导读：NASA 这样的顶级工程组织，第一次把生成式 AI 当作一个「合格的工程师」，纳入了任务关键流程。

今天，NASA 和 Anthropic 一起发了个新闻：「毅力号」火星车完成首次人工智能规划火星行驶。

2025 年 12 月 8 日和 10 日，NASA 向火星车发送了行动指令，而这些指令，是由 Claude 大模型生成的。火星车在 Claude 的指导下，完成了一次 400 米的移动。

AI，已经不仅仅在帮人类写邮件、写代码了，Claude 已经开始探索其他星球了。

这次事情最核心的信息，其实不在于 AI 学会了「开火星探测车」，而在于 NASA 的实验室建立并验证了一套完整的工作流，第一次真正安全、可控地把 AI 纳入严肃的工作流程。

这套工作范式，远比模拟一次火星线路重要的多。它回答了一个所有行业都在头疼的问题：如何驯服一个能力强大但行为不可完全预测的「黑箱」，让它在不容有失的关键任务中，成为一个可靠的工具，而不是一个新的风险源？

那么，Claude 是如何通过 NASA 的「面试」，拿到这张来之不易的「上岗证」的？这背后，是一整套关于信任、流程和人机协作的深刻变革。

Claude 的工作不是「驾驶」，而是「写代码」

我们必须厘清 Claude 在这次任务中的确切角色。它不是一个直接驾驶火星车的「司机」，而是一个坐在地球 NASA 办公室里的「路径规划实习生」兼「代码生成器」。

它的工作流程是这样的：

第一步，接收任务简报。

人类工程师会给 Claude 提供一堆上下文信息。这些信息包括：来自火星勘测轨道飞行器上高分辨率相机拍摄的轨道图像，这些图像能让 Claude 看到地面的岩石、沙丘和地形的大致分布；数字高程模型，用来判断坡度和起伏；以及最关键的，工程师们几十年火星车驾驶经验总结下来的规则和约束。比如，什么样的坡度绝对不能上，哪种类型的岩石区域必须绕行，能源消耗的限制，本次任务的科学目标是什么。

这些经验和规则，是人类知识的结晶，是 NASA 的核心资产。Claude 不是在凭空创造，而是在学习和应用这些凝聚了无数失败与成功经验的知识。

第二步，分析与规划。

Claude 的多模态能力开始发挥作用，它会像一个地理信息分析师一样，「阅读」轨道图像和地形数据，识别出哪里是安全的基岩，哪里是危险的巨石区或松软的沙地。然后，它会在这张「地图」上，从起点到终点规划出一条初步的「面包屑」路径，也就是一系列导航路径点。

这张标注的轨道图像展示了毅力号火星车于 2025 年 12 月 10 日在耶泽罗陨石坑行驶时，由 AI 规划（洋红色标注）与实际行驶（橙色标注）的路线。此次行驶是两次演示中的第二次，证明了生成式 AI 可融入火星车路径规划系统。

Anthropic 提到，Claude 会对自己的初步方案进行自我批判和迭代。它会检查自己的路径，然后提出修改建议，比如「这条路虽然短，但太靠近一个危险区域，换一条更稳妥的路线可能更好」。这种自我修正的能力，让它看起来更像一个会思考的工程师，而不仅仅是一个模式匹配的工具。

第三步，生成可执行代码。

Claude 最终输出的不是一张图或者一个建议文档，而是「火星车标记语言」的指令序列。RML 是一种基于 XML 的专用编程语言，是 JPL 用来给火星车下达具体指令的标准格式。一条 RML 指令可能包括「前进到坐标 (X, Y)」、「原地转向 30 度」、「用导航相机拍张照」等等。

所以，Claude 的核心任务是从理解多模态的地理和任务数据，直接生成符合严格语法的、机器可执行的 RML 代码。

从这个角度看，与其说它在「开车」，不如说它在做一项高度专业化的软件开发工作。它扮演的角色，是一个理解了业务需求的程序员，将需求翻译成了机器语言。

生成式 AI 在严肃工程领域的第一个落地范式，不是替代人的决策，而是成为一个高效的、能理解复杂上下文的「代码生成器」和「任务自动化脚本编写者」。

人的经验和智慧被编码成规则和约束，AI 则负责将这些规则应用到具体的数据上，完成繁琐、重复但又要求极高精确度的代码编写工作。

比 AI 本身更重要的安全准则

远程指挥火星车移动，是一项风险极高的活动。2009 年，「勇气号」火星车就陷入沙坑，从此再也未能移动。

在一般认知中，大模型具有幻觉，用来写篇文章还可以，但 NASA 凭什么敢让 AI 参与这么重要的任务？

核心就在于工程师们设计的执行流程，包括四个环节：

第一：数字孪生仿真验证。

JPL 实验室有一个「毅力号」火星车的高保真数字孪生系统。这个系统可以在虚拟环境中，完美复刻火星车的硬件性能、软件逻辑以及火星表面的物理环境。Claude 生成的 RML 代码，会先在这个虚拟火星车上执行一遍。

