※本記事は、AI Impact Summit 2026 のセッション「Smart Satellites, Smarter Systems: AI Across the Space Ecosystem」の内容を基に作成されています。本セッションは、AI が宇宙分野全体において、衛星の設計・運用、データ処理、そしてダウンストリームの応用にわたって、より高い自律性・効率性・スケーラビリティ・価値創造を可能にする変革的な力として台頭している状況を踏まえ、宇宙バリューチェーン全体における影響力の大きい AI のユースケースを検討し、その技術的・商業的意義を評価するとともに、スタートアップ・学界・研究機関の間での連携機会を見出すことを目的としています。本記事では、セッションの内容を要約しております。なお、本記事の内容は原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの動画(https://www.youtube.com/watch?v=9tv8plE2LUQ)をご覧いただくことをお勧めいたします。
本セッションの登壇者は以下のとおりです。
セッション議長兼モデレーターは、Indian National Space Promotion and Authorization Center(IN-SPACe)のプロモーション担当ディレクターである Vinod Kumar 博士です。同氏は誘導・航法・制御(GNC)システムの専門知識を有しています。
パネリストとして、ISRO で宇宙ロボティクス活動を主導し、AI 搭載ヒューマノイド Vyommitra の開発に携わる Ray Raj 氏、自律的な月・火星着陸の研究に取り組む MKSSS Cummins College of Engineering 学部長の Deepti Patil 教授、エッジコンピューティングの専門家であり Skyserve の創業者兼 CEO である Vinesima 氏、宇宙データ応用の専門家で ARMS の CEO 兼創業者である Jagrati Dawas 氏、Space Application Centre(Ahmedabad)のリモートセンシングデータ処理の専門家である Ashutosh Gupta 氏、そして誘導・航法・制御および宇宙機の自律性に取り組む ISRO シニアサイエンティストの Ishita Genju 氏が参加しています。
1. オープニング:宇宙とAIの融合がもたらす新時代
1.1 セッションの主題と「認知的宇宙知能」への転換
司会者: それでは inspace を代表して、パネリストの皆さま、そして会場の皆さまを歓迎いたします。本セッション「Beyond Earth: AI はいかにして宇宙探査と宇宙応用の新時代を動かすか」の議長兼モデレーターとして、Indian National Space Promotion and Authorization Center(IN-SPACe)のプロモーション担当ディレクターである Vinod Kumar 博士に、基調講演と開会の辞をお願いいたします。
Vinod Kumar: ありがとうございます。パネリストの皆さま、そして会場の友人の皆さまに、改めて歓迎の意を表します。本セッションは、AI が現在どこで役立っているのか、そして宇宙エコシステムが将来何をしようとしているのか、宇宙の全領域を網羅するものです。
私たちは今、2026年2月にここに立っています。最後のフロンティアは、もはや人類の勇気が向かう目的地ではなくなりました。それは人工知能にとっての究極のテストベッドとなったのです。私たちは、衛星が単なる「バントパイプ」、つまり電波を地球へ反射するだけの存在であった時代を通り過ぎました。今日、私たちは真の認知的宇宙知能アーキテクチャの誕生を目の当たりにしています。ISRO の Gaganyaan 計画において人間とロボットの協働を再定義しつつある India の Vyommitra から、私たちの頭上で AI モデルをほぼリアルタイムに処理する三体コンピューティング・コンステレーションに至るまで、シリコンと宇宙のシナジーはかつてないほど強固なものとなっています。
私たちは本日、AI が宇宙飛行士の単なるアシスタントではなく、ミッション生存の重要なイネーブラーとなる仕組みを議論するためにここに集まりました。それは自律ロボティクスを通じてであれ、AI 駆動のナビゲーションを通じてであれ、あるいは AI を活用した宇宙農業の応用によって生命を維持することを通じてであれ、です。本日の目的は、この革命の軌跡を描き出すことにあります。なお、技術的な観点を補足しますと、信号の遅延という物理的制約が自律性を不可欠なものにしています。月は38万5,000キロメートル離れており、そこからの信号が届くには1分以上かかります。一方で、ここで求められる応答時間は秒、ときにはミリ秒の単位なのです。この制約をいかにミッションに組み込んでいるか、それを本日のパネリストから伺ってまいります。
1.2 シードファンド制度の発表とパネリスト紹介
Vinod Kumar: 本題のパネルに入る前に、私たちの新しい宇宙エコシステムに向けて、一つサプライズの発表があります。それはシードファンド制度です。この制度では、各スタートアップに最大1クロール(1,000万ルピー)の助成金を提供します。「AI に着想を得た宇宙分野の機会」というテーマで、私たちはこの制度を立ち上げ、本日ここに参加への門戸を正式に開くことを宣言します。私たちはこれをさらに拡充し、垂直領域を増やしてスケールアップしました。「地球のための宇宙における AI」「宇宙へのスマートアクセス」など、皆さまが考えうるあらゆる領域での応募を募ります。専門家パネルによって評価し、助成金を期限を定めて交付してまいります。すでに11件の承認を出しており、そのうち7件はすでに稼働中、4件は交付手続き中です。これに加えて、ここで新たに6件を計画しています。どうか皆さま、熱意をもって参加してください。
