本文是《航天领域的智能体走到哪一步了？》系列第三部分内容。
关于航天器全生命周期，国际国内存在多个划分标准（详见下图）。国内航天型号研制、商业航天及国际对标等实践中，普遍参照欧洲航天标准化合作组织（ECSS）0~F七阶段生命周期框架。该框架与国内主流划分高度对应，因此本文统一采用该七阶段划分法展开论述。
图片
目前看，AI应用已覆盖从概念研究（阶段O）到任务处置（阶段F）的每一个环节，没有明显的“空白阶段”。受限于航天领域相关信息的保密性，下文对各阶段国内外AI应用情况的梳理，仅基于公开渠道可获取的资料，不构成实际能力的全面比对或水平研判。

O 概念研究/需求论证

该阶段关键活动包括需求调研分析；轨道选型与资源评估；概念方案设计；任务可行性初步论证。典型AI应用场景涵盖任务方案生成、轨道构型智能优化、需求结构化辅助拆解、多方案自动权衡、多方案权衡仿真。
国际:
2023年，美国NASA戈达德太空飞行中心开发了“AstroAgents”系统，由8个智能体组成，可自主分析科学数据、生成研究假设，辅助火星探测任务概念论证。
2021年起，NASA持续推进多模态大模型在深空探测与星座规划中的应用。其首席科学数据官办公室（OCSDO）实施“5+1”基础模型战略，为地球科学、行星科学、天体物理学、太阳物理学、生物与物理科学等各科学部门分别定制基础模型，并开发跨领域通用大语言模型。此外，正在研发的Prithvi系列地理空间基础模型与INDUS语言模型套件，可用于科学数据分析、任务场景可视化及轨道参数智能迭代等任务。
2024年，美国IEEE/ACM发表的一项研究提出了基于LLM+RAG的半自动化MBSE智能建模与仿真框架，用于卫星星座轨道设计，并通过“星群”案例研究验证了自动化3D可视化的可行性。
美国NASA、美国学术界和航天企业长期开展强化学习在星座布局、轨道博弈、碰撞规避的算法研究与工程验证。代表性工作包括2019年提出的“Space Navigator”模块化自主碰撞规避系统（融合领域知识与强化学习），以及2023年提出的基于POMDP框架的航天器自主碰撞规避决策规划方法（利用强化学习训练星上AI系统）。
国内：
2023年，之江实验室基于强化学习仿真优化低轨星座构型，完成三体计算星座方案设计。
2024年，中科天塔推出华山大模型，为卫星任务规划提供专业知识问答与方案建议。
2024年，之江实验室与国家天文台联合研发推出AstroOne天文语言大模型，能将海量数据转化为科学研究的基础。

A 可行性论证/方案论证

该阶段关键活动包括总体方案论证；关键技术攻关；多学科协同方案设计；初步仿真验证；方案评审。典型AI应用场景涵盖技术成熟度智能评估、供应链周期预测、风险自动识别、可研报告辅助编制。
国际:
美国NASA、欧洲ESA用AI驱动多学科优化（MDO）工具，自动迭代航天器总体参数（质量、功耗、热控），快速收敛最优方案（相关实践自2020年起已逐步深化）。
欧洲ESA GSTP 2026-2028计划中设立了多项AI驱动的空间任务系统设计项目，如“用于早期设计阶段的生成式设计”、“MBSE智能助手”、“SysML v2 AI助手”。
美国学术界及航天企业（如SpaceX相关研究）自2010年代以来采用粒子群优化、遗传算法等智能优化算法进行低轨星座轨道与构型优化。
美国Blue Origin已部署超过2700个AI智能体，通过BlueGPT平台实现生成式AI辅助工程（截至2025年）。
美国NASA与我国北航等机构合作，2023年系统性提出人工智能驱动的宇航领域模型可信评估统一指标体系，可识别方案中的技术瓶颈与潜在风险点。
国内:
航天科技一院、五院、八院引入遗传算法和生成式AI，辅助卫星总体方案论证（如轨道选型、载荷配置优化）。比如，八院805所于2023年成立AI4MBSE创新工作室，用AI辅助航天器系统建模与方案论证。
航天科技五院人工智能专班已上线内测版“文生卫星”系统，截至2024年已完成33个智能体的搭建，覆盖任务分析、平台选型、指标关联等总体设计核心工作，打造了“人提需求—AI干活—人监督决策—AI迭代生成”的人机协作新模式。
航天科工二院、超图软件于2023年开展合作，利用AI辅助卫星轨道与载荷匹配性仿真验证，实现方案可行性的快速校验。

