کاربردهای هوش مصنوعی در صنعت هوافضا

زمان مطالعه: 11 دقیقه

بااین‌حال، میزان بلوغ این کاربردها یکسان نیست. در برخی حوزه‌ها هوش مصنوعی به ابزار عملیاتی تبدیل شده و در برخی دیگر هنوز در مرحله آزمایش، اعتبارسنجی یا توسعه چارچوب‌های ایمنی قرار دارد. همین تفاوت، یکی از مهم‌ترین نکات در بررسی کاربردهای هوش مصنوعی در هوافضاست.

هوش مصنوعی در صنعت هوافضا دقیقا چه کاری انجام می‌دهد؟

هوافضا مجموعه‌ای از حوزه‌های به‌هم‌پیوسته است. از یک سو، هوانوردی تجاری، هواپیما، فرودگاه و مدیریت ترافیک هوایی قرار دارند و ازسوی‌دیگر، ماهواره‌ها، فضاپیماها، ربات‌های سیاره‌ای و مأموریت‌های اعماق فضا. برای مثال، ناسا در سال ۲۰۲۶ توانایی استفاده از هوش مصنوعی برای برنامه‌ریزی مسیر مریخ‌نورد Perseverance را در عملیات واقعی آزمایش کرد. اما درعین‌حال نیز استفاده از هوش مصنوعی یادگیرنده در سامانه‌های ایمنی و حیاتی هوانوردی همچنان با چالش‌های جدی راستی‌آزمایی، اعتبارسنجی و گواهی تایید روبه‌رو است. بنابراین، هوش مصنوعی در هوافضا را نباید صرفا با «هواپیماهای خودران» یا «ربات‌های فضایی» یکی دانست. بخش بزرگی از کاربرد واقعی هوش مصنوعی در پشت‌صحنه اتفاق می‌افتد؛ یعنی تحلیل داده‌های حسگرها، تشخیص ناهنجاری، پیش‌بینی خرابی، پردازش تصاویر ماهواره‌ای، طراحی سازه، بهینه‌سازی عملیات و کمک به تصمیم‌گیری انسان.

هوش مصنوعی در این اکوسیستم عمدتا چهار نوع مسئله را هدف قرار می‌دهد:

• ادراک: استخراج اطلاعات از تصویر، صدا، ویدئو و داده‌های حسگر.
• پیش‌بینی: تشخیص احتمال خرابی، تاخیر، ناهنجاری یا تغییر شرایط.
• بهینه‌سازی: پیداکردن مسیر، طراحی یا برنامه عملیاتی مناسب‌تر.
• خودمختاری: تصمیم‌گیری و اجرای بخشی از عملیات بدون دریافت فرمان مداوم از انسان.

این چهار قابلیت می‌توانند با هم ترکیب شوند. برای نمونه، یک وسیله پرنده خودمختار باید ابتدا محیط را از طریق حسگرها درک کند، سپس شرایط را پیش‌بینی یا ارزیابی کند، مسیر مناسب را بهینه کند و در نهایت تصمیم عملیاتی بگیرد.

پرواز F-16 با هوش مصنوعی

تفاوت اصلی صنایع هوافضا با بسیاری از صنایع دیگر در این است که خطای چنین تصمیمی می‌تواند پیامد ایمنی بسیار جدی داشته باشد. به همین دلیل، در هوانوردی استفاده از هوش مصنوعی فقط مسئله «دقت مدل» نیست؛ بلکه باید مشخص شود مدل چگونه آزمایش می‌شود، در چه شرایطی قابل‌اعتماد است و در صورت خطا چه سازوکار پشتیبانی یا بازگشت به حالت ایمن وجود دارد.