さて、パネルに戻りましょう。本日は素晴らしいパネリストの皆さんが壇上にそろっています。まず、AI 搭載ヒューマノイド Vyommitra の開発者である Ray Raj 氏です。次に、AI による月・火星着陸の専門家です。従来、降下フェーズを担う数学モデルを多項式で設計する手法は「恐怖の15分間」と呼ばれてきましたが、それを AI の助けで簡素化した方々がいます。Deepti Patil 教授です。そして、膨大なデータを扱う上で極めて重要なエッジコンピューティングの専門家、highspace の Vinesima 氏。さらに、宇宙データから一般の人々がどのように洞察を読み取れるかをお話しいただく、ARMS の CEO 兼創業者 Jagrati Dawas 氏。Space Application Centre, Ahmedabad のリモートセンシングデータ処理の専門家 Ashutosh Gupta 氏。そして最後に、決して軽んじることのできない、ISRO のシニアサイエンティストであり、誘導・航法・制御、そして宇宙機の自律性に取り組んでこられた私の同僚、Ishita Genju 氏です。彼らはロケット科学と人工知能、そしてニューラルネットワークの交差点に生きる、いわば未来の AI 科学者たちです。それでは前置きはこのくらいにして、私たちが地球を越えて進むとき、単に生き延びるのではなくいかに繁栄するか、AI がそれをどう保証するのかを議論するパネルを始めましょう。
2. AI搭載宇宙ロボティクスとVyommitraヒューマノイド
2.1 Vyommitraの役割とAI実装上の課題
Vinod Kumar: それではパネルを始めましょう。まず重要なのは、AI 搭載の Vyommitra がいかにして私たちの Gaganyaan ミッションを導くのか、という点です。Ray Raj 氏、ようこそ。この新たな宇宙探査の時代に入るにあたって、Vyommitra ヒューマノイドのような AI 搭載宇宙ロボティクスの統合は、あなたの宇宙探査へのアプローチをどのように変えつつあるのでしょうか。
Ray Raj: ありがとうございます。ご来賓の皆さま、ビジョナリーの皆さま、おはようございます。私は ISRO で宇宙ロボティクス活動を主導しております。まずお話ししますと、ISRO の最初の無人 Gaganyaan ミッションでは、半身ヒューマノイドの Vyommitra を送り出します。これは35自由度のシステムであり、単なる機械ではありません。クルーモジュール内で、宇宙飛行士の活動をほぼそのまま模倣するものなのです。そのために、音声エンジンや視覚的認知機能といった多くの機能が組み込まれています。
いくつか具体的な点を申し上げますと、まず打ち上げの上昇フェーズそのものにおいて、宇宙飛行士が表示パネルを見るのと同じように、この Vyommitra も表示を読み取り、複数の動的パラメータを含むシステムの性能を評価します。そしてそれを音声で報告するのです。軌道到達後には微小重力下でのマニピュレーションを行います。常時ミッション管制室と連絡を取り合い、音声コマンドを受け取って、それに従って行動します。
それ以上に、今まさに私たちが直面している大きな課題は、AI 機能をこのシステムにどこまで実装するか、という点です。いくつか制約があります。データセットについて言えば、宇宙ドメインの学習データセットは複雑なシステムです。そこで私たちはデジタルツインを用意し、転移学習を行おうとしています。これが一つの領域です。もう一つは、私たちにはデータセンターやクラウド、インターネット接続といった贅沢が一切ないという点です。そのためエッジコンピューティングが必要になります。これがまさに私たちが取り組もうとしていることです。
Vinod Kumar: あなたの複雑さを減らすために、私たちにはエッジの専門家がいますので、おそらく後ほど。
Ray Raj: はい、その点はおそらく後ほどカバーいただけると思います。最後に一点だけ申し上げますと、この種のシステムへの AI の統合は単なるアップグレードではありません。それは私たちの宇宙ビジョン2047、すなわち Viksit Bharat の根幹をなすものなのです。
2.2 宇宙ステーション向けロボティクスとAI統合の位置づけ
Ray Raj: Vyommitra に続いて、私たちは多くの宇宙ロボティクスシステムを展開していく予定です。それらは複数のシステムを自律的に運用することになります。ロボットマニピュレータについて言えば、ロボットマニピュレータそのものか、あるいはフリーフライヤー・アシスタンスのいずれかです。フリーフライング・アシスタンスについて言えば、それは単に宇宙ステーション内でタスクを実行するだけではありません。人間の宇宙飛行士を補助し、さらにはコンパニオン・ロボとなるのです。
こうしたことを実現するためには、エッジコンピューティングのプラットフォームが必要であり、異なるアプローチ、おそらく FPGA プラットフォーム上に SNN、すなわちスパイキングニューラルネットワークを実装するといった手法が求められます。これは挑戦的な課題であり、まさに私たちが取り組もうとしていることです。
Vinod Kumar: 大変興味深いお話です。あなたは35自由度とおっしゃいました。私たちはこれまで6自由度に取り組んできましたので、それがどれほど難しいことか理解できます。しかし、AI がそれを可能にしているのですね。
3. AIによる月・火星の自律着陸
3.1 不確実環境でのリアルタイム意思決定とシミュレーション戦略
