Двадцать восемь лет каждый метр, пройденный марсоходом, планировал человек. 8 декабря 2025 года это изменилось.
На протяжении 28 лет и нескольких миссий маршруты марсоходов составляли и выполняли люди — «водители», которые анализировали данные о рельефе и прокладывали путь через контрольные точки. Потом в JPL решили проверить, что будет, если этот процесс делегировать модели.
8 и 10 декабря 2025 года Perseverance выполнил два последовательных заезда, используя контрольные точки, полностью сгенерированные ИИ-моделью Claude. Суммарный маршрут составил 456 метров.
Четыреста пятьдесят шесть метров. Один круг по стадиону. Но это первый круг, который человек не чертил сам.
Техническая часть здесь куда интереснее заголовка. Инженеры JPL использовали vision-language модели для анализа данных с камеры HiRISE орбитального аппарата Mars Reconnaissance Orbiter, а также данных цифровых моделей рельефа — ровно те же источники, которыми пользуются операторы-люди. То есть ИИ не получил привилегированный доступ к каким-то сверхданным. Он работал с тем же сырьём, что и живые специалисты.
Claude не справился с задачей по одному промпту. Инженеры JPL собрали годами накопленный опыт вождения марсохода и передали его модели в виде контекста. После этого Claude использовал навыки программирования, чтобы написать команды на Rover Markup Language — специализированном XML-языке, разработанном ещё для миссии Mars Exploration Rover.
Это ключевой момент, который часто теряется в восторженных пересказах. ИИ здесь — не магический оракул, который «почувствовал» Марс. Это инструмент, которому дали структурированный профессиональный контекст, правильный интерфейс и чёткую задачу. И он выдал результат, сравнимый с человеческим.
Перед отправкой команд на Марс инженеры прогнали маршрут через цифровой двойник марсохода, проверив более 500 000 телеметрических переменных. Никто не запускал необкатанный алгоритм в открытый космос вслепую.
Почему это важно за пределами космической отрасли?
Потому что здесь продемонстрирована конкретная модель применения ИИ, которая работает: узкая задача с высокими требованиями к точности, богатый доменный контекст, верификация через симуляцию, человек — на уровне надзора, а не рутинного исполнения. По словам специалиста по космической робототехнике JPL Ванди Вермы, генеративный ИИ демонстрирует большие перспективы в ключевых компонентах автономной навигации: восприятии рельефа, локализации и планировании маршрута.
Это не «ИИ захватил управление». Это «ИИ взял на себя рутину, освободив экспертов для более сложных решений».
Именно так это и работает в лучших кейсах. На Земле — в том числе.
Источники: ScienceDail, Anthropic, Pasquale Pillitteri, NASA Jet Propulsion Laboratory.