我国计划2031年前后把火星样品带回地球

火星，是人类离开地月系、奔向深空的过程中，一个努力跳一跳就够得到的目标。

水星接近太阳，金星环境恶劣，其他天体又太过遥远。

相比之下，火星的条件好得多，它有稀薄的大气、水冰，自转周期和季节更替与地球接近。

因此，火星相当适合作为人类迈向星际文明的一站。

实现火星移民，还有三大问题需要解决。

一是地火之间的信息交互。

上海天文台牵头的甚长基线干涉测量（VLBI）测定轨系统，可以精确测量前往火星的航天器轨道，保证入轨顺利，在天问一号任务中已得到初步验证。

二是地火之间的物质交互，我们可以送航天器前往火星，但目前尚不能采集火星上的物质返回。

天问三号任务计划于2028年前后实施发射，2031年前后携带火星样品返回地球。

三是保障人员生存。

火星表面低温、高辐射、低重力、低气压、缺水、缺氧，如何就地利用火星资源仍需探索。

我的工作是研究宇宙学，我与同事们正是为了一个可以实现的梦，一步一个脚印，努力把往返火星变为现实。

当星辰大海化为一段段可以往返的航程，它就不再只是诗与远方，而是下一代愿意登上的文明之舟。

转自：《人民日报》（2026年10月10日 第 06 版），作者：张佳骏 中国科学院上海天文台副研究员，本报记者黄晓慧采访整理，原题《我们为什么要奔赴火星》

来源：人民日报

没用过天文望远镜的人，却用Seestar S50 Pro拍到了这么美的星空

至于用这种东西拍星云，我一直以为那是天文台和发烧友的专利，普通人这辈子可能都很难。

但是，在我拿到了这台Seestar S50 Pro用了一段时间之后，才发现，原来现在拍星空也可以这么简单。

一台不像传统望远镜的“望远镜” 与大家印象中的天文镜不同，没有想象中的镜筒、没有目镜、没有一堆看不懂的配件，Seestar S50 Pro整个机身采用了一体化设计，镜筒、驱动结构、相机和控制系统全部集中在一起。

收纳之后尺寸约为 140149268mm，主机重量约2.8kg。

这种设计最大的好处非常直接：少，少配件、少线材、少调试，也少了一大堆刚入门时最容易搞错的东西。

Seestar S50 Pro配备的是长焦+广角的4K双摄系统，长焦部分采用50mm光学口径、260mm 焦距的APO光学系统，选用1/1.2英寸、830万像素图像传感器；广角则使用 1/2 英寸、830万像素传感器，拥有63的视场角。

另外还有一根碳纤维三脚架，磁吸式的太阳滤镜，可以把这些统统装到防护便携箱里，除了方便外出拍摄携带，而且可以保护机器。

第一次拍星空，真的可以这么简单 Seestar S50 Pro用下来，给我最深的印象，并不是它有多么专业的拍摄参数，而是拍摄过程真的很简单。

在拍摄时，找到一个好天气远离城市的地方，把机器架起来长按正面开关开机手机NFC靠近连接打开手机APP选择目标就可以开拍，虽然整个过程的仪式感少了一点，但成功率高了。

打开Seestar App，连接Seestar S50 Pro智能天文望远镜，整个界面逻辑还是比较容易理解的，提供了观星、星野、太阳系、观景四个模式。

打开【观星】模式，天体库会提供星云、星系、星团、星座等目标，并且给到了今夜最佳的一些推荐，哪些可以拍摄都有小字标注，而且还有星座选项，比如猎户座、仙女座、金牛座等等。

拍摄时，我们只需要做的，选择目标，按GOTO，望远镜开始自动旋转、定位、对焦、叠加。

整个过程我什么都没做，只是站在旁边看着它转自己拍摄。

对于第一次接触天文摄影的人来说，这个体验非常重要，即便是完全没有天文基础的人，想拍什么，直接在天体库中找就可以。

而在拍摄过程中，画面还会实时进行叠加，随着拍摄时间增加，目标会越来越明显。

这也是我觉得智能天文望远镜非常有意思的一点，并不是拍完之后才知道结果。

而是能够看着一张深空照片慢慢“长出来”。

Jason Marriott 银河 地点the West desert of Utah, USA Matthew Peters 猎户座M42 地点Newberry, Florida, United States Seestar S50 Pro最特别的地方，是它的双摄同步拍星功能——这在目前的智能天文望远镜中还是独一份。

