Satelita YAM-9 przeanalizował własne zdjęcia bezpośrednio na orbicie i rozpoznał na nich most, drogę i zbiornik wodny, nie łącząc się w tym celu z żadną stacją naziemną. Za tym eksperymentem stoją NASA Jet Propulsion Laboratory i francusko-amerykański startup Loft Orbital, a mózgiem całej operacji jest mały model Gemma 3 od Google DeepMind.
Kluczowe fakty:
- Satelita YAM-9 firmy Loft Orbital przeprowadził analizę własnych zdjęć bezpośrednio na orbicie, rozpoznając most, drogę i zbiornik wodny bez przesyłania danych do stacji naziemnej.
- Za eksperymentem stoją NASA Jet Propulsion Laboratory i startup Loft Orbital, a do przetwarzania obrazów wykorzystano mały model językowy Gemma 3 od Google DeepMind.
- System działa w architekturze wieloagentowej złożonej z trzech niezależnych agentów: koordynatora, detektora obrazów oraz agenta dialogowego, który umożliwia operatorom zadawanie pytań o wyniki analizy.
Przez dekady obserwacja Ziemi z kosmosu wyglądała zawsze tak samo. Satelita robi zdjęcie, zrzuca surowe dane na Ziemię, a dopiero tam ktoś (człowiek albo algorytm w centrum danych) próbuje zrozumieć, co właściwie widać na obrazie. Sam satelita był w tym układzie kamerą przyklejoną do nadajnika radiowego. W kwietniu tego roku ten schemat pękł.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Trzy agenty w jednym satelicie
Loft Orbital, firma budująca infrastrukturę kosmiczną dla klientów trzecich, uruchomiła na swoim statku YAM-9 program o nazwie NAVI-Orbital. Oprogramowanie stworzyli specjaliści z NASA JPL, a nad projektem czuwał Juan Delfa Victoria, lider techniczny grupy AI w laboratorium. Cały układ działa jak trzyosobowy zespół, tylko że złożony z niezależnych agentów programowych.
Jak tłumaczą sami badacze, proces koordynuje architektura wieloagentowa złożona z koordynatora, który nadzoruje wykonywanie zadania, detektora, który analizuje i klasyfikuje obrazy, oraz agenta dialogowego, który pozwala operatorom zadawać pytania dotyczące wyników. W praktyce oznacza to, że ktoś na Ziemi może wpisać komendę w rodzaju „znajdź infrastrukturę wokół węzłów kolejowych” i dostać gotową odpowiedź, zamiast czekać na terabajty surowych pikseli.
Mózgiem systemu jest Gemma 3, model wizyjno-językowy Google DeepMind, na tyle lekki, że można go uruchomić na zwykłym laptopie. To kluczowe, bo w konstrukcji satelity liczy się każdy gram i każdy wat. Inżynierowie JPL musieli dodatkowo okroić bibliotekę modelu, żeby zmieściła się w ograniczonej pamięci pokładowego komputera Nvidia Jetson Orin AGX.
Skuteczność 88 procent, ale dopiero dwa zdjęcia z orbity
Przed startem na orbitę zespół przetestował system na Ziemi. Po analizie blisko 8 tysięcy zdjęć skuteczność rozpoznawania wyniosła 88,2 procent. To solidny wynik, choć dotyczy testów naziemnych, nie warunków orbitalnych z ich promieniowaniem i ograniczeniami termicznymi.
Na samej orbicie satelita zdążył jak dotąd przeanalizować tylko dwa zdjęcia. Kolejne mają dopiero nadejść. Żadnych oficjalnych danych porównujących skuteczność systemu na orbicie z wynikami naziemnymi nie opublikowano, podobnie jak informacji o zużyciu energii i zachowaniu procesora Jetson w warunkach promieniowania kosmicznego.