کاربرد هوش مصنوعی در طراحی و تولید هواپیما و فضاپیما

یکی از نخستین نقاط ورود هوش مصنوعی به چرخه عمر صنعت هوافضا، مرحله طراحی است. طراحی یک هواپیما یا فضاپیما با تعداد زیادی متغیر و محدودیت هم‌زمان سروکار دارد؛ وزن، استحکام، آیرودینامیک، مصرف انرژی، هزینه تولید، مواد و الزامات ایمنی باید در کنار یکدیگر بررسی شوند.

طراحی مولد و بهینه‌سازی

در طراحی مولد، الگوریتم می‌تواند در فضای بزرگی از گزینه‌های ممکن جست‌وجو کند و طرح‌هایی را که با مجموعه‌ای از محدودیت‌های مهندسی سازگار هستند پیشنهاد دهد. البته این فناوری به معنای آن نیست که هوش مصنوعی به‌تنهایی هواپیما را طراحی می‌کند. مهندسان در یک فرایند مهندسی واقعی، اهداف، محدودیت‌ها و معیارهای قابل‌قبول را تعریف می‌کنند و الگوریتم به جست‌وجوی گزینه‌ها کمک می‌کند.

کاربرد هوش مصنوعی در این مرحله می‌تواند شامل موارد زیر باشد:

• بهینه‌سازی شکل و هندسه
• بررسی عملکرد آیرودینامیکی
• انتخاب یا ارزیابی مواد
• کاهش وزن سازه
• شناسایی نقاط ضعف طراحی
• کاهش تعداد چرخه‌های شبیه‌سازی
• مقایسه سناریوهای متعدد طراحی

مطالعات جدید در حوزه مهندسی هوافضا نیز کاربرد هوش مصنوعی در کل چرخه عمر، از طراحی وسیله پرنده تا عملیات و مدیریت ترافیک هوایی را بررسی می‌کنند.

اینستاگرام F-35 نیست؛ اما هوش مصنوعی شاید F-22 آینده باشد

شبیه‌سازی و تست

پیش از آنکه یک طراحی وارد مرحله ساخت یا پرواز شود، باید در سناریوهای مختلف آزمایش شود. هوش مصنوعی می‌تواند در ایجاد مدل‌های جانشین، تحلیل نتایج شبیه‌سازی و شناسایی شرایط غیرعادی به کار رود. در اینجا یک مزیت مهم هوش مصنوعی، توانایی بررسی حجم زیادی از داده‌های آزمایش است. به‌جای آنکه مهندس فقط به چند شاخص از یک آزمایش نگاه کند، مدل‌های یادگیری ماشین می‌توانند روابط و الگوهای پیچیده‌تری را در داده‌ها جست‌وجو کنند. بااین‌حال، خروجی مدل یادگیری ماشین جایگزین آزمایش‌های مهندسی و الزامات تاییدی نیست.

بازرسی و کنترل کیفیت

بینایی ماشین نیز می‌تواند برای شناسایی نقص‌های ظاهری، ترک‌ها، خطاهای مونتاژ یا انحراف از مشخصات مورداستفاده قرار گیرد. در محیط‌های تولیدی، ترکیب دوربین، سنسور و مدل بینایی ماشین می‌تواند بازرسی برخی قطعات را سریع‌تر و استانداردتر کند. ارزش این کاربرد در هوافضا فقط کاهش زمان نیست؛ بلکه ایجاد قابلیت ثبت و تحلیل داده‌های بازرسی در طول زمان است.

هوش مصنوعی در عملیات پرواز چه کاربردی دارد؟

پس از طراحی و ساخت، یکی از مهم‌ترین حوزه‌های استفاده از هوش مصنوعی، عملیات پرواز است. در این مرحله داده از منابع متعددی مانند هواپیما، موتور، سامانه‌های ناوبری، آب‌وهوا و مدیریت ترافیک هوایی تولید می‌شود.

