NASA新火星车在沙漠苦练“脱困术”

在加利福尼亚州南部一片干燥的荒漠上，一辆外形奇特、有着四组硕大轮子的探测车正缓慢爬过碎石与陡坡。它不是某部科幻电影的道具，而是NASA最新的火星车原型，刚刚在这里完成了一次不寻常的长途拉练——不是为了刷新速度纪录，而是为了学会一种过去所有漫游车都不具备的本事：自己判断前路能不能走，走不通时又该怎么办。

这辆名为ERNEST的探测车，全称是“极端坡度地形导航探索漫游车”，由NASA喷气推进实验室开发。它最近在沙漠中完成了一段约26公里的旅程，行驶时间超过37小时，分散在七天里逐步推进。值得注意的地方在于：整个过程几乎完全由探测器自主完成，工程师团队的介入被描述为“极少”——按照喷气推进实验室一份声明中的说法，ERNEST实现了“几乎完全自主”的驾驶。

这在行星探测领域，并不是一个可有可无的细节。目前正在火星表面工作的“好奇号”或“毅力号”，虽然也被称为“自主”，但它们的行进方式本质上更接近一个需要时时看护的孩子：地球上的人类工程师要提前分析地形照片、规划路径、发出指令，然后等探测器执行一小段，再停下来重复同样的循环。遇到一块稍大的石头或沙坑，整天的任务可能就此搁浅。而ERNEST想要打破的，正是这种“走一步看一步”的束缚。

这件事说人话就是：NASA正在想办法给未来的月球车和火星车装上一个真正的“大脑”，让它们能在没有地球指挥的情况下，自己面对那些过去根本不敢派车上去的险峻地形。至于为什么这件事值得关注，得从ERNEST身上几项并不显眼却关键的设计说起。

首先吸引视线的是它的轮子。与我们熟悉的“好奇号”所使用的金属镂空轮组不同，ERNEST配备了一套全新设计的轮胎以及主动悬挂系统。两者的组合意味着它在遇到障碍时不只是被动地碾过去或卡住——轮子和悬挂会协同响应地形变化，而不再像老一代探测车那样，一旦某个轮子陷入松软沙土就只能等待救援指令。与之搭配的是一套自适应的人工智能算法，能够实时识别前方路径中的障碍物，然后做出一个对自主系统而言相当复杂的判断：这个东西是可以绕过去的，还是必须跨过去的？选择绕行，需要重新规划路线；选择跨越，则要计算轮子抓地力与车身姿态。无论哪种选项，都是在没有人类替它分析地质雷达图像的前提下完成的。

ERNEST获得这种判断能力，并不是因为工程师提前为它预设了所有可能遇到的障碍物类型。它的“经验”来自一项在虚拟环境中进行的长达数月的强化学习训练。研究人员搭建了仿真系统，让ERNEST在数字世界里反复经历各种地形困局——松散的沙地、陡峭的岩壁、碎石遍布的斜坡——然后通过并行运行大量模拟实例，在仅仅几天时间里就积累了相当于数千小时的“驾驶经验”。这种训练方式的本质，是让算法在失败中学习：翻车意味着惩罚，顺利通过意味着奖励。经过足够多次的试错之后，ERNEST才逐渐形成了一套能够迁移到真实物理世界中的地形应对策略。

这是理解ERNEST真正价值的关键。过去的行星探测任务中，着陆点必须被精心挑选为“最平坦、最缺乏惊喜”的区域，因为安全永远是第一位的。但科学上最有吸引力的目标——比如火星上那些保留着早期水活动痕迹的悬崖剖面，或者月球南极永久阴影区边缘的陡峭环形山——往往也是地形最恶劣的地方。如果一辆探测车只能在平地缓坡上运行，那么很多最有价值的科学问题就永远得不到现场观测的机会。ERNEST面临的核心命题就是：能不能让探测车变得足够聪明，聪明到NASA敢于把它派往以前根本不敢去的地方？

这个项目的研发历史并不长。根据喷气推进实验室提供的信息，ERNEST的研制工作始于2022年，最初使用的是实验室内部的研究与开发资金。后来项目被纳入了NASA科学任务理事会下属的探索科学战略与整合办公室的管理范畴，同时也得到了NASA火星探索计划的支撑。从这一演变路径中，可以感知到机构层面对这项技术的预期变化：它一开始可能只是一个实验室级别的探索性方案，但很快就被决策者视为有能力影响未来任务架构的候选技术。

6月18日，喷气推进实验室的首席技术专家伊萨·内斯纳斯在声明中提到了这次测试的意图：“这项测试正在帮助我们改进移动硬件和自主软件，以便在月球上预期会遇到的广泛地形和光照条件下进行极端距离的导航。”这句话中“极端距离”和“广泛地形和光照条件”是两个值得留意的限定词。月球南极的光照条件极度复杂——有些区域永远处于阴影中，有些区域则被低角度的阳光拉出长长的高对比度阴影，这对依赖视觉导航的系统会造成严重干扰。如果在加州的荒漠里能应对多变的自然光，那么在月球上面对类似挑战时，至少算法层面有过验证。