B 初步定义/方案设计

该阶段关键活动包括详细工程设计；系统基线建立；关键部件设计定型；仿真优化；设计评审。典型AI应用场景涵盖参数化自动布局、布局方案辅助生成、拓扑优化设计、电磁/热控AI仿真迭代、接口智能核对。
国际:
美国NASA Langley/Ames研究中心自2010年代起持续开展深度学习驱动的航天器结构/热/电磁多场仿真加速研究，仿真效率提升10倍以上。
美国洛克希德・马丁在CJADC2互操作性工厂中，利用生成式AI自动生成跨域作战系统代码，代码生成效率提升70%；2024年，该公司进一步将IBM Granite大语言模型集成至AI Factory工具链，赋能超过10,000名开发人员与工程师。
2025年，美国斯坦福大学团队研发基于 Transformer架构的航天器交会任务智能设计框架，能够在单次推理过程中生成近帕累托最优轨迹方案集，支撑多约束多目标下的任务方案快速权衡与迭代探索。
欧洲ESA持续推进AI驱动的航天任务方案设计工具研发。2025年6月，ESA向Craft Prospect公司下达ROC-ML项目合同，基于强化学习与模仿学习技术，研发适用于在轨服务、空间碎片清除场景的航天器自主运动规划与GNC系统。
2025年，ESA资助开展基于大语言模型（LLM）的航天器MBSE生成式架构设计研究，基于ESA地球观测任务等案例，验证了LLM在航天器方案论证阶段辅助架构设计的可行性。
国内:
2025年2月，航天科技八院完成DeepSeek-R1大模型本地化私有化部署与试点应用，构建“小八”人工智能体，覆盖AI智能问答、辅助代码开发、文档自动生成、报表智能分析等应用场景。
2025年，航天科技八院509所通过遗传算法优化卫星结构设计（承力筒拓扑优化），将设计时间从6天压缩至2天，同时减重6%，该技术将推广至卫星整体构型与桁架结构的拓扑优化。
2025年，航天科技五院总体设计部上线AI智能测试助手“小测同学”，基于RAG实现测试领域知识库智能构建与知识问答；空间机器人团队开展基于强化学习的精细操作算法、基于深度学习的视觉重建算法开发。
哈尔滨工业大学、航天宏图用AI驱动的结构/热仿真降阶模型，实现航天器部件级快速仿真与性能优化。