نگهداری پیش‌بینانه هواپیما

نگهداری پیش‌بینانه یکی از ملموس‌ترین کاربردهای هوش مصنوعی در هوانوردی است. در روش‌های سنتی، بخش زیادی از نگهداری بر اساس برنامه زمانی، چرخه پرواز یا قواعد مشخص انجام می‌شود. در نگهداری مبتنی بر داده، اطلاعات حسگرها و سابقه عملکرد تجهیزات برای تشخیص الگوهای غیرعادی استفاده می‌شود.

هوش مصنوعی؛ فناوری سرنوشت‌سازی که جایگزین بمب اتم در قرن ۲۱ شد: جنگ اوکراین (جنگ پهپادها)

مدل یادگیری ماشین می‌تواند مثلا رابطه میان دما، ارتعاش، فشار، ساعات کارکرد و رفتار یک تجهیز را بررسی کند و در صورت مشاهده الگویی غیرعادی، آن را برای بررسی بیشتر علامت‌گذاری کند.

مزایای بالقوه این رویکرد عبارت‌اند از:

• شناسایی زودتر خرابی
• کاهش تعمیرات اضطراری
• بهبود برنامه‌ریزی تعمیرات
• افزایش قابلیت دسترس‌پذیری هواپیما
• کاهش توقف‌های غیرمنتظره

البته «پیش‌بینی خرابی» با «اثبات قطعی خرابی» تفاوت دارد. خروجی مدل باید در فرایند نگهداری و تصمیم مهندسی تفسیر و اعتبارسنجی شود. در بخش فضایی نیز آژانش فضایی اروپا (ESA) از هوش مصنوعی برای تشخیص و پیش‌بینی مشکلات سامانه‌های فضایی استفاده کرده است؛ برای نمونه، پروژه ORBIT-STAR داده‌های تله‌متری را برای تشخیص و پیش‌بینی مشکلات در یک زیرسامانه ایستگاه فضایی بررسی می‌کند.

کمک خلبان

یکی دیگر از مسیرهای استفاده از هوش مصنوعی، تبدیل داده‌های پیچیده پرواز به اطلاعات قابل‌استفاده برای خلبان است. این سیستم‌ها می‌توانند:

• شرایط غیرعادی را شناسایی کنند
• داده‌های پروازی را تحلیل کنند
• هشدارهای مرتبط ارائه دهند
• اسناد و رویه‌های عملیاتی را در اختیار خلبان قرار دهند
• برای برخی شرایط، گزینه‌های تصمیم‌گیری پیشنهاد کنند

NASA نیز نمونه‌هایی از هوش مصنوعی کمک خلبان را توسعه داده است که با استفاده از اطلاعاتی مانند گزارش‌های حوادث، اسناد پروازی و وضعیت هواپیما، می‌تواند در شرایط غیرعادی برای خلبان توصیه ارائه کند. البته این کاربرد با «خلبان خودکار» یا همان اصطلاحا اتوپایلت یکسان نیست. یک سیستم تصمیم‌یار ممکن است فقط اطلاعات و پیشنهاد ارائه دهد، درحالی‌که سیستم خودمختار بخشی از تصمیم و اجرای عملیات را نیز بر عهده می‌گیرد.

مدیریت ترافیک هوایی و بهینه‌سازی عملیات

فضای عملیاتی صنعت هوافضا، یک سیستم پیچیده و پویاست. تعداد هواپیماها، وضعیت آب‌وهوا، محدودیت‌های مسیر، ظرفیت فرودگاه، وضعیت باند و تغییرات برنامه پرواز همگی می‌توانند روی عملیات تأثیر بگذارند. هوش مصنوعی می‌تواند در تحلیل این داده‌ها برای پیش‌بینی ازدحام، تشخیص ناهنجاری، پیشنهاد مسیرهای جایگزین، پیش‌بینی تأخیر، بهینه‌سازی تخصیص منابع، و کمک به مدیریت جریان ترافیک استفاده شود.

