2026 年第一季度人工智能在航天领域发展的情报汇总

本期摘要

2026 年第一季度，人工智能在航天领域的发展已经不再局限于若干孤立的模型演示，而是沿着更完整的系统路径展开。

第一，人工智能正从地面数据分析工具进一步走向任务执行层，在卫星姿态控制、火星车路径规划、自主定位、月面多机器人协同和深空任务运营等链条上出现更强实证。

第二，遥感与对地观测方向持续向基础模型、多模态模型与代理式工作流演进，美国国家航空航天局、欧洲航天局及学术界都在推动将基础模型从研究样机推进到更可验证、可运营、可标准化的工具链。

第三，在轨计算与边缘智能成为高频议题，围绕星上训练、模型压缩部署、星载算力平台、平台安全与任务导向型星载通信协同的讨论显著升温。

第四，中国方向正在呈现更鲜明的体系化推进特征，从大模型在轨部署、计算卫星、行业大模型产品线到高校场景化卫星应用，逐步形成"模型、载荷、星座、软件、场景"协同发展的路径。

第五，开源工具与代码生态开始成为不可忽略的观察面，遥感基础模型索引、地理空间人工智能工具包和代理式时空数据工作流知识入口，正在降低技术扩散与工程试错门槛。

1. 美国国家航空航天局持续推进面向科学任务的基础模型路线

涉及主体： 美国国家航空航天局相关科学办公室、马歇尔航天飞行中心

内容摘要： 美国国家航空航天局技术报告《美国国家航空航天局面向科学任务的人工智能基础模型》系统披露了其以基础模型服务科学任务的整体路线。其核心是所谓"5+1"策略：针对美国国家航空航天局五大科学分部建设面向任务的基础模型，同时配套一个跨领域大语言模型层，用于知识整合与通用推理。报告中特别提到 Prithvi-HLS、Prithvi-WxC 以及面向多学科的 INDUS 模型族，显示美国国家航空航天局已不再把人工智能视为边缘辅助能力，而是在科学数据处理、地球观测、气象分析与科研流程中建设长期基础设施。

https://ntrs.nasa.gov/citations/20250000225

2. 美国国家航空航天局与欧洲航天局联合推动地球观测基础模型国际协同

涉及主体： 美国国家航空航天局、欧洲航天局

内容摘要： 第二届欧洲航天局—美国国家航空航天局地球观测基础模型国际研讨会在 2026 年第一季度持续推进征稿与组织工作。活动信息显示，双方合作重点已从单纯模型展示，转向跨机构协作、基准体系、真实业务场景验证、责任人工智能以及代理式人工智能在地球观测工作流中的应用。这表明美国国家航空航天局与欧洲航天局正尝试在地球观测基础模型方向建立更强的共同语境，包括模型评测、跨传感器泛化、多模态融合、不确定性评估以及从原型到运营的迁移路径。

https://www.earthdata.nasa.gov/events/second-esa-nasa-international-workshop-ai-foundation-model-earth-observation

3. 在轨人工智能姿态控制进入实证阶段

涉及主体： 德国维尔茨堡大学、柏林工业大学、InnoCube 团队

内容摘要： 论文《LeLaR：首次基于人工智能的卫星姿态控制器在轨演示》报告了基于深度强化学习的卫星姿态控制器在 InnoCube 3U 纳卫星上的在轨演示结果。其关键意义不在于"用了人工智能"这件事本身，而在于它跨越了航天控制里最难的仿真到真实迁移问题：控制器在仿真中训练后，真正部署到了已经发射在轨的卫星上，并与传统比例微分控制器进行了比较。结果表明，人工智能控制器在重复机动中的稳态指标具有可用性，这使"人工智能进入飞控环路"从概念验证迈向更有说服力的工程验证。

https://arxiv.org/html/2512.19576v3

4. 遥感领域开始系统化转向代理式人工智能

涉及主体： 克莱姆森大学等研究机构

内容摘要： 综述论文《遥感中的代理式人工智能：基础、分类与新兴系统》将遥感智能的发展方向进一步从"模型"推进到"代理系统"。论文强调，遥感任务正从静态深度学习处理，转向可规划、多步推理、可调用工具、具备检索和记忆能力的代理式工作流。作者给出了从单智能体辅助系统到多智能体系统的分类方式，并讨论了检索增强生成、工具编排、记忆结构、基准与安全问题。这一框架与航天情报分析、遥感解译、灾害响应、地理空间任务自动化高度相关。

