7月7日，江苏宿迁，“北京大学地外样品研究中心2026学术年会”正式拉开帷幕。单看会议名称，多数人可能认为这又是一场聚焦月壤分析或行星科学的专业学术聚会——毕竟，随着嫦娥五号、嫦娥六号相继完成月球采样返回任务，月球样品研究已无疑成为中国行星科学领域最受瞩目的热点之一。

然而，当与会者真正沉浸一整天的议程后，发现议题远不止于月壤。

上午9点半，首个正式学术报告开启。北京大学地外样品研究中心主任沈冰站上讲台。与多数学术会议直奔最新研究成果不同，他用了相当篇幅阐述一个核心问题：北京大学为何要专门成立这样一个研究中心？

在沈冰看来，随着中国深空探测迈入新阶段，行星科学研究正面临前所未有的挑战。中心成立的初衷之一，便是充分发挥北大多学科交叉优势，以有组织科研的模式积极参与深空探测研究。坦白说，起初并未特别留意这一表述。直到听完一整天的报告，才逐渐意识到，这恰恰是整场会议最具深意的信息。

因为这场学术会议真正的落脚点，或许并非月壤或其他样品，而是一个更为现实的命题：当航天技术日益成熟，越来越多的火星乃至更遥远深空的数据与样品被带回地球后，中国科学界该如何高效利用这些宝贵资源，并将研究成果推向更广阔的学术舞台？

从阿波罗到嫦娥：样本之外的科研竞赛

过去二十年，中国探月工程的核心任务是抵达月球。2007年，嫦娥一号成功实现绕月探测；2013年，嫦娥三号完成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，嫦娥六号更是完成了人类历史上首次月球背面采样返回任务。

公众的关注点非常直接：发射是否成功？着陆是否顺利？样品是否带回？这些问题构成了过去二十年探月工程最为重要的叙事主线。

科学界看到的却是另一番图景。一次深空探测任务真正的价值，并非仅在探测器着陆的那一刻，而在于着陆后的数十年。1969年至1972年，美国阿波罗计划带回的382公斤月球样品，至今仍在持续产出新成果。一些样品甚至在封存数十年后，依然能带来颠覆性发现。这套“美国主导、全球参与”的科研协作网络，使得美国的研究成果逐渐成为全球共识。

然而，人类月球采样史上并非只有阿波罗。1970年至1976年，苏联通过月球16号、20号和24号三次无人采样任务，成功带回约326克月壤。但苏联的科研成果却被主流科学界有意无意地忽略了。原因不仅在于样品数量较少，更在于冷战时期的学术壁垒，令苏联的月壤研究大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。火箭升空仅需几分钟，着陆任务可能只持续数月，但一份样品的研究周期，却可能长达数十年。从某种意义上说，人类月球科学的发展史，既是一部采样史，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，不仅在于采集到了什么，更在于这些样品未来能否像阿波罗样本一样，持续数十年融入全球科研体系。特别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全新的起点上。

这亦是本次会议最直观的感受。整个会场讨论的议题包括：月壤中蕴含什么？火星曾经发生过什么？如何利用人工智能分析地外样品？有哪些更优的研究方法？如何构建未来深空探测的新工具？问题看似分散，却都指向同一个方向——当深空探测进入样品与数据持续回流的时代，科研的核心任务已不再只是“获取”，而是如何建立一套全新的研究体系，将这些资源真正转化为知识、技术乃至未来的产业能力。

当人工智能进入行星科学领域

人工智能正悄然渗透至行星科学领域，这是本次学术会议的一个鲜明注脚。

北大李嘉琪的报告题目是《行星内部结构与AI赋能的智慧探测》。前半部分聚焦于典型的行星科学问题：月球正面为何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如何？这些均是过去数十年科学家持续探索的问题。但讲到后半段，内容开始转向。李嘉琪展示了一项火星断层识别研究。以往，火星断层图主要依赖研究人员手工绘制。2006年前后，德国学者Martin Knapmeyer团队组织十余名博士生，花费大量时间完成了火星断层数据库建设。

但随着火星探测数据的持续增长，这种方式愈发难以满足需求。于是，团队尝试引入Meta开源的大模型Segment Anything Model。利用地球图像训练形成的视觉能力，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AI领域而言，这或许算不上重大新闻，但放在行星科学领域，却代表着一种全新的研究范式正在形成。过去是研究人员亲自寻找规律，如今越来越多时候，是研究人员先训练模型，再让模型协助自己发现规律。

类似的变化在会议中并不少见。有研究者借助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……对许多学科来说，人工智能已不再仅仅是辅助工具，它正逐渐演变为新的科研基础设施。

从研究月壤到训练机器狗

随着样本研究不断深入，一个新问题逐渐浮现：未来还有哪些样本值得被带回？又有哪些区域值得优先探索？这些问题单靠地球上的科学家已越来越难以回答。当月球熔岩洞、火星峡谷、极地永久阴影区等复杂环境进入探测视野，人类需要的已不再只是遥控设备，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。

于是，这场原本聚焦月壤的会议，最终谈到了机器狗。

北大李嘉琪表示，为将具身智能的应用场景从地球拓展至深空，他正与北大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。值得一提的是，去年Science子刊也发表了美国三个机器人探索熔岩洞的封面文章。这表明，具身智能进入太空已成为中美两国深空探索的共识。

世界模型同样可以迁移至深空场景。北大刘家瑛认为，如果能够将世界模型迁移到深空环境中，就能对地形地貌、环境状态以及任务目标进行统一建模，还能与地面特征进行交互。机器人在这种地外场景下高效执行任务，实现自主行动力，这是一个非常理想的循环。

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。这意味着，未来的具身智能需要具备更高的自主能力：识别物质、判断价值、自主规划路线、完成抓取，并最终将样品带回着陆器附近。

北大李明松团队提出了一个颇具前瞻性的设想：将团队开发的时间序列分析软件集成到无人机平台上，使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，无人机在执行深空探测任务时，不仅能自主飞行，还能像科研助手一样完成目标筛选与现场分析。

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，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。李明松团队希望再向前推进一步——不仅让无人机飞起来，更要让它能够理解环境、选择目标，并自主完成科学探索。

结语

阿波罗时代的核心命题是“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愈发成熟之后，未来真正决定探索上限的，将不再仅仅是工程能力，而是知识生产能力。下一阶段的深空探索，真正的竞争早已不在发射台，也不在实验室，而在于谁先能将跨学科的想象力，转化为系统性的研究能力。