ناسا نیز در پروژه Collaborative Digital Departure Rerouting از یادگیری ماشین برای پیش‌بینی دسترسی باند و بهینه‌سازی مسیرهای خروجی استفاده کرده است. این نمونه نشان می‌دهد که یکی از کاربردهای عملی هوش مصنوعی در هوانوردی لزوما «هواپیما خودران» نیست؛ بلکه می‌تواند بهینه‌سازی تصمیم‌های عملیاتی در سطح سیستم باشد.

آیا هوش مصنوعی می‌تواند هواپیما را خودران کند؟

خودمختاری یکی از جذاب‌ترین و درعین‌حال پیچیده‌ترین کاربردهای هوش مصنوعی در هوافضاست. یک وسیله پرنده خودمختار باید بتواند اطلاعات محیط را دریافت کند، موقعیت خود را تخمین بزند، مسیر را برنامه‌ریزی کند، موانع را تشخیص دهد و در شرایط متغیر تصمیم بگیرد.

اما خودمختاری یک طیف است، نه یک وضعیت صفر و یک. در یک سر طیف، سیستم فقط به انسان اطلاعات می‌دهد. در مراحل بعدی، هوش مصنوعی پیشنهاد ارائه می‌کند و انسان تصمیم نهایی را می‌گیرد. سپس ممکن است سیستم برخی تصمیم‌های عملیاتی را به‌صورت خودکار انجام دهد و در نهایت، در محیط‌های مشخص و تحت محدودیت‌های تعریف‌شده، بخش بزرگی از عملیات را مستقل انجام دهد.

هوش مصنوعی و پهپادهای خودمختار

پهپادها یکی از محیط‌های مهم برای توسعه خودمختاری هستند؛ زیرا بسیاری از ماموریت‌های آن‌ها را می‌توان با انسان در حلقه تصمیم‌گیری یا با سطوح مختلف خودمختاری اجرا کرد.

بازخوانی پرونده جنگ‌های الگوریتمی؛ وقتی «داده» به مهمات جنگی تبدیل می‌شود

ناوبری و تشخیص موانع

دوربین، LiDAR، GPS، IMU و سایر حسگرها می‌توانند داده‌هایی درباره موقعیت و محیط اطراف پهپاد تولید کنند. الگوریتم‌های هوش مصنوعی این داده‌ها را برای تشخیص موانع، تخمین وضعیت و برنامه‌ریزی مسیر تحلیل می‌کنند. در این کاربرد، بینایی کامپیوتر اهمیت ویژه‌ای دارد. پهپاد باید بتواند در زمان پرواز اشیا، مسیرهای قابل‌عبور و تغییرات محیط را شناسایی کند.

برنامه‌ریزی ماموریت

هوش مصنوعی می‌تواند برنامه مأموریت را بر اساس هدف، محدودیت انرژی، شرایط محیطی و داده‌های لحظه‌ای اصلاح کند. برای مثال، یک پهپاد با مأموریت بازرسی زیرساخت می‌تواند منطقه‌ای را بررسی کند، نقطه‌ای غیرعادی را تشخیص دهد و برای تصویربرداری دقیق‌تر از آن نقطه برنامه‌ریزی کند. اما در کاربردهای ایمنی حیاتی، تصمیم‌گیری خودکار باید با محدودیت‌های سخت‌گیرانه و سازوکارهای بازگشت به وضعیت ایمن همراه باشد. این مسئله از اهمیت کلیدی برخوردار است؛ زیرا یکی از مفاهیم کلیدی آینده هوافضا، حذف کامل انسان نیست؛ بلکه تقسیم وظایف میان انسان و ماشین است.

کاربرد هوش مصنوعی در ماهواره‌ها چیست؟

ماهواره‌ها حجم بزرگی از داده را تولید می‌کنند و بخشی از ارزش هوش مصنوعی در این حوزه از توانایی پردازش همین داده‌ها ناشی می‌شود.