Vinod Kumar: 続いて、次の登壇者である MKSSS Cummins College of Engineering の学部長、Deepti Patil 博士に移りましょう。先生は私たちと共に月・火星への自律着陸に取り組まれ、それをドローン上にうまく模倣して、ハザード検出と表面への着陸を実証されました。あなたの隣に座っているパネリストは数学モデルに取り組み、まず数学的定式化を行って多項式を作り、降下までの計算時間を求めるという手法を用いています。それに対し、あなたはそれを人工知能を使って実現されました。最も難しい技術的課題は何だったのか、会場の皆さんに少しお話しいただけますか。
Deepti Patil: ご質問ありがとうございます。皆さん、おはようございます。私は自律月面着陸という問題に取り組んでまいりました。主に取り組んでいるのは、パワードディセント(動力降下)モードでのソフトランディングです。この問題に取り組む中で最も難しい課題は、不確実な環境におけるリアルタイムの意思決定であると言えます。
月面の地形は非常に非構造的で、起伏に富んでいます。クレーターやボルダーといったさまざまなハザードが存在し、極端な照明条件もあります。そして AI モデルを学習させようとするとき、AI モデルの学習にはデータが必要です。限られたデータしか利用できない中で、もし私たちが自律的に AI モデルを学習させられるなら、さまざまな軌道をモデルに与え、それをシミュレーション環境でテストすることができます。
そこで私たちが見出した解決策は、月面全体をシミュレーション環境としてモデル化することです。そこでは、さまざまな種類の Apollo 着陸地点をモデル化できます。そしてそれらの地点で、宇宙機が安全着陸のために訓練されるのです。ここでは AI と AR/VR 技術の融合が起きています。まずモデルを安全着陸の軌道で訓練し、それを実際の月ミッションのために検証することができるのです。
3.2 リソース制約下の実時間制御とドローン実証実験
Deepti Patil: リアルタイムの意思決定と言うとき、それは単にハザードを特定することだけではありません。リアルタイムでアクションを取ること、つまり推力制御や制御コマンドの生成、あるいは軌道の変更といったことを意味します。しかもそれを、計算能力に限界のあるリソース制約環境の中で行わなければなりません。応答時間もまた重要な要素の一つです。そこには人間による制御や介入が一切なく、エンジンが自律的にそのアクションを取らなければなりません。ですから非常に正確でなければならず、そこに確かに課題があるのです。しかし AI は、惑星の条件を事前に知らなくても、私たちが物事を学ぶ手助けをしてくれます。
ケーススタディは月かもしれませんが、これは火星をはじめとする他のミッションにも応用可能です。大気条件は変わるかもしれませんが、特定のシミュレータ環境を構築すれば、惑星ミッションの成功率を高める方法を見出す助けになるのです。
Vinod Kumar: 素晴らしいですね。当初、私たちは月面のデータを得ることに苦労していました。そこで彼らはそのデータをシミュレーションで生成したのです。これこそ AI にできることです。そして、ある一つのユニークな取り組みとして、彼らは地上に月面表面をハザードとともに描き、クアッドコプター・ドローンを使って着陸させました。そしてそのドローンは安全に着陸したのです。実に見事でした。
4. エッジコンピューティングと宇宙でのAIモデル精度
4.1 地理空間モデルの軽量化と地上―衛星の処理パイプライン
Vinod Kumar: さて、お二人の登壇者がともにエッジコンピューティングについて触れてくださいました。ここで、highspace、いえ Skyserve の創業者兼 CEO である Vinesima 氏にお話を伺います。お二人とも、エッジコンピューティングの力について語ってくださいましたが、私からお尋ねしたいのは、いかにしてエッジで AI モデルの精度を達成するのか、という点です。宇宙ミッションでは精度がすべてですから、これは非常に重要です。どうやってこれを実現するのでしょうか。また、AI モデルをエッジで動かすことは計算のためにより多くの電力を消費するのではないか、それをどう管理しているのか、お聞かせください。
Vinesima: ご質問ありがとうございます。そしてお招きいただきありがとうございます。さかのぼってお話ししますと、Skyserve はこの7年間、エッジ AI の最前線に立ってきました。これまでに5つ以上のミッションを完了し、今後12ヶ月でさらに15〜16のミッションを手がける予定です。
モデルの話に戻りますと、ご承知のとおり、地理空間モデルは電力も計算負荷も非常に大きいものです。それらはそもそも宇宙機上で動かすようには設計されておらず、トレードオフは極めて大きい。これらは300メガバイト、500メガバイト、中には800メガバイトに達するモデルもあり、多くのリソースを消費します。そして特定のセンサーデータについて、さまざまなスペクトルバンドでトレードオフを行うと、それが精度や成果に問題を引き起こすのです。
そこで私たちが行っているのは、地上にシステムを展開し、地理空間モデルを「GoEO モデル」へと変換できるようにすることです。チューニングを施すことで、たとえば300メガバイトのモデルが30メガバイトの GoEO モデルになります。それを対象となる宇宙機向けにさまざまなパラメータでテストし、複数のフェーズを経て検証・処理を重ね、顧客の観点から望ましいレベルにまで仕上げます。そして地上システムでチェックと再検証を済ませたうえで、初めて衛星に搭載したシステムへとアップロードするのです。こうすることで、衛星上では過度の電力を引き出すこともなく、精度を損なうこともなく、シームレスに機能します。