这里有一个容易产生的误解需要澄清：ERNEST本身并不是未来要飞往月球或火星的实际任务车辆，它是一辆原型机。NASA对它的期待，是希望其中验证过的技术能够被整合到后续真正执行任务的探测器中。这意味着你在新闻里看到的这辆在沙漠里跑完26公里的机器，它的工作是为下一代月面车或火星车的设计师提供一套可以参考的硬件配置方案和算法框架。真正的目标车型可能在外观上完全不同，但内核里会装着ERNEST积累下来的自主驾驶经验。

要理解这套自主系统的思考方式，可以试着把它拆成三层来看。最底层是感知：传感器不断采集周围环境的三维信息，形成对地形的实时建模；中间层是决策：算法根据当前任务目标（比如前往某个坐标点）以及感知到地形特征，在绕行和跨越之间做出选择；最上层是学习记忆：之前在仿真中经历过的类似场景被激活为参考经验，帮助系统更快地收敛到可行方案。这种分层结构让ERNEST的表现不同于传统的“按照预设指令执行动作”的自动化设备，而更接近一个具备环境适应能力的智能体。

不过，这里面有一个边界需要明确指出：自主不代表有意识。ERNEST所做的所有判断，其数学基础仍然是强化学习中的奖励函数和策略网络——它知道自己被“要求”安全到达目的地，但它不知道为什么要去那里，也不知道抵达之后要做什么科学操作。驱动它做出所有行为的，是一组精心设计的算法奖励机制，而不是某种对任务意义的理解。人类工程师的角色从“每一步的遥控者”转变为“目标设定者与异常情况的最终裁决者”，这才是在工作流层面真正发生的改变。

回看整个测试过程，有另一个数字也值得关注：26公里，37小时。这个速度和人类步行相比并不算快，但在行星探测的语境下已经是相当可观的成绩。作为参照，“好奇号”在火星上运行了整整六年，总行驶里程大约在20公里左右——当然，两者任务性质完全不同，“好奇号”边走边做大量科学分析，但对比之下仍能让人对“自主长距离行进”这件事的量级建立一个直观感受。ERNEST在七天之内完成的距离，已经超过某些火星车多年的累积里程。这意味着如果这项技术成熟应用，未来的探测任务在选址上将有更大的自由度：不必再把着陆点严格限制在距所有科学目标都只有几百米的“安全岛”上。

但这里面有一个尚未被充分讨论的悬念。在仿真训练中积累的数千小时经验，真的能完全覆盖现实世界中的复杂性吗？沙漠测试已经展示出系统在干燥、松软、多石环境中的表现，但火星表面还涉及极低温对材料的影响、微重力或低重力下的力学行为差异、以及完全无法在地球上完整复现的尘埃带电黏附现象。科研人员目前对这个问题的态度是谨慎的——他们没有宣称仿真训练能解决一切，而是把这次沙漠测试看作一个迭代循环中的第一步：从虚拟环境到受控实地测试，再到更复杂的实战环境，每一步都在修正对算法能力的理解。

还有一点容易被忽略但很有意思:ERNEST身上那套主动悬挂系统，也可能为未来的探测任务打开一扇新窗口。主动悬挂意味着车体高度和姿态可以动态调整，这就不只是用来越过障碍物——它还能调整搭载的科学仪器相对于地面的角度和距离。在月球或火星表面，如果一辆探测车可以把仪器凑得更近或者举得更高，某些地质观测的灵活度会大大增加。当然，这在目前还只属于人们基于既有技术能力所做的合理想象，尚未在这次测试中被明确验证为科学操作能力。

从更大的图景来看，ERNEST所代表的方向并不是要造一辆更快的火星车，而是催生一类能够应对未知的探险机器。过去的行星探测逻辑是：人类在地球上做好准备，尽可能预见所有危险，然后指挥探测器一步步小心翼翼地走。未来的逻辑可能是：人类给出一个目的地，机器自己想办法到达，过程中遇到的困难由机器自己分析并解决，人只在它实在搞不定时才介入。这中间的信任转移，才是整个项目最深层的变化。

站在2026年看ERNEST在沙漠里缓缓前行的视频画面，画面本身并不震撼——没有爆炸，没有轰鸣，只有一辆试验车在石头之间安静地找路。但或许正是这种“不引人注意的自主”，才是机器真正开始变聪明那一刻的样子——不是突然灵光一现，而是持续地在无人注视的测试场上，一个坡道一个坡道地学过来。