پردازش تصاویر ماهواره‌ای

مدل‌های بینایی ماشین می‌توانند تصاویر ماهواره‌ای را برای شناسایی الگوها و تغییرات تحلیل کنند. برخی از این کاربردها شامل:

• پایش تغییرات کاربری زمین
• شناسایی خسارت پس از بلایای طبیعی
• پایش کشاورزی
• تحلیل تغییرات شهری
• شناسایی پدیده‌های محیط‌زیستی
• طبقه‌بندی تصاویر

ESA در سال ۲۰۲۵ یک رقابت بین‌المللی برای استفاده از هوش مصنوعی در تشخیص خسارت ناشی از زلزله از تصاویر ماهواره‌ای برگزار کرد که مشارکت ۱۴۳ نفر از ۴۰ کشور را به همراه داشت. این نمونه نشان می‌دهد هوش مصنوعی در رصد و پایش سطحی زمین، از یک مفهوم نظری فاصله گرفته و به سمت کاربردهای عملیاتی حرکت کرده است.

پردازش داده روی ماهواره

یکی از مسائل مهم این است که لازم نیست همه داده خام ماهواره برای تحلیل به زمین منتقل شود؛ زیرا هزینه ارسال هر بیت داده از ماهواره‌های در حال چرخش در مدار به زمین، ارقام سرسام‌آوری است که روزبه‌روز هم نیز بیشتر می‌شود. اگر هوش مصنوعی بتواند روی داده‌های دریافت‌شده، اطلاعات مهم را پیش از ارسال شناسایی کند، ماهواره می‌تواند به‌جای انتقال همه داده‌ها، بخش‌های ارزشمندتر را انتخاب و صرفا فقط همان قسمت را به زمین مخابره کند. این موضوع در ماموریت‌هایی که پهنای باند ارتباطی محدود است اهمیت بیشتری دارد.

پایش سلامت ماهواره

ماهواره نیز مانند هواپیما مجموعه‌ای از سامانه‌ها و حسگرها دارد. هوش مصنوعی می‌تواند برای تشخیص ناهنجاری در داده‌های تله‌متری و پیش‌بینی مشکلات احتمالی استفاده شود. در ماموریت‌های طولانی‌مدت، این قابلیت اهمیت ویژه‌ای دارد؛ زیرا هرچه فاصله از زمین بیشتر شود، زمان و محدودیت ارتباط با اپراتورهای زمینی نیز اهمیت بیشتری پیدا می‌کند.

خودمختاری فضاپیما؛ جایی که هوش مصنوعی اهمیت بیشتری پیدا می‌کند

در ماموریت‌های نزدیک به زمین، امکان ارسال فرمان از زمین معمولا وجود دارد. اما هرچه فاصله بیشتر شود، ارتباط بلادرنگ دشوارتر می‌شود. برای ماموریت‌های ماه، مریخ و اعماق فضا، سیستم باید بتواند بخشی از تصمیم‌ها را بدون انتظار برای دریافت فرمان جدید اتخاذ کند. ازاین‌رو، ناسا در پروژه Distributed Spacecraft Autonomy روی همین ایده کار می‌کند که ماهواره‌ها و فضاپیماها بتوانند بخشی از تصمیم‌ها و هماهنگی‌های خود را با وابستگی کمتر به زمین انجام دهند. این تغییر، نقش هوش مصنوعی را از «تحلیل‌گر داده» به «عامل تصمیم‌گیر محدودشده» نزدیک می‌کند.

استقامت (Perseverance)؛ نمونه‌ای از هوش مصنوعی در عملیات واقعی مریخ

یکی از مهم‌ترین نمونه‌های جدید این امر؛ یعنی استفاده از هوش مصنوعی در مامویت‌های فضایی، مأموریت مریخ‌نورد «استقامت» (Perseverance) است. در دسامبر ۲۰۲۵، ناسا دو مسیر رفت‌وآمد مریخ‌نورد استقامت را با استفاده از هوش مصنوعی برای تولید نقاط مسیر آزمایش کرد. در این آزمایش، مدل‌های بینایی زبانی داده‌های تصویری و اطلاعات مورداستفاده مهندسان انسانی را تحلیل کردند و مسیر پیشنهادی تولید کردند. ناسا در ژانویه ۲۰۲۶ اعلام کرد که این نخستین نمونه از رانندگی روی دنیایی دیگر بود که مسیر آن‌ها با روش مبتنی بر هوش مصنوعی برنامه‌ریزی شده است.