C 详细定义/初样研制

该阶段关键活动包括初样件制造与试验；单机测试；整星/整器集成；环境模拟试验；初样评审；技术问题归零。典型AI应用场景涵盖试验数据异常判读、仿真模型数字孪生修正、结构件AI质检、试验大纲智能生成。
国际：
美国SpaceX于2024年8月发布的猛禽3发动机被描述为“AI驱动制造革命”的典型案例。该发动机通过AI工具分析历次飞行的大量数据集，优化减重和推力放大等参数。
美国SpaceX在星舰制造工厂采用机器视觉与机器学习质检系统，实现火箭发动机、箭体结构的精密装配质量检测，包括热防护瓦片组装检测，经航空航天工业协会研究可将错误率降低高达30%。
美国NASA马歇尔太空飞行中心与SpaceX等企业推进AI预测性维护技术，通过实时分析制造数据，实现航天制造设备/工装的故障提前预警，降低试验中断风险。
美国波音、欧洲空客用数字孪生+AI驱动航天产品智能产线，实现零部件制造、装配全流程的实时管控与质量追溯。其中波音天津工厂通过SCADA系统与MES优化工艺流程，空客A350等采用自动化装配系统，装配效率提升30%以上。
法国达索系统等供应商于2024-2025年加速推动虚拟孪生在航天制造中的应用。
美国SpaceX在猛禽3火箭发动机验证测试中，利用AI算法实时监控试车数据，自动检测异常工况，处理每个测试超过1 PB的传感器数据，将分析时间从几周减少到几小时，大幅提升试验安全性与效率。
国内：
2024年，航天科技八院800所打造AI+联合创新工作室，在国内首次实现射线数字成像检测技术在宇航类产品中的焊缝检测应用，填补了国内高品质大型结构件焊缝射线数字智能检测装备与技术空白，获2024年亚太质量组织创新奖最优级。
2025年起，航天科技五院、八院通过“CAST+AI·R”专项行动及AI应用集成平台，推进AI在航天产线设备健康状态评估与故障预警方面的应用。
航天科工二院用AI辅助卫星单机测试数据判读，自动识别故障模式，测试效率大幅提升。

D 鉴定与生产/正样研制

该阶段关键活动包括正样飞行件制造；单机/整星集成与测试；环境试验；出厂评审；发射准备。典型AI应用场景涵盖X光缺陷识别、总装工序防错、电测用例自动缩减、整星测试结果智能判读、装配过程数字记录与追溯。
国际：
2026年2月起，美国NASA喷气推进实验室（JPL）对HPSC新一代抗辐射航天处理器开展多维度环境与性能测试；该芯片由JPL与美国微芯科技（Microchip）联合研发。原定设计算力为现役航天机载计算机的100倍，首轮实测结果显示其峰值计算能力可达当前主流航天计算机的500倍，可支撑航天器星载AI自主推理、深空任务实时数据处理等强算力场景。
2026年4月，美国特斯拉在TERAFAB发布会上披露了专为太空环境设计的D3芯片，标志着Dojo项目从地面超算竞争转向太空算力支撑。
国内：
中科院空间应用中心、航天科技五院利用并行设计与仿真平台，完成卫星正样出厂前的全流程发射与入轨模拟验证，具备全寿命周期任务保障能力。该技术路径已在神舟飞船、天宫一号及二号空间实验室、载人空间站等历次任务中持续迭代与应用。
北京卫星环境工程研究所为推进航天器总装检验工作的数字化转型，研发了基于多模态交互的智能穿戴系统。实际检验场景验证表明：与传统人工检验相比，检验效率显著提升，语音识别正确率大于98%，为产品全生命周期质量追溯奠定了坚实基础。
上海航天设备制造总厂在运载火箭集成综合试验环节，利用“孪生数字+AI”技术在虚拟空间实时反馈全箭状态，实现从传统的“设计+实物验证”向智能化的“设计+虚拟验证”转变，在正样出厂前即可消化大量试错成本。