https://arxiv.org/html/2601.01891v1

5. 人工智能卫星平台安全问题开始被显式提出

涉及主体： AegisSat 研究团队

内容摘要： 《AegisSat：保护支持人工智能的片上系统与现场可编程门阵列卫星平台》这类研究说明，随着人工智能工作负载被推向卫星平台，航天界开始正视另一条关键战线：安全。人工智能载荷一旦进入片上系统与现场可编程门阵列、在轨边缘算力和卫星平台控制链条，就不仅是"算得准不准"的问题，还涉及攻击面、平台完整性、任务隔离与可信执行环境。该方向虽然仍偏科研，但其重要性会随着在轨智能部署增加而快速上升。

https://www.arxiv.org/pdf/2602.19777

6. 面向闭环自主操作的卫星通信与计算协同成为新热点

涉及主体： 学术研究团队（面向终端直连卫星通信方向）

内容摘要： 《面向 6G 的任务导向型终端直连卫星通信》等研究表明，航天人工智能已不再局限于识别或预测任务，而开始面向"感知—通信—计算—控制"闭环进行系统设计。其核心思想是，卫星通信网络和边缘计算资源应围绕任务目标而非仅围绕吞吐量优化，以支撑复杂环境下的自主运行与协同决策。虽然该方向与传统航天任务有一定距离，但对未来星座智能化、边云协同和在轨任务调度具有较强前瞻性。

https://arxiv.org/html/2602.11195v2

7. 中国方向出现"大模型上天"和在轨智能计算叙事

涉及主体： 中国商业航天相关企业、媒体披露项目

内容摘要： 2026 年第一季度中文信息面出现"千问大模型上天""全球首次实现大模型太空在轨部署"等表述，反映国内产业界正在积极构建"计算卫星""在轨模型运行""天地一体智能计算"叙事。就当前可公开核验的信息看，这些说法仍需持续追踪更强的一手技术来源与任务细节，但其信号意义明确：国内企业和媒体已经把"人工智能上星、算力上天、模型在轨"作为下一阶段商业航天差异化卖点。

http://finance.people.com.cn/n1/2026/0127/c1004-40653776.html

8. "毅力号"火星车出现人工智能规划驾驶与自主定位的连续进展

涉及主体： 美国国家航空航天局喷气推进实验室、"毅力号"火星车、"火星勘测轨道飞行器"

内容摘要： 2026 年初，美国国家航空航天局喷气推进实验室接连披露"毅力号"火星车在火星表面的人工智能能力升级。一方面，团队使用生成式人工智能对高分辨率成像科学设备轨道影像与数字高程数据进行分析，为火星车生成驾驶规划建议；另一方面，"火星全球定位"算法使"毅力号"火星车能够在火星表面通过导航相机图像与轨道图像匹配，自主精确确定自身位置。二者叠加的意义在于，人工智能不再只服务于地面科学解译，而开始进入"规划—导航—执行"闭环中，提升深空探测任务在通信延迟环境下的自主性。

https://www.jpl.nasa.gov/news/nasas-perseverance-rover-completes-first-ai-planned-drive-on-mars/

9. 欧洲航天局相关实验室披露星上训练云检测模型的在轨突破

涉及主体： 欧洲航天局相关实验室、在轨任务平台团队

内容摘要： 欧洲航天局相关实验室披露的研究成果指出，团队已在相关在轨任务中完成飞行过程中的云检测机器学习模型训练，被描述为星上人工智能模型训练的重要突破。与常见的"地面训练、星上推理"模式相比，星上训练意味着卫星平台在未来可根据轨道环境、观测条件或数据分布变化做更强适配，从而提升在轨智能处理的灵活性与任务收益。

https://philab.esa.int/world-breakthrough-in-onboard-ai-model-training-presented-by-%CF%86-lab-at-igarss/