این نمونه اهمیت زیادی دارد، زیرا نشان می‌دهد کاربرد هوش مصنوعی در فضا فقط به تحلیل داده پس از جمع‌آوری محدود نیست. الگوریتم می‌تواند در زنجیره تصمیم‌گیری عملیاتی نیز وارد شود. در فوریه ۲۰۲۶ نیز Perseverance توانست با فناوری Mars Global Localization موقعیت خود را روی مریخ بدون دریافت موقعیت دقیق از اپراتورهای زمینی تعیین کند. این الگوریتم تصاویر دوربین‌های ناوبری را با نقشه‌های توپوگرافی مداری مقایسه می‌کند و در حدود دو دقیقه موقعیت مریخ‌نورد را با دقتی در حدود ۲۵ سانتی‌متر مشخص می‌کند. ناسا برای انجام این ماموریت از مدل هوش مصنوعی Claude، محصول شرکت هوش مصنوعی آنتروپیک استفاده کرده است.

فرمان مریخ‌نورد Perseverance در دست  Claude

این دو نمونه در کنار یکدیگر تصویری روشن از مسیر آینده ارائه می‌کنند: ادراک محیط، مکان‌یابی، برنامه‌ریزی و اجرای عملیات با استقلال بیشتر از زمین.

هوش مصنوعی در رباتیک فضایی

ربات‌های فضایی به دلیل محیط نامناسب برای انسان، یکی از طبیعی‌ترین حوزه‌های کاربرد هوش مصنوعی هستند. این ربات‌ها می‌توانند محیط را مشاهده کنند، اشیا را شناسایی کنند، مسیر حرکت را برنامه‌ریزی کنند، نمونه‌برداری انجام دهند، داده علمی جمع‌آوری کنند و وظایف تکراری را انجام دهند.

در مأموریت‌های آینده، ترکیب چند ربات نیز اهمیت بیشتری پیدا می‌کند. در سپتامبر ۲۰۲۶، ناسا از آزمایش میدانی ASTRA خبر داد؛ در این آزمایش چند ربات و سامانه هوایی برای بررسی قابلیت تغییر خودکار مأموریت بر اساس اطلاعات جدید آزمایش شدند. هدف نهایی، ایجاد نوعی «تیم علمی خودمختار» برای محیط‌هایی است که ارتباط مستقیم و دائمی با انسان ممکن نیست.

هوش مصنوعی چگونه به کشف علمی در فضا کمک می‌کند؟

هوش مصنوعی فقط برای کنترل وسیله نقلیه فضایی استفاده نمی‌شود. بخش مهم دیگر، تحلیل داده علمی است. تلسکوپ‌ها، ماهواره‌ها، مریخ‌نوردها و سایر ابزارهای علمی داده‌ای تولید می‌کنند که بررسی کامل آن‌ها برای انسان زمان‌بر است. مدل‌های یادگیری ماشین می‌توانند:

• داده‌ها را طبقه‌بندی کنند
• الگوهای غیرمعمول را پیدا کنند
• داده‌های تصویری را تحلیل کنند
• نمونه‌های جالب را برای بررسی انسانی علامت‌گذاری کنند
• بین حجم زیادی از داده‌ها اولویت‌بندی انجام دهند

در اینجا هوش مصنوعی الزاما جای دانشمند را نمی‌گیرد؛ بیشتر شبیه یک فیلتر و دستیار مقیاس‌پذیر عمل می‌کند که کمک می‌کند پژوهشگر زمان خود را روی داده‌های مهم‌تر متمرکز کند.