E 发射与在轨运行

该阶段关键活动包括发射窗口分析；测发控；入轨部署；在轨激活；初期轨道捕获与状态确认、在轨测试、长期运行管理。典型AI应用场景涵盖发射窗口气象条件辅助研判、入轨故障应急诊断、星上自主姿态控制、碰撞预警、在轨健康管理、遥测数据智能分析、载荷自主调度。
发射准备与入轨类：
国际：
美国SpaceX猎鹰9号采用基于凸优化与模型预测控制的实时制导、导航与控制（GNC）系统，实现火箭垂直回收与精确着陆，G-FOLD算法使着陆精度提升两个数量级；该算法2012年已通过理论验证与仿真分析，2015年12月猎鹰9号首次成功实现陆地垂直回收。
美国NASA Perseverance火星车搭载AEGIS智能导航系统，利用车载广角图像自主选择观测目标，配合AutoNav实现火星表面的自主避障行驶与路径规划，2021年着陆后首年行驶17.7公里中88%由AutoNav自主评估。
美航天机构及企业持续探索AI在发射流程中的应用，涵盖虚拟测试、预测性维护、智能调度等方向，但具体部署规模与效果因项目保密性而难以全面评估。
欧洲Ariane于2022年启动AI发动机健康监测系统的研发与实验部署，目标实现火箭发动机实时异常检测与测试验证。
国内：
航天科技一院2023年发布“航天超脑”AI发射决策系统与智慧发射场平台，融合气象、测控、箭上多源数据，实现发射窗口智能推荐、数字孪生与健康管理，已在西昌、文昌等发射场部署应用，大幅提升指挥决策水平与故障排查效率。
国星宇航于2025年11月完成千问Qwen3通用大模型在轨部署，2026年1月完成UI-TARS多模态大模型太空在轨部署，成功验证星载大模型的在轨适配性与端到端推理能力。
星河动力、深蓝航天等企业在发射时序智能控制、箭上健康管理、故障智能监测/容错、发射场安全 AI 检测方向开展技术攻关与验证。
在轨运行类：
国际：
欧洲ESA于2020年9月发射ΦSat-1卫星，搭载Myriad 2 AI芯片，实现星上实时云检测，可自动剔除被云层覆盖的影像，仅下传有效数据，大幅提升数据传输效率。这是欧洲首颗对地观测人工智能卫星。
欧洲ESA于2022年在OPS-SAT卫星上完成HOPAS项目验证，采用强化学习在线优化姿态控制性能；另有项目利用深度强化学习与计算机视觉，实现卫星主动对地目标跟踪。
2023年7月，美国NASA在Starling等任务中探索星载AI算法的地面数字孪生验证，但受限于资源，部分在轨故障仍需发射后排查解决。
美国Aerospace Corp联合Google Public Sector，于2023年启动开发AI卫星异常诊断原型工具，基于Google Cloud Vertex AI平台，融合多源遥测数据流，实现实时异常检测与行为模式预测，帮助工程师从“被动应急”转向“主动排故”。
美国SpaceX 星链星座为每颗卫星配备星载自主防碰撞系统，可在无人工干预下自主决策并执行规避机动，2024年下半年共执行近50000次碰撞规避机动；卫星还可通过调整太阳翼姿态，将碰撞横截面降至最低，进一步降低碰撞风险。
德国OroraTech与DLR合作，采用AI驱动的超像素分割与深度学习算法，于2024年实现全球野火实时监测与预警，已集成至其商业Wildfire Solution平台。
美国NASA持续推进卫星在轨健康管理技术研究，2024年提出基于硬件约束知识蒸馏框架的电池健康状态轻量化估计方法，可在资源受限的星载环境下实现高精度剩余寿命预测。
美国NASA联合哈佛大学等机构，于2025年启动“XOSS Aware”AI异常响应系统STTR Phase I研发，通过数字孪生建模与可解释AI，为月球/火星栖息地提供实时故障检测、诊断与处置建议。
国内：
东方慧眼一期工程珞珈三号01星于2023年1月成功发射，搭载星上智能处理单元，实现在轨高精度定位、多类型影像产品快速生成、静动态目标信息实时提取及影像高倍率近实时压缩，开创了“星上处理+实时信息服务”的新模式。
航天科技一院余梦伦智能火箭创新实验室于2021年正式成立，开展在线轨迹重规划与故障诊断技术研究，突破复杂约束条件下火箭在线任务重构技术瓶颈，实现故障后入轨能力百毫秒级评估；其“归燕”“扁鹊”系统已完成飞行搭载验证。
航天科技五院构建天、地、数字“3个空间站”运营体系，运用数字化手段创建“数字空间站”，在天地通话、出舱、舱段转位等任务中开展仿真预示、状态监控、故障分析和状态评估，提升在轨任务支持能力。
航天科技五院2023年启动“CAST+AI·R”专项行动，将AI应用于卫星遥测数据分析、故障诊断与健康管理，显著提升卫星在轨运营可靠性。
吉林一号、珞珈三号等卫星搭载星上AI载荷，实现云雾检测、船舶识别、农业监测等在轨智能处理。
之江实验室打造“三体计算星座”，12颗计算卫星已在轨运行超半年，搭载星载AI实现实时数据处理与智能决策，2025年11月成功自主识别我国西北某地火情，完成火点与烟雾范围的有效识别与分割。
中科星图2023年与中科院空天院联合发布国内首个面向多模态遥感数据的生成式预训练大模型“空天·灵眸”；航天宏图2024年发布“天权”大模型遥感云服务平台，提供遥感影像智能解译、智能增强和三维重建服务。两款大模型均已在遥感影像智能解译、变化检测、目标识别等任务中开展应用验证。