当用长焦镜头对准一片星云，耐心等待长曝光完成时，另外一颗广角镜头也没有闲着，它会同时记录下这片区域更广的星空，除了可以拍摄星云，还可以拍到银河。

一次拍摄结束，就可以同时得到两张照片。

选择星野拍摄模式，Seestar S50 Pro还可以做到180横屏拼接，不需要手动操作，可以自动完成银河拱桥的拼接。

还可以选择星轨拍摄模式，拍摄出星轨的效果，可以保存单帧照片，也能直接生成星轨视频。

更贴心的是，Seestar S50 Pro的Seestar APP还内置了AI智能语音助手"小星"。

新手也可以只需一句话说出想看的天体目标，设备就能快速完成搜索、GOTO 定位并开启拍摄。

天体知识讲解和操作流程引导功能，更是让完全没有天文基础的新手，也能边玩边学，快速从入门到进阶。

不用守着机器，晚上也能自动拍 Seestar S50 Pro还加入了一个【计划拍摄】模式，也就是说，晚上把设备架好之后，不需要一直守着，它就可以按照计划连续拍摄多个目标。

同样，选择计划拍摄之后，在天体库找到想要拍摄的目标，选择定位目标，然后添加拍摄计划，这里有一点非常贴心的是，普通人可能根本不知道怎么设定拍摄计划，但是它直接给到了AI推荐计划，选择直接帮你设定好，没有任何难度，跟着做就可以。

拍完不会后期？手机里直接处理 对于很多人来说，拍完的照片还有一个问题，不会后期。

Seestar S50 Pro的解决方法很简单，直接手机APP里“装了”后期处理工具，照片拍摄完成后，App内置的后期美化，可以一键自动对照片进行拉伸、降噪、缩星等专业处理，处理好的照片，也可以自己再手动调节亮度、对比度、饱和度、裁剪、翻转等。

这样，一张清晰的深空照片就处理好了，即便你和我一样是一个新手，也能一键拍出“星空”大片。

它不只属于夜晚，白天也能玩 除此之外，S50 Pro还有一个观景模式，不仅可以拍摄夜晚，也可以白天使用。

打开观景模式之后，S50 Pro 可以从“拍星星的智能天文望远镜”，变成一台适合白天使用的智能观景设备。

这时候它的用途就丰富了很多，比如去公园、湿地、湖边或者户外旅行的时候，可以用它观察远处的风景、建筑，甚至拍摄鸟类等远距离目标。

观景模式提供了许多手动的操控，可以直接在App上对设备实时控制。

比如在手机屏幕上控制摇杆，就可以让 S50 Pro 上下左右移动，快速把镜头指向自己想看的位置。

看到远处有一只鸟？可以用广角画面点击鸟位置，就会出现“Go”，点击Go，长焦就会自动转向点击位置，比手摇要快速很多。

另外发现远处有一个建筑或者风景？调整方向、放大画面，就可以观察，这种操作方式比传统望远镜更直观。

这个时候双摄系统就派上用场了，可以先用广角镜头找到对焦点，然后再通过长焦镜头去拍摄。

点击取景画面，可以分别切换广角、长焦镜头来拍摄。

最重要的是让普通人也能看到宇宙 在我看来，Seestar S50 Pro最大的价值不在于它能拍出多完美的照片，而在于它让“仰望星空”这件事变得毫无门槛。

你不需要成为天文爱好者，不需要读懂星图，不需要理解什么是赤经赤纬——你只需要找一个晴朗的夜晚，空旷的星空，把它放下来，打开App，然后按下那个按钮，就可以拍出一张好看的星空照片。