نخستین تلسکوپ مبتنی بر هوش مصنوعی به رصد آسمان پرداخت

امنیت سایبری و هوش مصنوعی در هوافضا

هرچه سامانه‌های صنعت هوافضا دیجیتال‌تر و خودمختارتر شوند، سطح حمله نیز تغییر می‌کند. هوش مصنوعی می‌تواند برای شناسایی الگوهای غیرعادی در شبکه، سامانه‌های کنترل یا تله‌متری استفاده شود؛ اما خود هوش مصنوعی نیز می‌تواند منشا ریسک جدید باشد. از جمله مسائل مهم:

• دستکاری داده آموزشی
• حملات خصمانه
• تغییر یا مسموم‌سازی داده
• حمله به مدل
• تولید خروجی نادرست
• وابستگی بیش از حد اپراتور به توصیه هوش مصنوعی

بنابراین امنیت هوش مصنوعی در هوافضا باید هم «امنیت سامانه‌ای» و هم «امنیت خود مدل و داده» را پوشش دهد.

چرا گواهی تایید مهم‌ترین مانع گسترش هوش مصنوعی در صنعت هوافضا است؟

در یک اپلیکیشن عادی، اگر مدل اشتباه کند ممکن است نتیجه یک توصیه نامناسب یا پاسخ نادرست باشد. در یک سامانه هوانوردی، یک تصمیم نادرست می‌تواند پیامد ایمنی داشته باشد. مشکل زمانی پیچیده‌تر می‌شود که مدل یادگیرنده باشد و رفتار آن به داده و شرایط ورودی وابسته باشد. بنابراین مسیر حرکت صنعت، صرفا «هوشمندتر کردن مدل‌ها» نیست؛ بلکه ایجاد روش‌هایی برای اعتمادپذیر، قابل‌آزمون و قابل‌تاییدکردن این مدل‌ها است.

آینده هوش مصنوعی در هوافضا چگونه شکل می‌گیرد؟

بر اساس مسیر فعلی پژوهش و توسعه، چند روند اهمیت بیشتری پیدا کرده‌اند.

• حرکت از هوش مصنوعی تحلیلی به هوش مصنوعی خودمختار
  در نسل اول کاربردها، هوش مصنوعی بیشتر داده را تحلیل می‌کرد و نتیجه را در اختیار انسان قرار می‌داد. در نسل بعد، هوش مصنوعی می‌تواند بخشی از تصمیم‌گیری و اجرای عملیات را نیز بر عهده بگیرد.
• همکاری انسان و ماشین
  مدل غالب آینده الزاما حذف انسان نیست. در بسیاری از کاربردهای حساس، انسان نقش ناظر، تصمیم‌گیر نهایی یا مسئول مدیریت شرایط غیرعادی را حفظ خواهد کرد.
• هوش مصنوعی لبه‌ای
  پردازش هوش مصنوعی به‌صورت مستقیم روی هواپیما، پهپاد، ماهواره یا ربات اهمیت بیشتری پیدا می‌کند؛ زیرا همیشه امکان ارسال داده به یک مرکز پردازش زمینی وجود ندارد.
• ماهواره‌های خودمختار و Swarm
  به‌جای کنترل تک‌تک ماهواره‌ها، مجموعه‌ای از ماهواره‌ها می‌توانند وظایف را میان خود تقسیم و بخشی از عملیات را هماهنگ کنند. پروژه‌های ناسا در حوزه Distributed Spacecraft Autonomy نمونه‌ای از همین جهت‌گیری هستند.
• هوش مصنوعی قابل‌اعتماد
  هرچه هوش مصنوعی به تصمیم‌های حساس‌تر نزدیک شود، موضوعاتی مانند توضیح‌پذیری، robustness، امنیت سایبری، اعتبارسنجی و تایید اهمیت بیشتری پیدا می‌کنند.

