7月7日，“北京大学地外样品研究中心2026学术年会”在江苏宿迁召开。如果只看会议名称，大多数人可能会以为这是一场关于月壤分析或者行星科学的专业会议。毕竟过去几年，随着嫦娥五号、嫦娥六号陆续完成采样返回，月球样品研究已经成为中国行星科学最热门的方向之一。

但当我们真正坐在会场里听上一天后，却发现这里讨论的事情远比月壤研究本身复杂。

上午9点半，第一个正式学术报告开始。北京大学地外样品研究中心主任沈冰站上讲台。与很多学术会议一开始就介绍最新成果不同，他花了相当长时间回答一个问题：北京大学为什么要专门成立一个地外样品研究中心？

在沈冰看来，随着中国深空探测进入新的发展阶段，科学研究也正在面对新的挑战。中心成立的初衷之一，就是发挥北京大学多学科优势，以有组织科研的方式参与深空探测研究。

当时我们并没有特别在意这段表述。直到接下来一天的报告听完后，才逐渐意识到，这恰恰是整场会议最重要的信息。

因为这场会议真正的落脚点，或许不是月壤或者其他样品，而是一个更现实的问题：

随着航空航天技术的成熟，越来越多火星乃至更遥远深空的数据和样品被带回地球之后，中国科学界应该如何利用它们，并将研究成果推向更广阔的学界？

从阿波罗到嫦娥：样本之外的竞争

过去二十年，中国探月工程最重要的任务是抵达月球。2007年嫦娥一号成功绕月；2013年嫦娥三号实现中国首次月面软着陆；2020年嫦娥五号带回1731克月球样品。2024年，嫦娥六号又完成了人类历史上首次月球背面采样返回。

对于公众来说，每一次任务的关注点都很明确：有没有发射成功？有没有成功着陆？有没有把样品带回来？这些问题构成了过去二十年中国探月工程最重要的叙事。

但对于科学界来说，情况却不完全一样。因为一次深空探测任务真正的价值，并不只在探测器落地的那一刻，而在落地之后的几十年。

1969年至1972年间采集的美国阿波罗计划带回的382公斤月球样品，至今仍在持续产生新的科研成果。一些样品甚至在封存几十年后，还能产生新的发现。这一套“美国主导、全球参与”的科研协作网络沉淀，让美国的研究成果成为世界的共识。

但在人类月球采样历史中，并不只有阿波罗。1970年至1976年间，苏联通过月球16号、20号和24号三次无人采样任务，同样成功将月壤带回地球，总计获得约326克样品。

但苏联的研究成果，未被纳入主流体系。这里面的原因，不只是因为数量少，而是西方世界刻意忽略了苏联的研究成果，这让苏联月壤研究则更多停留在自身科研体系内部。

科学发现往往比工程任务拥有更长的生命周期。火箭升空可能只需要几分钟。一次着陆任务可能只持续几个月。但一份样品的研究周期，却可能长达数十年。某种意义上，人类月球科学的发展史，并不仅仅是一部采样史，也是一部科学共同体如何组织知识、传播知识的历史。

从这个角度看，嫦娥五号和嫦娥六号带回样品的意义，或许不仅在于采到了什么，更在于这些样品未来能否像阿波罗样本一样，持续几十年进入全球科学研究体系。尤其是嫦娥六号首次带回月球背面样本之后，中国实际上已经站在了一个新的起点上。

这也是我们在这场会议里最直观的感受。整个会场大家讨论的都是：月壤里有什么；火星曾经发生过什么；如何利用人工智能分析地外样品；有哪些更好的研究方法；如何构建未来深空探测的新工具等。

问题看似分散，却都指向同一个方向——当深空探测进入样品和数据持续回流的时代，科学研究的核心任务已经不再只是“获取”，而是如何建立一套新的研究体系，把这些资源真正转化为知识、技术乃至未来的产业能力。

当人工智能开始进入行星科学

人工智能开始越来越频繁地出现在原本属于行星科学的研究，是这场学术会议的明显注脚。

北大李嘉琪带来的报告题目是《行星内部结构与AI赋能的智慧探测》，前半部分是典型的行星科学问题。例如月球正面为什么会出现大规模火山活动，月球内部是否存在热异常区域，火星地质结构内部状态。

