中国月球基地的AI第一课:不是替人决策,是先学会月球物理
一说 AI 和中国月球基地,多数人想到的是“机器人砌砖”“智能调度”“无人值守”。这些画面不算错,但它们漏掉了一个更基础的问题:AI 在地球上学会的那套“看世界的方式”,到了月球上首先是不成立的。
地球土壤被流水和大气磨圆了棱角,AI 训练出来的视觉模型天然倾向于把一切轮廓拟合得“平滑”。但月壤不是。嫦娥六号从月背带回来的颗粒,长期处在真空和微陨石撞击中,保留着极度尖锐的棱角。清华和哈工大的团队在 AAAI‘26 上把这个问题说得很直接:现有深度学习模型存在“频谱偏差”,会优先拟合平滑轮廓,自动忽略复杂的边缘细节。也就是说,AI 不是“不够聪明”,而是它的聪明方向和月球的物理现实发生了系统性错位。
2026 年真正值得看的进展,不是 AI 又多了多少参数,而是物理知识正在被写进 AI 的底层结构,让它先“看见”月球,再谈“建造”月球。
维度一:月壤颗粒——物理先验注入,修正 AI 的“频谱偏见”月壤颗粒的形态不是一个美学问题。颗粒的棱角决定堆积体的剪切强度、承载能力和钻进阻力,直接关系到基地地基怎么设计、机器人怎么行走、着陆垫怎么压实。用“平滑轮廓”去算月壤的力学行为,得到的数字会系统性偏软。
清华、哈工大、中科院和中国空间技术研究院的联合团队没有走“拿更多数据微调模型”的老路,而是从神经网络的初始化阶段就注入物理先验。他们提出的 HiFi-LoRA,先用二维离散余弦变换在频域构造理想高通滤波器,再用奇异值分解提取其能量最集中的主成分,作为 LoRA 适应矩阵的初始化参数。这一操作在数学上重构了神经正切核的初始状态,在模型接触任何训练数据之前,就已经放大了高频分量在梯度更新中的权重。
更关键的是下一步:光让模型对边缘敏感还不够,过度敏感会把噪声误判为物理边缘。团队进一步引入“小波能量调制”(WEM)正则化,利用分割掩膜轮廓复杂度与面积之间存在的物理关联来约束输出,防止生成不符合物理规律的破碎轮廓。这不是“AI 学月壤”,是“用物理规则告诉 AI 什么样的月壤轮廓在物理上是可能的”。
维度二:月背地基——AI 不是“猜”参数,是在数字孪生里“算”出物理强度AI 修正了“看见”的方式,下一步是回答一个工程问题:月背的地,能不能撑住基地?
北航团队面对的是一个两难:嫦娥六号月背样品太珍贵,不可能拿去做传统的破坏性力学测试。他们的解法是用 AI 加高分辨率 Micro-CT,给月壤做“数字孪生” ——不压碎任何一颗颗粒,而是从 CT 数据中虚拟重建出超过 349,000 个月壤颗粒的三维模型。重建结果揭示了一个此前没有被量化的差异:月背颗粒的球度只有约 0.74,比月面样品更加棱角分明。
真正让这个发现变成工程参数的,是随后的离散元方法(DEM)模拟。颗粒之间不规则的“几何互锁”效应,给出的结果是内摩擦角 47.96°、黏聚力 1.08 kPa,超过了以往对月面土壤的估计。团队的原话是,月背地面可能比此前认为的更“硬”,承载能力更好,这对国际月球科研站的地基建设是“好消息”;但同时也意味着钻进和巡视器移动会遇到更大的互锁阻力。
这条线最值得记住的逻辑是:AI 在这里的角色不是“预测一个数”,而是在不可破坏样品的前提下,用数字孪生把物理参数“算回来”。 同一年,国家自然科学基金重点项目“月球科研站数字孪生建模方法与关键技术研究”在空天院启动,研究内容明确包括地质与物理属性建模、多智能体实时定位感知与数字孪生场景更新,说明“数字孪生先于实体基地存在”正在从一篇论文变成一个被资助的研究方向。
维度三:月夜储能——AI 不是“优化一个策略”,是把热力学方程放进调度回路如果说月壤和地基是“建设前”的物理,那么能源是“运转中”的物理。月球的一个夜晚持续约 350 小时,光伏在夜间完全失效,熔盐储热因为宽温域、高能量密度成为候选方案。但它面临三个具体的物理敌人:温度过冲、月尘加剧的辐射热损、斯特林发电机在负载波动下的效率下降。