花在AI上的钱，够去几次月球？

1969年7月20日，阿姆斯特朗的脚印落在月球表面。

那一刻，全球约6亿人通过电视直播观看。

为了这一步，美国花了11年，投入了相当于今天约3000亿美元。

40万人参与，2万多家企业和大学加入其中。

57年后，全世界每年花在AI上的钱，够把阿波罗计划重新干上三遍还有余。

高盛最新报告预计，到2026年底，全球AI投资将达到1.019万亿美元，其中美国部分为5810亿美元。

仅Alphabet、Amazon、Meta、Microsoft四家科技巨头，2026年资本开支合计就将超过7000亿美元。

这个对比在财务上并不完全严谨。

阿波罗是一次性的国家工程，AI是持续性的资本开支。

但它回答了一个所有人都在问的问题：这笔钱，到底有多大？ 美国历史上最昂贵的非战争项目，在AI面前，只相当于一个年度的资本开支。

但钱只是表象。

阿波罗花了3000亿美元，改变的是人类对“可能性”的认知——月球从“遥不可及”变成了“人类去过的地方”。

AI每年花1万亿美元，改变的是什么？ 要回答这个问题，得先看这笔钱是怎么花出去的。

阿波罗和AI，虽然都是“巨额投入”，但花钱的方式完全不同。

这笔钱到底有多大？ 先看看四家公司的账单。

四家公司2026年的资本开支预期：Alphabet将全年资本支出指导范围上调至1800亿-1900亿美元；Amazon约2000亿美元；Meta全年资本开支上调至1250亿-1450亿美元；Microsoft预计约1900亿美元。

四家合计约7250亿美元，比2025年的创纪录水平增长了77%。

这些钱主要花在三样东西上：数据中心、芯片、电力。

换算成阿波罗计划：全球一年AI投资相当于3.4次阿波罗计划，美国一年相当于1.9次，2022年以来全球累计AI投资（1.8万亿美元）相当于6次。

再换一个参照系：按NASA在国际空间站上累计约1500亿美元的投入计算，2026年全球AI投资够建6.8个国际空间站。

这不是某一个国家的独角戏。

这是一场全球性的资本竞赛。

中国方面，高盛研报预测，2026年至2030年间，中国AI相关资本开支合计将达到8.5万亿元人民币（约1.3万亿美元），平均相当于美国同类企业资本开支总额的17%。

据彭博测算，2026年中国头部互联网企业资本开支将接近660亿美元，较2025年增长77%。

与此同时，一级市场的AI融资同样在加速。

清科研究数据显示，2026年一季度中国AI领域共发生近600起融资案例，总投资金额超1100亿元，同比上升185.4%。

欧洲方面，2026年上半年，欧洲AI初创公司融资达到创纪录的230亿美元，同比增长130%，占该地区全部风投的55%。

阿波罗是美国一国的事情。

AI则是全世界在同时下注。

谁更“拼”？ 阿波罗计划期间，NASA预算占GDP的比例约为0.5%-0.8%，其中阿波罗项目本身的支出约占当年GDP的0.57%。

峰值年份1966年，NASA预算占联邦财政支出的4.4%，但占GDP比例仍然不到1%。

AI投资目前占全球GDP约0.9%。

高盛预测，美国AI资本支出占GDP的比重将从2026年的1.9%至2%（不同口径存在差异），上升到2027年的2.5%，并在2028年进一步上升到2.8%。

换算下来，AI投资占GDP的比例已经是阿波罗计划时期的2-3倍，到2028年可能进一步扩大到3-4倍。

两者还有一个根本差异：阿波罗计划是政府财政支出，花的是纳税人的钱，不需要商业回报；AI投资是企业资本开支，美国AI投资中私人部门投入约5520亿美元，政府直接投入仅110亿美元，每一分钱都要算回报率。

