五个核心问题与回答
航天为什么迫切需要 AI？
航天工程已有成熟专家系统和控制技术，为什么还不够？
系外行星探测、百米级结构和上万颗星座让任务复杂度超过纯人工调度能力。AI 可以处理高维状态和持续规划，但航天的高可靠要求也使通用概率模型不能直接进入控制链。
航天器本身为什么天然是一个闭环系统？
把 AI 加到设计软件里不就是航天智能化吗？
航天器围绕目标运行，通过感知偏差、检测状态和纠错保持任务。AI 若只生成文档或建议，仍在闭环之外。物理 AI 必须从状态感知进入任务规划、工具执行和结果验证。
地面侧最先适合哪些任务？
AI 应先上天，还是先改造研制过程？
地面装配测试、质检、视觉引导、路径规划和姿态预测更容易建立人机验证。它们可以降低人为失误，并积累模型进入在轨任务前所需的工程证据。
在轨智能的价值在哪里？
自主性只是为了解决通信延迟吗？
还包括在轨装配、维护和空间垃圾清理。分布式小型航天器协同可以降低服务成本，但也要求局部失效时重新规划、确保碰撞安全并保留地面接管。
对话型 AI 与工程型 AI 的分界是什么？
航天知识问答做得足够好，能否算行业 Agent？
不能。工程型 AI 要围绕明确目标和物理约束完成状态感知、规划、执行和验证，并把模型不确定性纳入控制逻辑。最终交付的是可审计动作链，不是一段解释流畅的答案。
沿着对话，回到问题如何展开
张永合：新一代航天任务涉及极远探测、超大型结构和大规模星座管理，传统人工与专家系统越来越难支撑。
纪要：规模扩大不仅增加计算量，还增加异常组合。系统必须在信息不完整和通信受限条件下保持任务连续。
张永合：航天需要极高可靠性，而 AI 技术具有固有不确定性。
纪要：这决定了 AI 不能凭平均正确率获得控制权。需要形式约束、仿真回放、冗余检测和分级授权共同兜底。
张永合：地面侧可在 AIT、质检、视觉引导和路径规划中形成自主感知与判断闭环，减少人为失误。
纪要：地面应用的价值不只在节省人力，也在形成标准数据和异常案例，为后续在轨智能提供验证基础。
张永合：物理 AI 可支持在轨装配、维护和空间垃圾清理，并让小型航天器协同完成更复杂服务。
纪要：这里的核心不是单星更聪明，而是集群如何共享状态、分配任务，并在失联或故障时保持安全。
张永合：面向具体工程问题，要完成目标定义、状态感知、任务规划、工具执行与结果验证，关键在于闭环。
纪要：每一步都对应一个可验收 artifact。对话模型可以参与规划和解释，但不能跳过物理控制与结果验证。
张永合：最终目标是让智能贯通航天器研制、测试和在轨运行。
纪要：如果地面与在轨数据能够回流同一工程知识体系，AI 才可能从单点工具成为生命周期能力；这也要求版本、责任和安全记录贯穿多年。
现场画面