4.2 達成した削減効果と「Insights as a Service」
Vinod Kumar: 素晴らしい。これは非常に重要な点です。彼はデータを削減しているわけですが、どの程度のデータ削減を達成できているのか、一つ数字を挙げていただけますか。
Vinesima: 大まかに申し上げますと、私たちは10倍の削減を実現しています。10倍速く、サイズは5倍削減され、そしておそらく3倍ほど安価です。データを MB から KB へと持ち込むのです。私たちはこれを広く「Insights as a Service(サービスとしての洞察)」と呼んでいます。宇宙から直接デバイスへ、あるいは直接地球へ、わずか数キロバイトで届けるのです。顧客には選択肢があります。自分たちにとって最も都合のよい生のシーンを選ぶことも、私たちが「イメージチップ」と呼ぶものを選ぶことも、あるいはその前段階である洞察そのものを選ぶこともできます。洞察はバックホールの接続状況に応じて数秒から数分で届き、続いてイメージチップが、そして最後に画像そのものが届く、という流れです。
Vinod Kumar: 素晴らしいですね。データを削減しつつ、情報の本来性、つまりオリジナリティを失うことなく物事を容易にする、というのは理にかなっています。
5. 自律性・信頼性をめぐる議論とISROのロードマップ
5.1 自律性の必要性と説明可能性・ロバスト性への懸念
Ishita Genju: 数学的手法というものは、決して偶然に成り立つものではなく、注意深い設計から生まれます。私はあえて申し上げたいのですが、近年私たちが経験した複雑なミッション、たとえば月のソフトランディングミッションでは、環境にも、力学にも、アクチュエータにも、多くの非線形性が関わっていました。そこで私たちは、最適化や回帰といった数学的ツールを用いて、着陸シーケンスや着陸地点のリターゲティングの多くを自動化したのです。これらの最適化や回帰は、いわば AI の前身であり、AI が築かれる土台です。ですから、今日私たちが目にするような本格的な AI ではないにせよ、私たちの設計の中には確かに AI の要素が存在していると言えるでしょう。
完全な自律性が要件であるかどうかについてですが、地球を越え、深宇宙探査へと向かうとき、たとえば火星ミッションを考えてみてください。通信の遅延は分単位、実際には最大20分にも及びます。地球からの指令が宇宙機に届くころには、それはすでに時代遅れになっているのです。この点を踏まえれば、私たちにはますます多くの自律性が必要であると考えます。
とはいえ、AI システムの信頼性については強い懸念があります。AI は確かに設計にかかる時間とコストを大幅に削減してくれます。多くの構成や条件を高速に反復できるため、迅速な最適化が可能になり、素早いプロトタイピングの能力をもたらしてくれます。しかし、私自身が制御エンジニアであることもあり、私たちがより重視するのは安定性です。私たちが懸念するのはシステムにおける保証なのです。もし私のシステムがある挙動を示したなら、どの入力信号がその挙動を引き起こしたのかを知りたい。それは再現可能なのか。つまり私は AI システムや自律性に説明可能性を求めるのです。加えて、不確実性の下でも機能してほしい。ですからロバスト性という側面も欲しいのです。完全自律衛星は実現可能だと思いますが、いくつかの課題があり、もちろん計算能力の課題は Vinesima 氏が取り組んでおられますし、データの可用性という課題は先ほど Deepti 先生がおっしゃったとおりです。
Vinod Kumar: つまり、あなたは学者の皆さんにさらなる宿題を出しているわけですね。性能を説明できるようにせよ、と。私が思い出すのは、ISRO の衛星に初めて自律性を組み込んだときのことです。それは Eutelsat という顧客からの要求でした。「48時間の自律性が欲しい」と。当時、私たちの衛星には常に人間がループの中にいて、彼らは管制センターに必ず一人は人を置くことを求めていました。私たちはすべての人員を外し、それまで手動で管理していたものを、この自律性を組み込むことで実現したのです。それは大きな学びでした。全システムの性能をマッピングし、各サブシステム、センサー、アクチュエータに監視を設け、「これが起きたらこう対処する」という形を作りました。それを顧客に説明するのがどれほど大変だったか。Vyommitra チームの皆さんも、きっと同じような苦労に直面されることでしょう。
5.2 AI自律システムのロードマップとインドアーム構想
Vinod Kumar: Ray Raj 氏、あなたにもう一つ質問があります。India の将来の宇宙ミッションにおける、AI 搭載自律システムに関する ISRO のより広範なロードマップは何でしょうか。
Ray Raj: はい。ロードマップについて言えば、私たちの方針は非常に明確です。私たちには二つの垂直領域があります。一つは、将来のニーズ、とりわけ有人宇宙ミッションや、相互接続されたミッション、月サンプルリターンミッションに向けた高度なロボティクスシステムの開発です。私たちはいくつもの宇宙ロボティクスシステムを開発していきます。これが一つの垂直領域です。それと並行して、もう一つの垂直領域として、私たち独自の AI モデルを開発します。これは基本的にコンパクトな、宇宙に特化したモデルです。