阿波罗可以不计成本，因为它的目标是政治性的。

AI必须计算成本，因为它的目标是商业性的。

这种组织方式的不同，直接决定了技术扩散的路径不同。

技术渗透的路径为什么完全不同？ 阿波罗的技术溢出是缓慢的。

它需要几十年才能渗透到每一块田地里。

据不完全统计，从阿波罗计划派生出了约3000种应用技术成果，涉及航天航空、军事、通信、材料、医疗卫生、高级计算机等领域。

在登月计划中，保守估算平均每投入1美元可获得4至5美元的产出（不同研究的估算范围在4至14美元之间）。

但这些回报是“副产品”——技术转移并非阿波罗计划的核心目标，核心目标是政治性的。

集成电路、软件工程的规模化应用、材料科学等领域的突破，都是在阿波罗计划推动下加速实现的，并在登月后逐步大规模民用化。

AI的渗透路径更像一场洪水。

来得快，覆盖面广，但深度不均匀。

麦肯锡2026年全球调查显示，89%的受访者表示其组织在至少一项业务职能中常态化使用AI，44%的企业已实现全企业规模化部署，比一年前的38%大幅提升。

从ChatGPT发布到现在，不到四年。

但深度不均的问题同样突出。

麦肯锡将仅6%的受访者归类为“AI高绩效企业”——这些企业将至少5%的EBIT归因于AI，并认为其影响显著。

只有37%的受访者报告AI对其组织的EBIT产生了贡献。

NBER的研究从另一个角度说明了这一点。

NBER 2026年9月发布的工作论文（第35793号）显示，从2022年11月到2025年12月，AI使市场对软件工程生产率的预期现值提高了相当于32.6%的永久性提升。

但这个提升高度集中在特定行业和特定任务中。

另一项由NBER发布、覆盖近6000名高管的调查发现，超过90%的企业表示AI对其就业没有可测量的影响，89%的企业表示对生产率没有可测量的影响。

阿波罗的技术溢出最终惠及了所有人——GPS、集成电路、软件，今天已经成为日常生活的一部分。

AI的回报则可能高度集中在少数行业和少数企业手中。

软件工程、客服、内容生成已经被彻底改变；制造业、建筑业、农业几乎还没感受到水温。

这种K型分化，直接决定了AI投资的失败模式与阿波罗完全不同。

延迟满足与即时反馈 阿波罗的回报是延迟的。

投入期11年，回报期几十年。

技术在登月后逐步民用化，典型的转化周期是15到25年。

投入的时候看不到回报，回报来的时候已经换了时代。

AI的回报则是即时的，但极不均匀。

摩根士丹利预测，到2028年AI软件收入将达到1.1万亿美元，按典型软件利润率计算，届时巨额资本支出将产生可观回报。

NBER的研究显示，AI对GDP的影响在基准情景下为3.6%，若软件工程生产率提升进一步带动研发生产率，这一效应可达到6.5%。

但另一个数字同样值得注意。

麦肯锡的调查显示，八成的受访者表示AI改善了个人的生产力，但只有37%的人报告其组织层面的EBIT因此受益。

NBER的一项调查更直接——覆盖近6000名高管的调研发现，约89%的企业报告在过去三年中没有可测量的劳动生产率改善，世界经济论坛在2026年8月的分析中引用了这一数据。