10. 月面多机器人自主协同仍在持续推进

涉及主体： 美国国家航空航天局喷气推进实验室、月面协同自主探测任务团队

内容摘要：喷气推进实验室公开论文《月球上的规划、调度与执行：CADRE 技术演示任务》继续展示月面协同自主探测任务的核心方法。该任务旨在验证多机器人在月表环境中的规划、调度与执行能力，强调的是多智能体任务自治，而非单一设备智能。这类任务代表航天人工智能的另一条主线：从"单星/单车智能"过渡到"多体协同智能"。

https://ai.jpl.nasa.gov/public/documents/papers/rabideau-aamas2025-cadre.pdf

11. 在轨遥感基础模型部署成为独立研究方向

涉及主体： 学术界、星载计算平台研究团队

内容摘要： 《遥感基础模型的在轨部署》等研究说明，遥感基础模型正在从"地面超算资产"逐步走向"星上可部署对象"。该方向重点讨论的不是单个模型效果，而是如何在受限星载算力、功耗、存储与辐射环境下，通过模型压缩、硬件加速和系统优化，让基础模型具备近实时在轨处理能力。它与前述美国国家航空航天局/欧洲航天局基础模型路线相呼应，构成了"模型越来越大"与"平台越来越受限"之间的关键工程桥梁。

https://www.mdpi.com/2072-4292/18/2/298

12. 中国出现"太空算力、计算卫星与大模型在轨部署"成体系推进信号

涉及主体： 国星宇航、浙江实验室、相关产业链机构

内容摘要： 中国侧在 2026 年第一季度最突出的人工智能航天信号，是"计算卫星""太空算力""大模型在轨部署"开始从概念营销转向更成体系的产业叙事。包括新华网、中国科技网、中国航天新闻等信息源均提到，相关团队已经实现通用大模型从地面注入在轨卫星运行，并围绕"星算"或"太空计算中心"描述未来推理卫星、训练卫星和面向硅基智能体服务的轨道算力网络。这些信息虽然仍需持续核验更完整技术细节，但其信号强度已明显高于单篇媒体炒作。

http://www.news.cn/tech/20260127/1a31dcbd3cd44905854688a34d8f9497/c.html

13. 中国航天科技集团发布行业大模型"天玄"产品线

涉及主体： 中国航天科技集团、体系院

内容摘要： 中国航天科技集团在 2026 年 2 月正式发布"天玄"航天行业大模型系列产品 v1.0，包括面向航天知识与多学科融合的科学大模型、面向复杂任务规划与工具调用的运筹推理大模型、面向遥感应用的图文多模态大模型，以及配套的行业大数据集。这是极具代表性的"航天人工智能软件产品化"信号，表明中国大型航天央企正在将人工智能从研究项目推向产品序列和组织级部署。

http://www.chinaspacenews.com.cn/n8/c5034/content.html

14. "港中大一号"将人工智能大模型卫星用于城市可持续发展与智能遥感

涉及主体： 香港中文大学、相关卫星研制合作单位

内容摘要： 2026 年 2 月发射的"港中大一号"是中国方向在第一季度最值得补入正文的新条目之一。按校方与新华社等公开信息，这颗卫星面向城市可持续发展场景，搭载高分辨率多光谱遥感相机，并在国际上首次实现大语言模型的星载部署与轻量化重构，使卫星能够在轨完成多光谱数据目标识别与特征提取，推动对地观测从"获取数据后回传地面处理"转向"星上直接提取信息"。与前文"太空算力""大模型上星"相比，它的不同在于任务目标更清晰：面向城市环境监测、智慧交通、灾害应急和区域可持续发展提供近实时智能遥感服务。

https://www.cpr.cuhk.edu.hk/sc/press/全球首颗面向城市可持续发展的 AI 大模型卫星/

15. 中国航天科技集团五院将大模型与智能体引入航天地理信息和遥测监视工作流

涉及主体： 中国航天科技集团五院及相关单位

内容摘要： 五院公开信息显示，其多个单位正在加速探索人工智能技术与航天业务流程融合。其中较有代表性的方向包括：本地大模型在遥测数据监视、知识问答与辅助判读中的应用，以及 MerakGIS 平台的智能化升级。公开表述提到，该平台把大模型技术、智能体架构与航天地理信息应用结合起来，试图把高可靠"航天芯"与认知化"人工智能脑"打通。这类动态虽然不像"发射一颗人工智能卫星"那样醒目，但它对航天行业的长期影响可能更深，因为它意味着人工智能开始进入日常设计、运行、监视、分析与决策工具链。