ロボティクスシステムについて言えば、現在 Vyommitra が最初の Gaganyaan 無人ミッションで飛行する予定です。続いて、私たちの宇宙ステーションである Bharatiya Antariksh 宇宙ステーションに向けてロボットマニピュレータを用意します。一つは内部用のロボットマニピュレータで、内部のカーゴを扱い、微小重力下での科学実験を自律的に実行できるものです。さらにフリーフライヤー・アシスタントも用意します。これはステーション内を動き回り、予知保全を行い、ステーション全体の健全性監視のすべてを担います。そして人間の存在があるときには、宇宙飛行士を補助し、コンパニオン・ロボとなります。これも私たちが ISRO で取り組んでいる活動です。三つ目は、完全に自律的な AI 駆動システムである本格的なヒューマノイドの開発です。最初の Vyommitra は基本的に先行機であり、技術実証機として飛ばしてきました。それに続いて、より複雑なシステムを用意していくことになります。
Vinod Kumar: 素晴らしい。私たちは、カナダの「カナダアーム」が国際宇宙ステーションでどのように働いているかをよく耳にしてきました。これからは私たちの宇宙ステーションに「インドアーム」が載るわけですね。実に興味深い洞察をいただきました。
6. 人材育成と自然言語処理によるヒューマノイドの進化
6.1 宇宙分野への若手人材育成とキャリア論
Vinod Kumar: 少し順番を変えましょう。ここで Ishita Genju 氏に質問です。あなたの視点から、今日宇宙分野に入ろうとする人にどんな助言をされますか。若い視聴者もいるかもしれません。若い技術者は宇宙分野に入るにあたって、AI/ML だけに注力すべきなのか、それとも数学や物理の基礎に注力すべきなのか、お考えをお聞かせください。
Ishita Genju: 先ほど Vinesima さんや Jagrati さんも指摘していたように、今日の AI システムによって参入障壁は大きく下がりました。とはいえ私が信じているのは、これらの AI モデルのどれかに難しい問題を与えれば、確かに解は返してくれるでしょう。しかし、その解が自分の応用にとって正しいのかを理解し、その解を適切に判断するためには、非常に強固な基礎が必要だということです。それが宇宙システムであれ、他のどんな分野であれ、基礎は強固でなければなりません。
「正しい問いを立てることは、問いに答えることよりも難しい」という言葉があります。私は、正しい基礎を持っていれば AI に正しい問いを立てられ、表面的な知識しか持たない素人よりもはるかに多くを引き出せると信じています。AI が登場したことで、基礎をよく理解している人とそうでない人との差は、むしろ広がる一方だと感じます。なぜなら、よい知識を持つ人は AI の支援を受けて10倍よい仕事をするからです。もう一つ付け加えたいのは、基礎に加えて、自分の分野におけるデータ駆動型の手法にも精通しておくべきだということです。制御の分野にはデータ駆動制御がありますし、数学的な分野にいるなら統計やそれに関連する手法をよく知っておくとよいでしょう。そしてその上で、あらゆる分野のあらゆる人にとって最も必要なスキルは「適応する能力」だと思います。今後 AI システムがどのような発展を遂げるか、私たちには分からないのですから、新しいやり方に適応し、学び、そして学び直す能力を持つべきです。
Vinod Kumar: 大変興味深いですね。彼女は再び説明可能性とロバスト性を強調しています。制御系を設計するとき、ゲイン余裕はこれだけ、位相余裕はこれだけと与えられます。さもなければ、位相が90度であれば、コマンドは90度後に作用してしまうのですから。
Ishita Genju: もう一点付け加えてもよろしいでしょうか。先ほど信頼性についてお尋ねがありました。たとえ AI ベースの自律システムを設計したとしても、これらのアルゴリズムのテストと妥当性確認にはより多くの努力を注ぐ必要があると感じます。そしてその妥当性確認は、物理に基づき、物理情報に裏打ちされたものであるべきです。ですから、今日において基礎がなおざりにされているとは決して言えないと思います。
Vinod Kumar: はい、物理情報という観点は非常に重要ですね。ただ、これは産業界の視点でした。同じ問いを、多くの研究をされてきた学界の立場から Deepti Patil 博士に振りたいと思います。
Deepti Patil: はい。Ishita さんが物理情報という点をおっしゃったことに付け加えたいと思います。自律着陸であれ何であれ、それは物理情報に基づくべきです。今では物理情報ニューラルネットワーク、すなわち PINN という新しい概念があります。そうしたネットワークを訓練することで、基礎を土台として、構築された自律システムを検証できます。たとえば強化学習が使われる場合、方策の決定があり、それに基づいて報酬が与えられます。その方策を物理情報に基づくものとすることで、そのシステムが正しく機能しているかどうかを検証できるのです。
加えて、若い人々についてのご質問にもお答えします。私は学者として多くの学生と接していますが、彼らが宇宙に強く魅了されているのを感じます。ISRO や NASA の名前が出ると、彼らは目を輝かせます。私の所属する工学系の大学には本格的な宇宙技術のコースはありませんが、それでも学生たちはシステムを開発し、学ぼうという意欲を持っています。つまり、彼らは多様な分野からやってきます。宇宙技術は単一のドメインではなく、多分野横断の領域なのです。コーディングがあれば AI や IT、コンピュータが、通信があれば電子工学が、ロケットには機械工学が関わります。基礎は検証のために非常に重要であり、欠かせないものですが、それが「やり直し」になってはなりません。その代わりに多分野チームを編成できれば、学習にかかる時間を減らし、開発に時間を充てられます。
Vinod Kumar: それが肝心な点です。さもなければ、その分野出身でない人は物事を学ぶことにより多くの時間を費やすことになり、それが自分の専門でないがゆえに意欲をくじいてしまうかもしれません。自分が貢献できるところにこそ、若い人は注力すべきです。