به همین دلیل، آینده هوش مصنوعی در صنعت هوافضا را نمی‌توان صرفا با افزایش دقت مدل تعریف کرد. مدل باید در محیط واقعی، با داده محدود، منابع محاسباتی محدود و الزامات ایمنی سخت‌گیرانه نیز قابل‌اتکا باشد.

ادغام هوش مصنوعی در صنعت هوافضا

کاربردهای هوش مصنوعی در هوافضا از پردازش تصویر و تحلیل داده بسیار فراتر رفته‌اند. هوش مصنوعی اکنون در بخش‌هایی از طراحی، تولید، نگهداری، عملیات پرواز، مدیریت ترافیک، پردازش داده ماهواره‌ای، ناوبری ربات‌های فضایی و برنامه‌ریزی ماموریت مورداستفاده قرار می‌گیرد. درعین‌حال، می‌بایست میان «نمونه تحقیقاتی»، «دموی فناوری»، «سیستم آزمایشی» و «سامانه عملیاتی و دارای تاییدیه» تفاوت قائل شد. همین تمایز برای فهم وضعیت واقعی هوش مصنوعی در هوافضا ضروری است. در نتیجه، مسیر آینده صنعت را احتمالا نه «هواپیما یا فضاپیمای کاملا بدون سرنشین»، بلکه سامانه‌هایی با سطح بالاتری از ادراک، پیش‌بینی، تصمیم‌یار و خودمختاری تحت چارچوب‌های سخت‌گیرانه ایمنی شکل خواهد داد.

پرسش‌های متداول

• هوش مصنوعی در هوافضا چه کاربردهایی دارد؟
  از مهم‌ترین کاربردها می‌توان به طراحی و بهینه‌سازی، نگهداری پیش‌بینانه، تحلیل تصاویر ماهواره‌ای، ناوبری خودمختار، مدیریت ترافیک هوایی، پردازش داده‌های علمی، رباتیک و برنامه‌ریزی مأموریت اشاره کرد.
• آیا هواپیماهای کاملا خودران وجود دارند؟
  فناوری خودمختاری در هواپیماها و پهپادها در حال توسعه و آزمایش است، اما میان خودمختاری در محیط‌های کنترل‌شده و جایگزینی کامل خلبان در هوانوردی تجاری تفاوت زیادی وجود دارد.
• هوش مصنوعی در ماهواره‌ها چه کاری انجام می‌دهد؟
  هوش مصنوعی می‌تواند تصاویر و داده‌های ماهواره‌ای را تحلیل کند، ناهنجاری‌ها را شناسایی کند، سلامت سامانه را پایش کند و در برخی معماری‌ها بخشی از تصمیم‌گیری عملیاتی را روی خود ماهواره انجام دهد.
• آیا ناسا از هوش مصنوعی در مریخ استفاده می‌کند؟
  بله. در سال ۲۰۲۶، ناسا نمونه‌هایی از استفاده عملی از هوش مصنوعی در برنامه‌ریزی مسیر و مکان‌یابی مریخ‌نورد استقامت روی سطح مریخ را گزارش کرده است.
• مهم‌ترین مانع استفاده از هوش مصنوعی در هوانوردی چیست؟
  یکی از مهم‌ترین چالش‌ها، اثبات ایمنی و قابلیت اطمینان سامانه‌های هوش مصنوعی در چارچوب تاییدیه است؛ به‌خصوص زمانی که مدل رفتار پیچیده یا یادگیرنده دارد.
• آیا هوش مصنوعی جایگزین انسان در صنعت هوافضا می‌شود؟
  در بسیاری از کاربردها، روند فعلی بیشتر به سمت همکاری انسان و ماشین، خودکارسازی وظایف مشخص و کاهش بار تصمیم‌گیری انسان حرکت می‌کند. میزان خودمختاری به نوع سامانه، سطح ریسک و الزامات گواهی تایید بستگی دارد.