Piszę to jako ktoś, kto widział już niejedną demonstrację AI okrzykniętą przełomem. Tu rzeczywiście dzieje się coś nowego: to pierwszy publicznie potwierdzony przypadek uruchomienia modelu wizyjno-językowego w kosmosie. Ale dwa przeanalizowane zdjęcia to demonstracja koncepcji, nie gotowa usługa. Loft Orbital sam przyznaje, że do realnego, ciągłego monitoringu globalnego potrzeba od 50 do 100 takich satelitów, a obecnie firma operuje dwunastoma. Brak jawnych benchmarków dokładności na orbicie to sygnał, żeby czekać na kolejne dane, zanim ktokolwiek ogłosi rewolucję w wywiadzie satelitarnym.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Dlaczego to się w ogóle opłaca
Klasyczny model pracy satelitarnej wymaga, żeby operator zlecił zadanie przez API, poczekał na zebranie obrazu i połączenie, a potem przeanalizował go już na Ziemi za pomocą wcześniej wytrenowanego algorytmu. Każdy z tych kroków kosztuje czas i pasmo. Sarah Preston, starsza menedżerka ds. marketingu w Loft Orbital, opisała ten problem cytowana przez ScienceAlert:
„Zwykle użytkownik musi przypisać zadanie satelicie za pomocą interfejsu API, poczekać na zebranie obrazu i połączenie, a następnie przeanalizować obraz za pomocą wstępnie wytrenowanego algorytmu na ziemi”
Paul Lasserre, szef działu AI w Loft Orbital, mówi wprost o celu, jakim jest budowa stale aktywnych warstw patrolowych w kosmosie. Realny scenariusz zastosowania to na przykład zespół reagowania na pożary lasów, który dostaje oznaczone przez AI obszary zniszczeń w ciągu minut, zamiast czekać godzinami na analityków przeglądających surowe przeloty satelitarne.
Kto jeszcze gra w tę grę
- Planet Labs i Kepler Communications prowadzą równoległe programy AI na orbicie, choć Kepler odmówił podania szczegółów, powołując się na umowy o poufności
- Loft Orbital ma już na koncie komercyjną umowę z firmą EarthDaily, dla której zbudował, wystrzelił i obsługuje sześć satelitów
- NASA JPL dzięki NAVI-Orbital staje się potencjalnym partnerem licencyjnym dla komercyjnych operatorów budujących własne stosy AI na orbicie
YAM-9 wystartował jesienią 2025 roku jako demonstrator technologii, nie jako satelita komercyjny. Loft Orbital traktuje go jako pierwszy krok w modelu biznesowym bliższym infrastrukturze jako usłudze niż tradycyjnej produkcji satelitów.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co to oznacza dla polskiej sceny kosmicznej
Polska nie jest w tej dziedzinie outsiderem. Gliwicka firma KP Labs od lat rozwija własną linię produktów do przetwarzania danych na orbicie pod nazwą Smart Mission Ecosystem. Jej satelita Intuition-1, wyniesiony na orbitę pod koniec 2023 roku, korzysta z komputera pokładowego Leopard DPU zdolnego do wykonywania nawet trzech bilionów operacji na sekundę.
Intuition-1 analizuje dane hiperspektralne bezpośrednio na orbicie, co skraca czas reakcji i obniża koszty transmisji. Zastosowania obejmują rolnictwo, monitorowanie lasów i analizę wylesiania. W 2025 roku KP Labs poszła krok dalej z projektem LeopardISS, umieszczonym na Międzynarodowej Stacji Kosmicznej we współpracy z Politechniką Poznańską, testującym kolejne algorytmy AI w warunkach lotu kosmicznego.
Firma zatrudnia około 80 specjalistów, ma status Centrum Badawczo-Rozwojowego i uczestniczy w ponad 25 projektach dla ESA, NASA i podmiotów prywatnych. To pokazuje, że polski sektor kosmiczny nie czeka biernie na rozwiązania z USA, tylko rozwija własne kompetencje w dokładnie tym samym obszarze, w którym teraz chwali się NASA.
Różnica jest jedna, ale istotna. Amerykanie postawili na gotowy model open source (Gemma 3) i skupili wysiłek inżynierski na jego okrojeniu pod ograniczenia sprzętowe. KP Labs rozwija własne układy i algorytmy od podstaw. Obie drogi prowadzą do tego samego celu, czyli przeniesienia inteligencji z centrum danych na orbitę.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału TechCrunch z 15.06.2026 opisującego demonstrację YAM-9, a także dodatkowych źródeł branżowych, w tym AlphaSignal, Gadget Review i Newsgab. Cytat Sarah Preston zweryfikowano z materiałem ScienceAlert cytowanym przez Geekweek Interia. Dane o KP Labs i satelicie Intuition-1 pochodzą z materiałów Nauka w Polsce oraz Space24. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych danych o skuteczności AI na orbicie YAM-9.