阿波罗的钱像种一棵树。

前十年浇水施肥看不到果子，但树长大了，年年结果。

AI的钱像开一家餐厅。

每天都有客人来，有的桌子翻台率很高，有的桌子一天只坐一桌。

平均下来餐厅是赚钱的，但大部分桌子其实在亏钱。

这种生产力悖论和阿波罗早期的处境有相似之处：投入巨大，回报模糊。

差异在于，阿波罗的回报需要等到技术民用化，AI的回报正在实时发生，只是分布严重不均。

亚特兰大联储的研究指出，感知到的生产率提升大于实际测量的生产率提升，这很可能反映了收入实现的延迟。

“做不成”VS”做成了不赚钱” 阿波罗的失败模式是做不成。

土星五号的推力、导航系统的精度、生命维持系统的可靠性——任何一个环节出问题，整个计划就失败了。

约翰逊总统曾写道：“人们经常把我们在1960年代登月的计划称为国家承诺。

它不是。

没有后续国会的持续拨款承诺。

项目必须年复一年地论证和拨款。

这种支持并不总是容易获得。

”阿波罗计划在1966年达到预算峰值后，随着越战导致的联邦预算紧缩，预算逐年削减。

1968财年，国会实际拨款比NASA申请少了约5.11亿美元，降幅近12%。

如果不是冷战的政治压力足够大，阿波罗很可能在1960年代末就被砍掉了。

AI的失败模式不一样：做成了，但不赚钱。

贝恩公司2026年9月发布的全球技术报告指出，到2031年，全球AI产业需要实现6万亿美元的年收入，才能证明投入到数据中心的资金是合理的。

而现有消费和企业AI服务可能只能产生约1.8万亿美元的收入，这意味着4.2万亿美元的收入缺口。

贝恩全球技术业务主席David Crawford直言：“AI基础设施的经济性需要数万亿美元的新收入，而不仅仅是生产力提升。

” 阿波罗的风险是技术挑战可能无法克服。

AI投资的风险是技术已经证明可行，但商业回报的规模和速度可能不及预期。

阿波罗可以靠政治意志硬撑，AI只能靠商业逻辑硬撑。

阿波罗的失败会是一次技术性失败——人类没能做到某件事。

AI的失败可能是一次经济性失败——人类做到了某件事，但发现它没有想象中那么有价值。

前者会打击人类对“可能性”的信心，后者会打击人类对“技术必然带来进步”的信念。

从另一个视角看AI的实际影响 回到那个换算。

阿波罗花了3000亿美元，它的影响是改变了人类对边界的认知——月球从遥不可及变成了人类去过的地方。

这种认知的改变，比任何具体技术都更深远。

它告诉人类：没有什么是做不到的。

AI每年花1万亿美元，它的影响可能是什么？ 改变人类对智能的认知。

在AI之前，智能是人类独有的。

在AI之后，智能是可以规模化生产的。

这种认知的改变，可能比任何具体应用都更深远。

它告诉人类：智能本身，也可以像电力一样被生产和分发。

但这里有一个根本差异。

阿波罗改变的是人类能做到什么——它拓展了物理世界的边界。

AI改变的是人类是什么——它重新定义了智能的主体、劳动的形态、创造的本质。

阿波罗的影响是向外的，从地球到月球。

AI的影响是向内的，从人类到“人类+AI”。

阿波罗计划还留下了一个容易被忽略的遗产。

它在结束后，大量航天工程师和技术工人流向了商业领域，把航天级的工程能力带到了民用工业中。

有学者指出，“阿波罗计划培养的工程师和科学家，在计划结束后分散到了各个行业，带动了整个美国工业的技术升级”。

今天AI对就业的影响也在以不同的方式发生。

不是大规模失业，而是职业结构的重塑。

麦肯锡的调查显示，AI改善了个体生产力，但这种改善尚未转化为组织层面的效率提升。

这意味着AI对劳动市场的影响，可能不是替代人，而是改变人做什么。

或许，AI对人类社会最深远的影响，不是机器取代人，而是重新定义什么值得由人来做。

阿波罗的遗产是单向的。

它教会人类如何把一件事做到极致，但没有教会人类如何在极致之后找到下一个目标。

阿波罗之后，美国航天经历了长达二十年的方向迷失，直到商业航天重新点燃了想象力。

AI的遗产可能完全不同。

当智能可以被规模化生产，人类被迫面对一个从未认真回答过的问题：除了聪明，人还有什么不可替代的价值？ 这个问题没有标准答案，但已经有人开始回答。

NBER的调查显示，AI对就业的影响目前集中在任务层面，而非职业层面。

不是这份工作没了，而是这份工作里的一部分任务被重新分配了。

这意味着AI对劳动市场的冲击，可能不是一次性的失业潮，而是一场持续的、缓慢的任务再分配。

在这个过程中，人类的价值不会消失，但会重新定位——从做聪明的活，转向判断什么活值得做。

阿波罗教会人类的是：没有什么是做不到的。

AI正在教会人类的是：没有什么是必须由人来做。

这两句话听起来相似，但含义完全相反。

前者是向外拓展的自信，后者是向内追问的谦卑。

阿波罗的答案清晰。

1969年7月20日，人类在月球上留下了一个脚印。

AI的答案还没有揭晓。

但当我们每年花掉三个阿波罗的钱去探索智能的边界时，我们实际上是在回答一个比登月更根本的问题：当智能不再稀缺，人类的价值在哪里？ 这个问题，留给时间作答。

但有一点可以确定：答案不会来自AI本身，而来自人类如何选择与AI共处的方式。

文：海岛 / 数据猿 责编：凝视深空 / 数据猿