这些都是过去几十年行星科学家一直试图回答的问题。但讲到后半段时，报告内容开始发生变化，李嘉琪展示了一项火星断层识别研究。过去，火星断层图主要依靠研究人员手工绘制。2006年前后，德国学者Martin Knapmeyer团队组织十余名博士生，花费大量时间完成火星断层数据库建设。

但随着火星探测数据持续增加，这种方式开始越来越难以满足需求。于是他们尝试引入Meta开源的大模型Segment Anything Model。研究团队利用地球图像训练形成的视觉能力，再结合火星遥感数据进行微调，最终实现了火星断层的自动识别与分类。

对于人工智能领域来说，这或许只是一个普通应用案例。但放在行星科学领域，却代表着一种新的研究方式正在出现。过去是研究人员自己寻找规律。现在越来越多时候，是研究人员先训练模型，再让模型帮助自己寻找规律。

类似的变化在会议中并不少见。有研究者利用机器学习分析月球样品结构；有研究者尝试利用AI发现空间物理中的经验公式；还有团队开始研究如何利用人工智能整合不同类型的月壤数据……对于很多学科研究来说，人工智能已经不再只是一个辅助工具，它正在逐渐成为新的科研基础设施。

从研究月壤到训练机器狗

当样本研究不断深入之后，一个新的问题也开始浮现：未来还有哪些样本值得被带回来？又有哪些区域值得被优先探索？

这些问题仅靠地球上的科学家已经越来越难回答。随着月球熔岩洞、火星峡谷、极地永久阴影区等复杂环境进入探测视野，人类需要的不再只是遥控设备，而是能够自主理解环境、判断价值并执行任务的新一代探测机器人。

也正因为如此，这场原本讨论月壤和行星科学的会议，最终把话题延伸到了机器狗。

北大李嘉琪表示，为了把具身智能的应用场所从地球拓展至深空，目前他在和北京大学计算机学院的仉尚航教授合作，针对地球上的熔岩管道开发了一款自动探索的机器狗。

仉尚航。资料图

值得一提的是，去年Science的子刊也发表了美国的三个机器人探索熔岩洞的封面文章。这表明，具身智能上太空已经成为中美深空探索的共识。

世界模型同样可以迁移到深空场景。北大刘家瑛认为如果能够把世界模型迁移到深空场景，就能够对地形地貌、环境状态以及任务目标进行统一建模，还能够和地面上的特征进行交互，机器人在这种地外场景下高效地执行任务，实现它的自主行动力，这是一个非常好的循环。

地球与火星之间存在长达二十多分钟的通信延迟，科研人员无法实时干预决策。那么未来具身智能需要更高的自主能力，包括识别物质、判断价值、自主规划路线、完成抓取，并最终把样品带回着陆器附近。

北大李明松团队提出了一个颇具未来感的设想：将团队开发的时间序列分析软件集成到无人机平台上，让无人机具备自主导航、目标识别、自主选区和科学分析能力。这样一来，无人机执行深空探测任务时，不仅能够自主飞行，还能像科研助手一样完成目标筛选与现场分析。

而这样的构想并非天方夜谭。2021年美国“机智号”无人直升机随“毅力号”火星车登陆火星，并完成了人类历史上首次地外受控飞行，验证了无人机在火星环境下执行探测任务的可行性。李明松团队希望进一步向前推进一步——不仅让无人机能够飞起来，更让它能够理解环境、选择目标，并自主完成科学探索。

结语

阿波罗时代解决的是“如何把样品带回来”；嫦娥时代开始思考“如何把样品研究透”；而今天越来越多科学家讨论的，则是“如何让机器人自主找到下一份样品”。

从阿波罗到嫦娥，从月壤分析到机器狗探洞，当人类获取深空样品的能力越来越成熟之后，未来真正决定探索上限的，将不再只是工程能力，而是知识生产能力。

下一阶段的深空探索而言，真正的竞争不在发射台，不在实验室，而在谁能率先把跨学科的想象力，转化为系统性的研究能力。