Deepti Patil: もう一点、初めのうち工学系の学生や若い人たちは、自分たちがどのような給与を得られるかを気にします。ですから就職先というのも、若い人にとっては非常に重要です。今や宇宙分野は門戸を開き、ISRO だけに限られるものではなくなりました。多くのスタートアップが立ち上がり、雇用機会も生まれています。これこそ、今、若い人々が貢献に関心を寄せている主たる理由であり、若い頭脳とともに技術を発展させる助けにもなるのです。
6.2 自然言語処理とヒューマノイドの「コンパニオン」化
Vinod Kumar: では、他のパネリストも問いかけてきた点について、もう一つ質問しましょう。空間アシスタントのための会話を人間らしくするうえで、自然言語処理はどのように進化しているのでしょうか。Ray Raj 氏は、ヒューマノイドは単なるアシスタントではなくコンパニオンであるべきだとおっしゃいました。
Deepti Patil: コンパニオンですね。コンパニオンシップを語るのであれば、ヒューマノイドには人間的なタッチがなければなりません。その人間的なタッチを実現しようとするとき、会話における自然言語こそが、より影響力のある要素となります。ご覧のとおり、LLM があり、DeepMind があります。テキストベースの応答を生成する Transformer モデルはすでに存在しています。しかし、その種の人間レベルの言語による会話を実現したいのであれば、それは音声ベースの技術に基づくべきです。そこではテキストだけでなく音声が理解され、意味論が重要となり、文脈の理解が極めて重要になります。この文脈ベースの自然言語処理をヒューマノイドに組み込むことができれば、そのヒューマノイドは宇宙飛行士にとって、影響力のあるコンパニオンとなるのです。
Vinod Kumar: つまり、これはまだ時間とともに進化を続けている、ということですね。説明可能 AI は非常に重要であり、決定は説明可能性によって裏打ちされなければなりません。
7. データ更新・リモートセンシング処理・宇宙データ応用
7.1 エッジAIモデルの更新と地政学・環境変化への対応
Vinod Kumar: では Vinesima 氏に戻りましょう。あなたのエッジコンピューティングについてですが、一般にモデルは地上で絶えず更新されます。AI モデルは、優先事項の変化や地政学的状況の変化に応じて、どのように更新されていくのでしょうか。お考えをお聞かせください。
Vinesima: 先ほど Ishita さんも Deepti さんも触れていましたが、根本的な点として、いかなる数学モデルもエッジモデルも、それがどれだけの範囲のテストケース、どの程度のシナリオに対応できるように設計されているかによって規定されます。私たちが目指す理想の状態は、ちょうどスマートフォンのアプリをシームレスに更新するように、OTA(無線経由)アップデートと同じ機能が衛星にも可能であり、それが「スマート衛星」へと変わっていく、というものです。
私たちがこのモデルを考え、それについて書き始めたとき、いくつかのミッションでは「このモデルが機上でどのように更新されるのか」を説明するために、数百ページにも及ぶ保証書を提出しなければなりませんでした。地政学的な考慮事項をどう織り込むのか、あるいは気象条件や、現実である気候変動、災害管理、火山灰をどう扱うのか、といったことです。火山灰は深刻な問題を引き起こしかねません。実際、電気光学ミッションでは地球大気のおよそ67%が雲に覆われており、雲そのものを研究するのでない限り、データの大部分は使えないのです。
こうした要素を踏まえて、私たちはあるエンジンを構築し始めました。それは、スマートフォン上でモデルを更新できるのと同じように、テストケースの範囲を超えて、地上のシステムでもこれらのモデルを随時更新できるようにし、パッチ更新を行い、それをテレコマンドとして機上のシステムへ送れるようにするものです。これは陰と陽のように機能します。
Vinod Kumar: ここでは人間がループの中にいるのですか、それとも自動で行われるのですか。
Vinesima: 自動で行われます。もちろん、結果が問題ないこととパラメータを確認するために、パラメータは改めて検証・テストされます。気象条件や地上の現実は今や毎日のように変化しており、一週間ももたないほどです。ですから私たちはこれを更新し続けなければならず、そのためのモデルを構築せざるを得なかったのです。
7.2 リモートセンシングデータ処理におけるAI
Vinod Kumar: ありがとうございます。続いて、データ処理の専門家である Ashutosh Gupta 氏に移ります。データ処理と応用において、AI は従来手法よりもうまく、どのような側面の解決を助けてくれているのでしょうか。そしてリモートセンシングデータ処理に関して、AI の最も重要な側面は何だとお考えですか。二部に分けてお答えください。
Ashutosh Gupta: ありがとうございます。第一部について、データ処理の面で起きてきた変化を見ると、私たちが扱っているデータ量は膨大です。たとえば最近打ち上げられた NISAR では、1日あたり85テラバイトのデータが得られます。これは、今後5年間で私たちが手にするデータ量が、過去40年間に収集してきたデータ量を上回ることを意味しています。
異なるセンサーから得られるこの生の情報、それも単なる光学センサーだけでなく、SAR センサーやドローンプラットフォームといった多様な種類のセンサーから得られるマルチモーダルな生データは、必ずしも応用ユーザーがそのまま使えるものではありません。ですからその生データを変換し、詳細を引き出し、設計上の限界に起因してデータに組み込まれている不確実性を低減し、本質的にデータの品質を引き出して、その品質を計測しなければなりません。AI はそこで大きな役割を果たしており、私たちは ISRO でそうしたモデルに取り組んでいます。