https://www.cast.cn/news/8472

16. 中国方向出现卫星直连具身智能终端试验信号

涉及主体： 中国卫星互联网与机器人相关企业

内容摘要： 中文报道提到具身智能机器人通过低轨卫星链路完成无地面网络环境下的自主作业试验。这类事件即使暂时仍主要停留在行业传播层，也值得关注，因为它将"卫星通信能力"与"具身终端自主决策"直接打通，意味着空间基础设施开始被视作人工智能终端体系的一部分，而不仅是通信通道。

https://finance.sina.com.cn/tech/roll/2026-01-26/doc-inhirysp8058783.shtml

17. 小推力变轨与轨迹设计开始更明确吸收强化学习与多目标优化方法

涉及主体： 学术界、任务设计研究团队

内容摘要： 与遥感基础模型相比，小推力变轨与轨迹设计并不是舆论热度最高的方向，但其工程价值非常高。2026 年第一季度检索中，既出现了面向立方星月球任务的低推力轨迹优化新论文，也能看到强化学习在低推力轨道转移和平动点轨道转移设计中的延续性研究。这说明人工智能已经不只是服务于航天数据处理，而是在逐步渗入任务方案生成、轨迹搜索和复杂约束优化等更靠近任务设计前端的位置。

https://arxiv.org/abs/2602.16831

18. 月球探测正在从单体机器人能力验证转向多智能体自治架构验证

涉及主体： 美国国家航空航天局喷气推进实验室、月面协同任务研究团队

内容摘要： 月球探测中最值得注意的变化之一，不是"又有机器人准备上月球"，而是任务设计越来越强调多智能体自治架构。以月面协同自主探测任务为代表的研究和任务准备工作，正在把计划、调度、执行、安全约束与多车协同带到月面环境中验证。这意味着月球探测的关注点正在从单个机器人是否足够智能，转向多个自主体能否组成协作系统，共同完成环境感知、路径选择、资源协调和任务执行。

https://www.jpl.nasa.gov/missions/cadre/

19. 深空探测中的人工智能重点正在从辅助识别转向延迟环境下的运营自治

涉及主体： 美国国家航空航天局、深空测控与导航研究团队、深空任务运营团队

内容摘要： 在深空探测中，人工智能的价值正在从单纯辅助目标识别或地面分析，转向更高层次的任务运营自治。深空测控、自主导航、自主科学操作与航天器控制推理的结合，构成了人工智能深入深空探测链条的主线。在长时延、高不确定性、通信窗口受限的环境下，探测器需要越来越多地在本地完成判断、规划和动作选择，这使人工智能从"提高分析效率的工具"逐步变成"维持任务节奏和响应能力的核心机制"。

https://ntrs.nasa.gov/citations/20220008360

20. 开源工具与代码生态开始成为人工智能航天发展的重要观察面

涉及主体： 开源地理空间社区、遥感基础模型社区、代理式时空数据工作流社区

内容摘要： 遥感基础模型、地理空间人工智能工具包和代理式地理空间工作流仓库，正在形成一个比单篇论文更具持续性的生态层。它们的重要性在于：当一个方向从论文走向图谱、仓库、主题索引、工具包和持续维护的代码生态时，说明它已经开始具备工程复用和快速传播能力。对于航天情报工作而言，这意味着未来判断一个方向是否真正成熟，不能只看论文是否发表，而要看是否形成了开发者可复用、研究者可接力、分析团队可快速试错的生态基础。

