当人工智能系统走出实验室，进入浩瀚宇宙这个终极考场，它们能否胜任复杂的太空任务调度？复旦大学计算机科学技术学院联合上海创新研究院及OpenMOSS团队完成了一项开创性研究，通过构建虚拟太空考场，让最先进的AI系统挑战卫星通信、地球观测等五大太空任务，揭示了AI在极端环境下的独特潜力与局限性。
研究团队打造的"AstroReason-Bench"测试平台堪称AI的太空驾考系统。该平台模拟了真实的太空物理约束，包括卫星轨道动力学、太阳能供电周期、有限数据存储容量等限制条件。测试包含五大核心挑战：深空网络调度需在严格时间窗口内协调有限天线资源；重访优化要求卫星在能源限制下定期监测灾害多发区；区域覆盖任务考验AI规划大范围观测路径的能力；立体成像需要精确控制双角度拍摄时机；延迟优化则模拟卫星网络中的信号中继与观测任务协调。
在为期两小时的限时考试中，Claude Sonnet 4.5、Gemini 3 Flash等六种前沿大语言模型接受了严格测试。这些AI"考生"被赋予查询卫星状态、计算轨道位置等工具，但计算资源严格限制在16GB内存和8核CPU范围内。测试结果显示，AI在需要深度搜索优化的深空网络调度任务中表现逊于专业算法，不满足率达0.53-0.59，而混合整数规划算法仅0.30。但在立体成像等复杂约束任务中，AI展现出惊人优势，成功规划出传统算法完全无法实现的观测序列，最佳成功率达18%。
研究过程中发现了AI决策的独特模式。在延迟优化任务中，多数AI执着于寻找能同时观测两个地面站的卫星，这种"山顶观景"思维导致任务失败。唯有Kat Coder Pro模型创新采用卫星接力中继方案，通过多颗卫星链式传输完成通信。区域覆盖任务则暴露出AI的"行动偏见"——它们往往急于制定计划而忽视环境分析，导致观测路径与轨道严重错配。当研究人员增加"先分析工具再制定策略"的提示后，AI表现显著提升，开始主动查询轨道数据优化方案。
与传统优化算法的对比测试呈现出鲜明差异。贪心算法在重访优化中因局部最优陷入困境，模拟退火算法通过渐进调整取得较好效果，但在立体成像等复杂任务中全军覆没。这种对比揭示：AI在处理非线性约束和复杂关系时具有独特优势，而专业算法在明确规则的优化问题上更胜一筹。研究团队特别设计的"知识增强"实验显示，盲目提供学术论文反而干扰AI决策，唯有强制要求制定计划后查阅资料，才能将AI表现提升5个百分点。
这项研究对商业航天发展具有重要启示。随着SpaceX星链计划等项目推动卫星数量爆发式增长，传统专用算法面临维护成本高、适应性差等挑战。AI系统虽在单项性能上不及专业算法，但其通用性和快速学习能力在多任务协调场景中展现独特价值。例如，现代卫星需同时执行观测、通信、实验等多类任务，AI代理可动态调整资源分配，在设备故障等突发情况下快速重构任务计划。
研究团队坦言当前工作存在局限性。测试主要基于"闪电级"模型，更大型推理模型可能带来性能突破；有限的测试场景难以全面反映系统真实能力；专业算法的离线训练优势与AI的在线交互限制构成非对称比较。后续研究将拓展测试范围至深空轨道规划等领域，探索专门优化的AI架构，并建立更严格的性能评估体系。这项探索不仅为太空任务管理提供新思路，也为城市交通、能源调度等复杂系统优化带来跨界启示。