F 处置与退役

该阶段关键活动包括轨道确定与预报；任务执行与调度；碰撞规避；离轨规划；钝化处理；碎片监测与跟踪、最终退役。典型AI应用场景涵盖离轨阶段星上自主规划与异常响应、最优离轨轨道计算、空间碎片风险评估、碎片监测与跟踪、再入安全评估。
国际：
美国NASA、欧洲ESA持续推进AI辅助离轨路径规划研究。其中ESA的GTOC系列竞赛长期将多碎片清除轨迹优化作为核心赛题，持续牵引AI算法在该领域的前沿探索。我国清华大学团队在欧洲空间局（ESA）第九届国际空间探测轨迹优化大赛（GTOC 9）中，利用深度神经网络与强化学习方法优化多碎片交会清除轨迹，为离轨处置提供了重要技术参考，该方案取得大赛最优评分。
美国NASA、欧洲ESA持续推动AI辅助离轨路径规划研究。其中，ESA的GTOC系列竞赛长期将多碎片清除轨迹优化作为核心赛题，持续牵引AI算法在该领域的前沿探索。我国清华大学团队在第九届GTOC中，利用深度神经网络与强化学习方法优化多碎片交会清除轨迹，为离轨处置提供了重要技术参考，该方案取得大赛最优评分。
国内：
航天科技集团五院、中科院紫金山天文台开展AI辅助离轨策略优化研究，提升低轨卫星受控再入安全性。
中国科学院国家空间科学中心利用AI实现空间碎片跟踪与碰撞预警，为卫星在轨运营与离轨处置提供支撑。
西安中科立德红外旗下子公司中科立智星感，研发了融合红外与可见光的空间碎片探测载荷——“红外态势感知相机”，重点突破“可见光红外共形+AI+深空群弱探测”三大技术，有效解决了传统光学探测手段在地影区无法探测碎片的“盲区”问题，为在轨航天器提供全天时碰撞预警。
遨天巡宇（无锡）航天工业有限公司规划了国内首个商业空间碎片监测专用星座，计划于2027年全面建成并投入运营，届时将实现对近地轨道全时全域的空间目标探测。

跨阶段基础能力建设
部分AI能力并非局限于O-F的某一个阶段，而是为多个阶段提供共性技术支撑或顶层战略指引，这类能力可归入“跨阶段基础能力建设”类别。包括：
顶层战略规划：欧洲ESA在2024年发布的《技术2040》报告明确提出“用AI为操作员和宇航员提供预测分析、实时决策支持和自主解决问题的能力”。
共性技术平台：航天科技八院805所利用大模型与强化学习技术，构建航天知识图谱、遥测数据智能分析平台、在轨服务智能任务规划系统及高逼真度数字孪生系统，推动空间在轨服务向自主化、智能化迈进。