第二部として、各センサーから標準化・均質化されたデータが得られたら、それをどうするのか、という点があります。今度は、個々の「ビン」に収められている情報を統合して、互いに対話できるスタックを形成する必要があります。これは ISRO が非常にうまく取り組んできた領域だと私は感じています。私たちはすべてのセンサーを共通プラットフォームに統合しようとしています。たとえば Vedas や Bhuvan です。そこではすべてのレイヤーがユーザーにアクセス可能となり、私たちはそれらを通じて洞察を提供できます。
そして最も重要な要素は何かという第二の問いですが、今日において最も重要な要素はデータだと私は申し上げます。モデルももちろん重要ですが、いかなる AI モデルも、それが消費するデータの良し悪し次第なのです。ですから私は、とりわけインドの地域やインドのユースケースに向けたデータセットを拡充すること、そして単なるデータ量だけでなく、データの品質と多様性こそが、この分野における私たちの AI 革命を駆動するものだと強調したいのです。将来的には、衛星フリート全体の計画立案において完全な自律性へと大きくシフトしていくでしょう。私たちが知らないうちに、衛星は変化が予想される地点を観測・指向し、その処理をエッジコンピューティングで行い、最終的な意思決定と、情報レイヤーを通じてもたらされる実用的なインテリジェンスのために地上へ降ろしてくれるようになるはずです。
Vinod Kumar: ここで一点付け加えますと、今日大きな注目を集めている基盤モデルは、さまざまな情報源から大量のデータを消費しますが、個々のユースケースに容易にファインチューニングできます。過去10年は、用途ごとに別々のモデルを作るのが常でした。検出には一つのモデル、分類など他の用途には別のモデル、という具合です。しかし今、私たちはこれらのモデルの大規模な統合を目にしています。これこそ ISRO で私たちが取り組んでいることであり、これが未来の姿だと感じています。
7.3 AIと宇宙データによる精密農業・カーボンクレジット
Vinod Kumar: 大変興味深い洞察です。それでは Jagrati 博士に、ラピッドファイア形式でお尋ねします。農家が衛星や AI の複雑さを理解する必要がない未来を、私たちは築けるのでしょうか。それでも彼らは、スマート農業や精密農業によって、水やコスト、農薬などを節約しながら、宇宙技術と AI を使って追加の収入を得られるのか。1分ほどでお考えをお聞かせください。その後、会場からも質問を取りたいので。
Jagrati Dawas: はい。これは非常に興味深いユースケースです。私たちは農業国です。農薬や農業アドバイザリーが栽培コストの節約に重要であることは誰もが知っています。しかし、新しい概念があります。新しいとまでは言いませんが、これから広まりつつある「カーボンクレジット」という概念です。India のすべての土地保有者は、過去20〜30年間続けてきたのとまさに同じことをするだけで、追加の収入を生み出すことができるのです。
そしてこのカーボンクレジットは生成され、カーボンニュートラルという新たに台頭しつつある概念に到達するため、排出削減を目指す大企業に売却することができます。ここでこそ宇宙データと AI が実際に役立ちます。最近私たちが取り組んでいるのは、土地に座っているだけで、自分の1ヘクタールの土地から1日にどれだけのカーボンクレジットが生成できるのか、そしてそのサービスに登録するだけでどれだけの収入を生み出せるのかを、毎日知ることができる仕組みです。今日、自分は排出を削減できているのか否か、それを何の手間もなく日々把握できる。これこそが、AI と宇宙データがインパクトをもたらしうる場面です。そして自然言語による会話を通じて、複雑さを一切伴わずに、草の根レベルで、かつスケールをもって、純粋なインパクトを届けられる。これが本物のインパクトであり、私たちが目指して取り組んでいることなのです。
Vinod Kumar: 素晴らしい。あなたはカーボンクレジットという新しい概念を持ち込んでくださいました。水を節約し、施肥を節約すれば、入力コストも節約できるうえに、追加のカーボンクレジットも得られる、と。非常に興味深いお話です。
8. 質疑応答とクロージング
8.1 質疑応答:信頼性・検証・自律衛星
Vinod Kumar: あと6分半ほど残っていますので、会場から2つほど質問をお受けしましょう。では、こちらの方からお願いします。
会場質問者(建築家): 素晴らしい洞察と素晴らしいパネルをありがとうございます。私の質問は、研究開発における AI の精度と信頼性について、とりわけ学際的な活用に関するものです。私自身は建築家で、こうしたデータをどう使えるか、そして AI をそれを高めるエンハンサーとしてどう活用できるかを考えています。質問は Ishita さん、Deepti さん、そして Jagrati さんへ向けたものです。
Vinod Kumar: Ishita さん、お答えいただけますか。
