一のベンチマークでこれらの問題を解決することはできない。試験では、センサー、モデル出力、機械制御、タイミング、通信、復旧動作を、一つにつながったシステムとしてカバーする必要がある。
NASA宇宙機のAI自律性は、おそらく権限の境界を通じて進展する。モデルはまず要約し、次に提案し、その後に可逆的な行動を実行し、ようやくより重大な結果を伴うシステムを制御するようになる可能性がある。
各段階には独立した監視が必要だ。決定論的な安全コントローラーは、位置、エネルギー、温度、衝突の制限に違反するコマンドを遮断できる。
エンジニアは、モデルを承認済みのツールと構造化された出力に限定することもできる。モデルは無制限の座標を生成する代わりに、検証済み領域からウェイポイントを選択できる。
こうした制御はリスクを低減するが、生成AIを魅力的にする適応性も制限する。厳格な制約は、柔軟なモデルを別の限定的な自動化レイヤーに変えてしまう可能性がある。
これが中心的なトレードオフだ。宇宙機には未知の事象に反応するモデルが必要だが、未知の振る舞いを打ち上げ前に認証することは難しい。
したがって、独立して動作する宇宙機に関する主張には慎重な表現が求められる。現在のプロジェクトが示しているのは、制御された条件下での計画支援、搭載画像分析、手順支援である。信頼できる汎用自律性を確立したわけではない。
最も難しい証拠は、反復運用から得られる。エンジニアには、故障率、介入記録、エッジケースにおける性能、センサー劣化や不完全なデータからの復旧成功例が必要となる。
それらの結果が得られるまで、生成AIはより大きなシステムの一層にとどまるべきだ。AIは解釈と提案を担い、検証済みのソフトウェアがミッションを守る境界を強制する。
自律性がサンドボックスを離れられるかを示す三つの試験
次の段階は、反復的なミッション実績、より大きな搭載上の権限、そして安全システムがモデルの誤りを封じ込められるという信頼できる証拠にかかっている。
第一の兆候は、NASAがより長い走行でAI支援ローバー計画を繰り返すかどうかだ。12月のルートは合計456メートルをカバーし、運用上の実現可能性は示したが、日常的な信頼性までは証明していない。
より強い結果には、異なる地形での多数の計画サイクルが含まれるだろう。却下されたルート、人間による修正、計画時間について公開される情報は、単発の成功より多くを明らかにする。
試験の継続に伴い、運用者が必要とする変更が減れば、生成的計画の根拠は強まる。頻繁な修正は、モデルが自律的な計画者ではなく、生産性支援ツールにとどまっていることを示すだろう。
第二の兆候は、軌道上の基盤モデルが検出から行動へ移行するかどうかだ。Prithviは画像中の特徴を分類した一方、dynamic targetingはすでに雲の認識と観測機器のスケジューリングを結び付けている。
将来のモデルは、災害画像を優先し、センサーに再タスクを与え、別の宇宙機との観測を調整するかもしれない。それにより、解釈から物理的行動までの連鎖は短縮される。
そのような移行は結果の重大性も高める。誤分類は、限られた電力、ストレージ、観測機会を無駄にする可能性がある。運用者には、入力、出力、適用された制約を説明する監査ログが必要になる。
軌道試験後に機関がこうした限定的な行動を許可すれば、NASA宇宙機のAI自律性は分析を超えたことになる。モデルが指令システムから隔離されたままであれば、信頼の醸成はより緩やかだ。
第三の兆候は、人間の宇宙飛行プログラムが言語モデル支援をどのように検証するかである。宇宙飛行士は大量の技術資料を検索しなければならないため、手順ツールは明白な利点をもたらす。
決定的な試験は、モデルが日常的な質問に回答できるかではない。乗組員が危険な回答を認識し、迅速に復旧し、接続性やセンサーデータが悪化しても作業を続けられるかどうかだ。
信頼できる導入では、会話の利便性と指令権限を分けるべきだ。アシスタントは承認済み情報を見つけられる一方、重要な行動には引き続き乗組員による明示的な確認が必要となる。
成功すれば、地球からの支援が遅すぎる月面基地や火星ミッションでも、同様のツールを支えることになる。性能が不十分であれば、より限定的で構造化されたインターフェースの必要性が改めて示されるだろう。
開発者やエンタープライズAIの購入者は、これらの実験を注意深く見守るべきだ。宇宙飛行は、エージェントがファイル、データベース、機械、ビジネスプロセスとやり取りする際に彼らが直面する同じ問題を浮き彫りにする。
モデルは実演中には有能に見えても、環境が変化すると失敗することがある。安全な導入には、信頼できる情報、定義された権限、観測可能な行動、復旧経路が必要だ。
自社のAIワークフローを開発するチームにも、同じ規律が求められる。検索可能なengineering knowledge baseは回答の根拠を与えられるが、グラウンディングだけでレビューやアクセス制御に代わることはない。
宇宙プログラムは、結果を特に見えやすくする。より深い教訓は、ソフトウェアが単に回答するだけでなく行動できるあらゆる場面に当てはまる。
NASAは、適応性と予測可能性の対立を解決していない。広範な約束に代わって証拠が得られる現実のミッションの中で、その対立の試験を始めたのである。
最も安全な道は、恒久的な遠隔制御でも、即時の機械独立でもない。新たな権限をそれぞれ再現可能な性能によって獲得していく、段階的な委任である。
次のPerseverance計画キャンペーン、意味のある行動を引き起こすことを初めて許可された軌道上モデル、そして独立した評価を受ける最初の宇宙飛行士アシスタントに注目したい。これらの節目は、生成AIが信頼できるインフラになったのか、それとも並外れて有能な助言者にとどまるのかを示すだろう。