总结

一、AI已实现航天全生命周期覆盖，但各阶段成熟度差异显著，整体呈现“两头弱、中间强、E阶段快速崛起”的格局。
O阶段（概念研究/需求论证）：AI应用尚处探索期，LLM+RAG辅助需求拆解与方案生成，生成式设计仅处于早期验证阶段，技术成熟度整体偏低。
A阶段（可行性论证/方案论证）：处于从“辅助论证”向“智能生成方案”过渡的加速期。
B阶段（初步定义/方案设计）：AI应用加速落地，AI驱动的多学科优化（MDO）、生成式设计、知识图谱构建及数字孪生等技术已出现规模化部署趋势。
C阶段（详细定义/初样研制）：AI应用正处于规模化落地与产线融合的突破期。
D阶段（鉴定与生产/正样研制）：AI正进入规模化落地阶段，AI视觉检测、缺陷识别、智能装配等技术已融入批产线，降本增效数据明确。
E阶段（发射与在轨运行）：AI应用最为丰富，且仍在加速增长，星上AI载荷、自主规划、健康管理、碰撞规避等能力已进入常态化运行。
F阶段（处置退役）：AI应用以研究验证和初步工程应用为主，其中碎片监测相对成熟，主动离轨规划尚处于研究阶段。
二、AI在航天领域的应用已加速从“点状验证”走向“系统化集成”。落地模式从单点工具辅助升级为系统性智能体协作，头部企业正从“AI赋能流程”迈向“AI重构流程”的新阶段。
图片
三、AI在航天领域进一步深化应用的核心瓶颈
1、数据与算法限制
样本获取成本极高，极端工况样本近乎空白，难以支撑模型充分训练与泛化验证；
数据孤岛问题突出，跨院所、跨型号数据互不贯通，制约模型能力的有效共享与迭代演进；
仿真数据与真实在轨数据之间存在明显的域偏移，模型迁移能力受限；
航天领域缺乏专属的可解释、安全可靠的AI落地范式，行业本体、知识库、标准语义层及工业互联网底座等基础共性能力建设滞后。
2、物理约束
星上SWaP-C（体积、重量、功耗、成本）资源严格受限，对AI模型的轻量化与高效推理提出极高要求；
抗辐射芯片及加固处理平台的研发进展滞后于算法迭代速度；
天地链路带宽与传输时延瓶颈制约星地数据协同与在轨模型实时更新能力。
3、生态基础薄弱——严重的结构性瓶颈（国内特有）
面向航天领域的核心工业软件技术自主生态缺口较大，依赖外部供应链的风险凸显；
航天与前沿技术产业之间的跨界壁垒较深，复合型人才储备不足，产学研用协同通道不畅；
产业体系极度碎片化，国家队与民间阵营之间、软硬件系统之间、天基与地基网络之间……层层割裂，制约AI能力的规模化落地与系统级集成。


【相关专题】
从OpenClaw、Palantir、SpaceX，看颠覆式创新的四个层次（3）
从餐饮到火箭：一张图看懂所有产业的五层垂直链
商业航天不是航天的分支，而是产业革命本身
监管工业化：中国商业航天的“高速公路”该怎么修？
从腾讯AI产业发布大会想到的：航天领域的智能体走到哪一步了？（1）
SpaceX的数字化真相：不是“全优生”，而是“偏科生” ——2万亿估值，资本押注的是AI叙事，还是马斯克个人信用？
蓝色起源，落后SpaceX一个身位——AI时代数字化成熟度三维评估
Rocket Lab 80亿美元收购铱星：中国商业航天的第二个强劲对手来了
Rocket Lab 全链数字化成熟度测评与对标研究——附AI时代数字化成熟度三维评估模型完整版

本文在网络公开资料研究基础上成文，限于个人认知，可能存在错漏，欢迎帮忙补充指正。