第104章 智能星网（1/2）

交付评审在蓝湾通信总部进行。

左城带著唐旭和马昊到了蓝湾的会议室。评审委员会来了七个人，除了陆明远，还有蓝湾通信的技术副总裁、卫星事业部的总工程师，以及几个外聘的通信专家。阵容比前两次评审都要强，说明蓝湾对这次评审的重视程度很高。

“左总，请开始匯报吧。“陆明远主持会议，表情很正式。

左城打开ppt，第一页只写了六个字：智能星网调度。

“各位评审委员，天穹第三阶段的星间链路调度算法，我们已经从固定策略升级为基於深度强化学习的ai调度方案。“左城说，“频谱利用率从之前的百分之六十二提升到了现在的百分之八十二，超过设计目標两个百分点。这意味著天穹卫星网络的可用容量增加了三分之一。“

会议室里一片安静。百分之八十二这个数字显然超出了评审委员会所有人的预期。

技术副总裁率先开口：“左总，你们的ai调度方案是什么原理？深度强化学习在卫星通信领域的应用，据我所知，目前全世界还没有成熟的案例。“

“我们的方案確实是全球首创。“左城说，“原理是让ai智能体在仿真环境中不断试错学习，通过奖励机制引导它找到最优的频谱分配策略。与传统固定策略相比，ai方案能实时感知链路状態变化，毫秒级別做出调度决策。“

“训练数据是从哪来的？“卫星事业部总工程师问。

“我们用天穹前两阶段的在轨运行数据构建了高保真仿真环境。“唐旭补充说，“仿真环境与真实环境的误差控制在百分之五以內。“

“模型的泛化能力如何？如果卫星数量扩展到一千颗以上，算法还能適用吗？“

左城早有准备：“我们做了扩展性测试。在六百颗卫星的仿真环境中，频谱利用率仍能维持在百分之七十八以上。更大规模的测试正在跑，但初步结果证明算法的可扩展性良好。“

外聘专家中一位头髮花白的老教授开口了：“左总，深度强化学习的可解释性一直是业界的顾虑。如果ai做出了一个调度决策，你们能解释它为什么这么做吗？如果出了问题，怎么追溯原因？“

这个问题很尖锐，也是ai在工业领域应用的最大障碍。

“好问题。“左城说，“我们做了两层设计来解决这个问题。第一层，模型的所有决策都记录在日誌中，包括输入状態、输出动作、奖励值，可以事后回溯。第二层，我们设计了一个安全约束模块，ai的调度决策必须在预设的安全边界內做出，超出边界的决策会被自动拦截，回退到传统策略。也就是说，ai永远在人设定的围栏里活动。“

老教授点了点头，似乎对回答还算满意。他旁边的另一位专家也跟著问了几个关於训练稳定性的问题，左城一一作答。

评审持续了三个小时。评审委员会对技术方案提出了十几个问题，左城和唐旭一一作答。马昊在数据部分做了补充，他展示了训练过程的收敛曲线和不同架构的对比结果，数据非常扎实。

最后，陆明远宣布评审结果：“天穹第三阶段交付评审，技术评分93分，通过。恭喜402。“