Ishita Genju: はい。ご質問を正しく理解できていれば、AI モデルの信頼性とデータの精度についてのお尋ねですね。まず信頼性についてお答えします。AI が信頼できる形で動作することを確かめるために、現時点で私たちにできるのは、厳密に検証・妥当性確認(V&V)を行うことだと考えます。それが唯一の方法です。モンテカルロ解析を行い、すべての非ノミナル条件をシミュレートし、統計的に十分よい範囲の中にあるかどうか、つまりミッションを進めてよいと確信できるだけの成功率があるかどうかを確かめるのです。これは宇宙の話ですが、あなたは建築家ですから、おそらく構造物の構造的健全性や機械的な側面を懸念されることでしょう。その分野でも同様に、ある種のシミュレーション環境を用い、地震などご自身の領域にふさわしい非ノミナル条件をシミュレートすることで、出力が信頼できるかどうかを確認できると思います。第二に、あなたはその領域の専門家ですから、チェックリストを持つこと、そしてそのチェックリストの作成自体に AI の助けを借りて、満たすべき重要な側面がすべて確認され、すべての項目にチェックが入るようにすることをお勧めします。
Vinod Kumar: データ処理について、もう一つ補足させてください。彼女はモンテカルロという概念を持ち出しました。これは、最悪ケースの3シグマ変動すべてを考慮して数十億回ものシミュレーションを行い、そこにあるシステム、すなわちモデルが十分にロバストかどうかを教えてくれるものです。それがモンテカルロを挙げた目的です。そしてデータ拡張もまた一つの手法であり、これによって多様性を持たせ、それに対してテストを行うことができます。では次の質問に移りましょう。手短にお願いします。
Jagrati Dawas: 一点だけ付け加えたいのですが、新しい分野を自動化するときには、デジタル化すること、あるいはその分野にすでにデジタル化されたデータがあれば、それが検証材料として機能することが非常に重要です。過去のどの設計が実際にうまく機能し、どれがうまくいかなかったのか、そしてそれはどのような理由によるものなのか。それらを新しいモデルに渡し、同様の結果が得られれば、適切な形で検証できたことになります。
Vinod Kumar: 手短なお答えをありがとうございます。多くの手が挙がっていますが、ここで一つ。Vinod 博士、いえ、あなた自身が GNC システムの専門知識をお持ちですので、Duray Raj 博士とともに、これから先に見据えられる衝突回避のためのオンボード自律性の進展について教えていただけますか。また、遠隔自律システムに関して、精度と正確性を追求する中で、バックプロパゲーションを活用できるのか、あるいはそれを行う際に応答性の面で課題があるのか、という点もお願いします。
Vinod Kumar: 衝突認識について、ごく手短にお答えします。ISRO の NETRA プロジェクトがそれに取り組んでいます。私たちはランデブー・ドッキングにも取り組んできました。秒速7キロメートルで動く2機の宇宙機を、いかに精密にドッキングさせたかをご覧になったことでしょう。それを私たちは実現したのです。これに関する多くのアルゴリズムがすでに進行中です。ですからご心配には及びません。私たちの目は開いており、アルゴリズムは整っています。すべて対処されることになります。では、後方の方から次の質問をお受けしましょう。
会場質問者(Times of India, Sriendra Singh): Times of India の Sriendra Singh です。先ほど、完全自律の衛星が実現可能だというお話がありましたが、私の質問は、ISRO あるいは USRC が現在そうした完全自律衛星に取り組んでいるのかどうか、という点です。
Ishita Genju: 申し上げますと、ミッションを重ねるごとに、私たちは衛星にますます多くの自律性を組み込んでいます。ですから現時点では、実現可能ではあるものの、私たちは一歩一歩、段階的にシステムへ自律性を導入している段階だと思います。
Vinod Kumar: こう申し上げましょう。私たちは非常に慎重なアプローチを取っています。たとえばハザード検出には AI を使っていますが、制御については数学的な定式化を基本としています。それと並行して、AI がどのように性能を発揮するかを AI を通じて学んでもいます。裏側ではそうした取り組みが進んでいるのです。地上では、センサーの不具合を見つけるために AI を使っており、数千もの太陽電池セルなどを検証する際にも AI が用いられています。しかし、メインストリームでの本格運用にはまだ時間がかかるでしょう。オンボードについては時間を要しますが、地上、そして地上運用の自動化についてはすでに実用化されています。
8.2 クロージング:インテリジェンスのフロンティア
Vinod Kumar: ありがとうございました。ここで締めくくらせていただきます。このパネルから明らかになったのは、実に素晴らしい洞察の数々でした。Beyond Earth、地球の彼方とは、もはやキロメートルで測られる距離ではなく、レイテンシのミリ秒と、ローカルな洞察のテラバイトで測られるものなのです。AI 搭載ロボティクスと自律的なミッション制御とのシナジーは、私たちが宇宙へと手を伸ばすにあたって、人類という種のための神経系を創り出しつつあります。
しかしながら、パネリストの皆さんが指摘されたように、その力には責任と信頼、そしてガバナンスが伴います。私たちがミッションクリティカルな判断をアルゴリズムに委ねるとき、それらが安全性、透明性、品質、そして国際協力という、私たちの最も高い価値を反映するものであることを保証しなければなりません。
すべてのパネリストの皆さん、そりわけ、この複雑な軌道を本日まとめあげてくださった Brides Sony 氏、そしてこの探査の新たな時代を真に実現してくださった会場の皆さまに感謝申し上げます。それは誰が最も大きなエンジンを持つかではなく、誰が最もスマートなシステムを持つかにかかっているのです。それこそが重要なのです。フロンティアは開かれており、そしてそれはインテリジェンスなのです。これをもって本セッションを閉会いたします。お時間をいただき、誠にありがとうございました。ナマステ。