https://github.com/opengeos/geoai

21. 中国方向更偏向体系化推进，而不是单点模型发布

涉及主体： 中国商业航天企业、航天中央企业、高校与研究机构

内容摘要： 从大模型在轨部署、太空算力网络叙事，到中央企业推出行业大模型产品线，再到高校将大模型直接嵌入卫星任务场景，可以看出中国方向的一个鲜明特点：更强调"模型、载荷、星座、业务场景"整体协同推进，而不是只发布一个单点模型或单篇论文成果。这种路径更像是在试图构建完整系统能力，即让人工智能同时进入卫星平台、任务软件、地面工作流和行业应用，而不是停留在概念验证层面。

http://www.news.cn/tech/20260127/1a31dcbd3cd44905854688a34d8f9497/c.html

22. 产品化与平台化信号正在显著增强

涉及主体： 中国航天科技集团、国际地理空间智能平台厂商、空间计算平台提供方

内容摘要： 无论是中国航天科技集团推出行业大模型产品线，还是国际侧围绕地理空间推理与空间计算平台展开的产品动作，都说明人工智能航天正在从研究成果逐渐转向产品栈与平台栈。也就是说，行业关注点正在从"某个模型厉不厉害"，转向"是否形成了可部署、可接入、可维护、可服务多个场景的平台能力"。这种转变是一个成熟信号，意味着人工智能开始被视作航天系统中的长期能力模块，而不是短期研究热点。

http://www.chinaspacenews.com.cn/n8/c5034/content.html

23. 遥感基础模型正在从模型竞赛转向标准化、评测体系和业务落地能力竞争

涉及主体： 美国国家航空航天局、欧洲航天局、遥感基础模型研究与应用团队

内容摘要： 结合美国国家航空航天局面向科学任务的基础模型路线，以及美国国家航空航天局与欧洲航天局围绕地球观测基础模型持续推进的国际协同，可以判断遥感人工智能的发展重点正在发生变化。竞争焦点已经不再只是"谁先训练出一个基础模型"，而是转向谁能建立更可靠的评测体系、谁能解决跨传感器与多模态泛化问题、谁能把模型稳健接入真实业务流程。随着模型体量增加和任务场景变复杂，标准化和运营化能力会越来越决定基础模型的实际影响力。

https://ntrs.nasa.gov/citations/20250000225

24. 在轨智能计算与平台安全正在形成并行发展的双主线

涉及主体： 星载计算平台研究团队、卫星安全架构研究团队、空间计算产业参与方

内容摘要： 随着模型上星、星上训练、空间计算平台和在轨推理能力不断被推进，另一条与之并行的重要主线也在成形，即平台安全。人工智能负载一旦进入星载系统，其问题就不再只是模型效果如何，而是涉及可信执行、任务隔离、软硬件攻击面、资源争用、载荷与平台之间的安全边界等系统性挑战。因此，未来在轨智能计算的成熟度，不应只通过算力或推理速度衡量，更要通过其是否建立了完整的安全与治理架构来判断。

https://www.arxiv.org/pdf/2602.19777

25. 遥感基础模型的开源索引与图谱开始形成

涉及主体： GitHub 开源社区、遥感研究者

内容摘要： 遥感基础模型相关开源索引及主题标签这类项目和索引，并不是单一"季度事件"，但它们对情报判断很重要。原因在于，遥感基础模型生态已经从零散论文集，逐渐变成包含模型、代码、数据集、基准、预训练权重和任务入口的可持续知识图谱。对航天情报分析而言，这意味着未来判断一个方向是否真正成熟，不能只看论文数量，还要看是否形成稳定的代码生态与复用基础。

https://github.com/Jack-bo1220/Awesome-Remote-Sensing-Foundation-Models

26. 代理式时空数据工作流开始形成专题化知识入口

涉及主体： Awesome Agentic AI for Spatio-Temporal Data 项目维护者与相关研究社区

内容摘要： Awesome Agentic AI for Spatio-Temporal Data 汇总了面向地理空间分析、时空数据处理和多智能体工作流的论文与工具。这类项目的重要性在于，它表明"代理式地理空间分析"已经开始从分散实验走向可被系统追踪和持续积累的研究方向。对航天情报而言，它提供了一个观察窗口：未来遥感处理、目标识别、变化检测、任务规划甚至情报分析本身，都可能转向更具自主性的代理式流水线。

https://github.com/mohammadhashemii/awesome-agentic-AI-for-ST