仿真系统会检查超过 50 万个 遥测变量。这意味着火星车的每一个轮子的扭矩、每一个电机的温度、车身的姿态、电池的消耗、车轮打滑的概率等等，都会被精确建模和预测。任何一个变量超出安全阈值，整个计划都会被标记为失败。

第二：人类专家审查与微调。

仿真通过后，JPL 的驾驶团队会介入。他们会把 AI 生成的路线，与他们自己凭经验规划的路线进行对比。他们会用自己的专业知识，去审视 AI 方案的每一个细节。

比如，在这次任务中，工程师们发现，Claude 仅凭轨道图像，对一条狭窄通道两侧的细小沙波判断不够精确。而他们手上有「毅力号」近景相机拍摄的地面图像，能看得更清楚。于是，他们手动微调了 AI 路线中的几个路径点，让路线更精确地从通道中间穿过。

这个环节说明，AI 并没有取代人类，而是提供了一个高质量的「初稿」。人类专家的角色，从繁琐的路径绘制者，转变为更高级的「审查者」和「决策者」，他们会利用自己的直觉和 AI 不掌握的信息，进行最后的把关。

第三：上行指令与深空网络。

只有通过了仿真和人工审查，最终确认的 RML 指令才会被打包，通过 NASA 的深空网络（DSN），花费大约 20 分钟的时间，发送到 3.6 亿公里外的火星。

第四：火星车本地自主导航系统。

指令到达火星后，「毅力号」也不是盲目执行。它自身的 AutoNav 系统是最后一道防线。这个系统利用车载摄像头和传感器，实时感知车辆周围几米内的障碍物。

AI 规划的是宏观的「走哪条路」，而 AutoNav 决定的是微观的「下一步轮子往哪儿放」。如果前方突然出现一块 AI 在轨道图上没看见的小石头，AutoNav 会自主绕开它。

这四层屏障构成了一个「人机在环」决策系统。

AI 负责大规模的、基于数据的初步规划，数字孪生负责自动化的、全面的风险验证，人类专家负责最终的、基于经验的决策，而火星车本地系统负责实时的、最终的安全冗余。

在高风险领域应用 AI 的关键，不在于追求 AI 模型的完美，而在于设计一套足够强大的、多层次的验证与容错系统。

这套系统承认并包容了 AI 的不确定性，并通过流程工程的手段，将其风险控制在可以接受的范围内。这比盲目相信或者完全排斥 AI，是远为成熟和务实的态度。

NASA 教会我们，信任 AI 不是一个信念问题，而是一个工程问题。

当 AI 成为「任务倍增器」

JPL 工程师估计，使用 Claude 可以将路径规划时间缩短一半。不过，这次事件真正的意义还不止于此，更重要的是，它开启了一种全新的科研范式。

首先，它将人类科学家和工程师从重复性劳动中解放出来。

过去，规划一次火星车行驶，需要工程师们花费大量时间在电脑前，手动在地图上标记路径点，反复权衡风险和收益。这是一个耗时耗力的过程。

现在，AI 可以在几分钟内生成一个质量相当甚至更好的草案，人类专家只需要专注于审查和优化。这意味着，在有限的任务时间内，他们可以规划更多的行驶路线，让火星车去到更多的地方，采集更多的样本，从而极大地提升科学产出。

其次，它提升了任务规划的一致性和可扩展性。

不同的人类驾驶员有不同的风格，有的人偏保守，有的人偏激进。这种风格差异会给任务带来不确定性。而由同一个 AI 模型生成的路径，其决策逻辑和风险偏好是高度一致的，这让整个任务的管理更加规范化。

未来，当火星或月球上有多台探测器同时工作时，AI 辅助的规划系统将能轻松地扩展，而不会受限于人类专家的数量。

最后，也是最重要的一点，它为未来的深空探索奠定了基础。

这次在火星上的演示，只是一个开始。NASA 的目标是未来的「阿尔忒弥斯」登月计划，以及更遥远的，前往木卫二或土卫六等地的探测任务。

当地球与探测器的通信延迟从几十分钟延长到几个小时，人类的实时干预将变得不可能。探测器必须拥有高度的自主决策能力。

这次 Claude 的任务验证了，一个通用大模型在接收了足够的领域知识后，确实有能力理解复杂的环境和任务，并做出合理的规划。未来的探测器，可能会在本地搭载这样的 AI 系统。AI 可以自主规划一整天的科研活动，只有在遇到重大决策或异常情况时，才向地球请求指示。

结语

Claude 上火星，标志着 AI 从一个「数据分析工具」或「内容生成工具」，正式演变为一个「任务执行的参与者」和「人类能力的倍增器」。

它不是要取代人类，而是要通过承担那些机器擅长的、可标准化的规划与执行任务，让人类能够将宝贵的智慧和时间，投入到更具创造性、战略性的科学发现和决策中去。

Claude 这次「火星驾驶」，其象征意义和实践意义都极为重大。这是一个关于人类如何智慧地使用 AI 的工程故事。

它展示了，在面对最前沿、最高风险的探索任务时，最顶尖的工程组织是如何思考和行动的。

它告诉我们，未来不属于 AI，也不属于那些固步自封的人类，而属于那些懂得如何与 AI 协作，并为其建立正确规则和护栏的人。