AstroForge的Transformer模型‘Solo’并非首个在太空中运行的AI控制器。2025年10月，德国维尔茨堡大学团队已在InnoCube纳米卫星上验证了全球首个基于深度强化学习的在轨姿态控制器。那次验证中，AI在9分钟内自主完成了卫星姿态调整，且模拟环境训练后的策略可直接迁移至真实太空。AstroForge的激进之处在于用更具泛化能力的Transformer栈替代强化学习，并且计划切断所有地面无线电接收通道，让AI在没有人类兜底的环境下独立决策。这将是航天等级最高的‘AI agent’测试。

AstroForge的‘Solo’并非单纯的技术炫技，背后是真实的基础设施危机。全球深空通信主要依赖NASA的深空网络(DSN)，仅14套天线分布在加州、西班牙和澳洲三地。随着阿尔忒弥斯载人任务等重大项目优先抢占资源，DSN已被报告‘超额订阅40%’，导致其他航天器可申请的通信窗口急剧压缩。对于预算有限的初创公司，自建5个地面站要花约2亿美元，而将智能放在航天器上在成本上更具吸引力。通信资源的绝对稀缺，才是逼出航天大模型的经济根源。

当AstroForge将航天器控制交给Transformer时，NASA喷气推进实验室(JPL)仍在遵循‘十大安全关键代码规则’——禁用递归、禁止运行时动态内存分配、循环设固定上限、函数长度不超过60行。这套由首席科学家Holzmann提出的规范，核心哲学是‘控制复杂度、追求确定性’。对于JPL而言，神经网络在极端太空环境中的行为可解释性不足，任何‘黑盒’决策都可能在任务中造成不可逆的灾难。两种路径的碰撞，本质是‘可验证的确定性’与‘从数据中习得的灵活性’之间的工程哲学之争。

AstroForge设想在完全失联时由AI自主修复，但航天器在重返大气层等极端场景下会遭遇‘黑障’——等离子体屏蔽所有电磁信号，通信完全中断。中国团队2025年刚以‘等离子体包覆天线阵列’突破了此难题，实现47秒无盲区跟踪。这引出一个关键追问：当AI控制器的传感器可能被等离子体、宇宙射线或温差场干扰时，它在数据来源本身失效的情况下应如何做出‘安全坠毁’与‘硬着陆’的选择级决策？