2026 年 IEEE 收录的一项研究给出的方案,不是“训练一个黑箱调度器”,而是用热平衡的常微分方程和斯特藩—玻尔兹曼辐射定律搭建物理模型,再用 PPO-SAC 混合强化学习在这个物理框架内做温度域调节和负载调度,模拟覆盖 350 小时的月球周期。结果表明,这套“物理模型 + 强化学习”的组合在温度偏差控制、储能保持和热损降低上,显著优于随机和启发式基线。
这条线的分水岭不在“用了强化学习”,而在强化学习被什么东西约束。 一个只在历史数据里学出来的调度器,遇到月尘污染导致的辐射系数漂移,没有能力推断“物理上接下来会发生什么”。把热力学方程放进回路,AI 的决策才具备外推到训练分布之外的能力。这和维度一的逻辑是同一件事:物理先验不是 AI 的辅助,是 AI 在月球上不犯系统性错误的前提。
维度四:半自主建造——物理延迟逼出来的“约束式智能”把前三条线放到一个真实任务场景里,AI 的物理约束就变得不可回避。嫦娥八号计划 2029 年前后携带一台 100 公斤的机器人登陆月球南极,四个轮子加一对机械臂,目标是使用人类工具完成部署和建造任务。地月单程通信延迟约 1.3 秒,完全依赖地面遥控的操作效率极低,因此这台机器人配备了 AI 辅助控制系统,支持半自主运行。
“半自主”三个字背后是一个精确的物理问题:在 1.3 秒延迟下,哪些动作必须由机器人自己闭环,哪些可以由地面规划。抓取、对准、插接这类接触密集的操作,延迟会让遥操作变成“盲操”;而任务级的路径规划和作业序列,仍然适合地面在数字孪生环境里反复推演后上传。探月工程四期总设计师于登云在 2026 年 10 月的判断是,未来月球基地“以人短期到了、无人长期自主”为模式,以机器人为核心开展基地运维,而航天 AI 必须适配“三少两多”——小型化、低功耗、轻重量,多约束、多目标。
这意味着月球基地的 AI 不是数据中心里的 AI,而是在功率、质量、算力和通信延迟四重物理约束下工作的 AI。它的“智能”不是能不能做更多,而是在物理不允许的条件下,能不能把必须做的事做到足够可靠。
把四条线锁在一起,2026 年的真实位置物理卡点
AI 在做什么
2026 年的证据等级
它修正了什么认知偏差
月壤颗粒形态
物理先验注入模型初始化,高频感知 + 物理约束正则化
AAAI‘26 同行评议论文
AI 天然“平滑化”尖锐月壤
月背地基力学
AI+Micro-CT 数字孪生,DEM 算出摩擦角
47.96°
、黏聚力
1.08 kPa
同行评议研究 + 国家自然科学基金数字孪生重点项目
月背地基参数此前只能靠间接估计
月夜储能调度
热力学方程约束下的强化学习,覆盖
350 小时
周期
IEEE 会议论文,模拟验证
黑箱调度无法外推到月尘/辐射漂移
半自主建造
1.3 秒延迟下的人机任务分配,
100 kg
级机器人
任务规划阶段,嫦娥八号约 2029 年
地面遥操作在接触任务中不可行
2026 年中国月球基地 AI 物理科技最值得记住的判断,不是“AI 越来越像人”,而是:AI 正在被月球的物理重新塑造。 月壤的棱角逼它修正视觉,数字孪生逼它在不破坏样品的前提下算力学,月夜逼它把热力学写进调度,通信延迟逼它学会在物理约束内自主。一个在地球上“更通用”的 AI,在月球上未必更可用;一个被物理约束住的 AI,才可能是第一个真正能在月面闭环运转的 AI。
下次看到“AI 建月球基地”的消息,先问三件事:它解决的是 AI 的“认知偏差”还是“控制策略”?它的物理约束是写在模型里,还是只写在论文的讨论部分?它的验证是在地面数据上,还是在月面物理条件下? 三个问题都有答案,才是这条线上值得跟进的进展。