AI写完1300万行代码，深空呢？

11天，1300万行Lean代码，2.95万个中间定理——Anthropic的Claude几乎自主运行，把费马大定理变成了计算机可以逐步检验的证明。同一个时间窗口里，欧洲的BepiColombo在巡航八年后进入水星最终接近阶段；Planet Labs财报营收同比增长58%，并开始上调资本开支。

三件事看起来互不相干。但把它们摆在一起，指向同一个判断：AI正在从航天产业的旁观者，变成生产函数里的一个变量。

💡 AI把三十年的活干成了十一天

AI第一次把数学家三十年的活，压缩成了十一天。

1637年，法国数学家皮埃尔·德·费马在一本数学著作的页边写下那个困扰后世三百多年的猜想，还留下一句著名的话：「我发现了一个绝妙的证明，但这里的空白太小，写不下它。」此后350年，这个猜想悬在数学史上空。直到1995年，英国数学家安德鲁·怀尔斯花费多年时间，才给出第一个完整证明——那是人类智力大厦上的皇冠之一。

然后是2026年9月初。Anthropic在官方博客公布：Claude在几乎自主运行的情况下，用11天完成了费马大定理的首个端到端计算机验证证明。整个过程使用Lean编程语言构建形式化证明，生成约1300万行代码，证明了超过2.95万个中间定理。带队的是一位清华姚班校友。

这里要划一个重点：AI这次做的事，不是重新发现一个数学定理，而是把人类数学中的复杂证明，转换成计算机能够逐步验证的形式。这个动作有个专业名字——形式化验证。

对数学圈，这是一次漂亮的工程胜利。但作为产业观察者，我更在意另一件事：形式化验证恰恰是航天软件工程里最贵、最痛的环节。一颗卫星的飞行软件、一枚火箭的飞控代码，长期依赖人工评审和地面测试去逼近「正确」，周期以年计。一个能稳定产出千万行可验证代码、且每一步都经得起机器检查的AI，对数学是效率工具，对航天是基础设施级别的选项。

一个耐人寻味的细节是，伴随GPT-6 Astra全面开放，Anthropic顺手重置了所有Claude Max用户的每周使用额度。模型竞争已经卷到额度战，意味着前沿推理能力的边际成本正在快速下探——这对下游所有重工程行业，都是利好。

🛰️ 巡航八年后，水星门前最缺的是自主

深空探测最贵的从来不是燃料，是等待，和等待中的自主。

八年前出发的BepiColombo，如今终于进入水星的最终接近阶段。任务科学家说得很朴素："Fundamentally, we want to learn about the origins of this planet and how it came to be like it is."——我们想弄清楚这颗行星的起源，以及它为何成为今天的样子。

听起来像一场浪漫的远征，本质上却是一场极端条件下的软件可靠性大考。八年巡航，意味着探测器要在深空环境里长时间脱离地面实时干预运行；抵达水星后，通信时延和轨道约束进一步压缩人工介入的空间。越是这样的任务，越依赖星上软件的绝对正确——而软件正确性，正是上一节那个关键词：形式化验证的传统主场。

把时间轴拉长看，这条线索更清晰：

1637年费马写下猜想，1995年怀尔斯用数年人力给出证明，2026年AI用11天把证明转换成机器可验证的形式。三百八十九年，同一个问题，验证成本塌缩了几个数量级。

产业判断在这里：深空任务的下一步演进方向，一定是从「地面深度参与」走向「星上高自主」。而高自主的前提，是软件可以被机器完整地验证正确性。过去这条路走不通，是因为形式化验证需要顶尖专家投入数年时间——怀尔斯的证明如果要做完整形式化，靠人力是难以想象的工作量。现在，一个AI用11天做完了。据多位接近深空任务团队的业内人士透露，形式化验证工具已经开始出现在几个任务软件流程的评估清单里，尽管距离型号化还有距离。

📈 遥感的景气度，第一次写进了财报

遥感行业的景气度，第一次从路演PPT搬进了财报。

Planet Labs最新财报给了两个信号：其一，这家卫星地理空间影像与服务提供商营收同比增长58%；其二，EMEA（欧洲、中东与非洲）市场的增速超过了北美。更关键的是管理层的态度——他们正在踩下资本开支的油门，以承接需求。

对星座运营和卫星制造行业来说，「上调capex」这三个字比任何叙事都有分量。过去十年，遥感公司讲的故事是「我们能拍到」。这一轮的故事变成了「客户真的在买单，而且欧洲方向的预算增速跑赢了北美」。据接近卫星运营商的人士透露，多个欧洲政府与防务相关需求是这一轮区域增长的主要推手，纯商业客户占比也在爬坡。

而这里恰恰藏着与AI的连接点：遥感数据的终局消费方，越来越多人押注在AI上。海量的对地观测影像，靠人工判读是消化不完的，必须交给模型；反过来，AI应用越繁荣，对实时、高频、高分辨率对地观测数据的需求就越旺盛。数据供给（星座）、数据需求（AI应用）、数据处理能力（AI算力与模型），三件事第一次咬合在同一个周期里。

三份素材放在一张表上，信号就很直白了：

🔁 一个正在咬合的飞轮

AI与航天的关系，正在从「工具」变成「闭环」。

把前面的分析串起来，能看到一个自我强化的结构：

这个飞轮的起点是AI推理能力的跃升——费马大定理的形式化验证是它最极端的能力展示。能力外溢的第一个落点是软件验证：飞行软件、星座测控系统、深空探测器自主软件，都可以用机器完整检验正确性，成本塌缩。第二个落点是卫星制造：软件占整星成本与周期的比重在下降，星座扩张的资金门槛随之松动。第三个落点是数据供给与需求的共振：更多卫星在轨，更多数据落地，而数据最大的买单方正是AI应用自身——Planet Labs财报里那个58%，就是这个飞轮转起来之后的第一圈涟漪。

值得注意的是，这个飞轮不依赖任何一方「赢」。Claude和GPT-6 Astra的额度战越激烈，推理成本越低，飞轮各环节的润滑越好。AI行业的内卷，意外成了航天产业的顺风。

⚠️ 别急着欢呼，飞轮上每一环都有锈

但产业判断要经得起冷水的检验，这个飞轮上至少还有三处锈。

第一，验证正确不等于工程可靠。费马大定理的形式化验证，验证的是数学命题；而飞控软件要面对的是辐射单粒子翻转、传感器漂移、未知工况。机器可验证的正确性是必要条件，远不是充分条件。形式化工具进型号流程，中间还隔着适航级、宇航级的工程鸿沟，这段路以年计。

第二，BepiColombo式的成功不可复制。八年前立项、八年巡航才抵达水星，这种超长周期意味着今天规划的任务，兑现要在2030年代。深空探测的商业模式至今仍是「政府出题、工业答题」，纯商业闭环尚未出现。飞轮在近地轨道转得动，在深空还是慢变量。

第三，Planet Labs的上调capex本质是一场对赌。需求侧58%的增长里，有多少是地缘因素带来的一次性预算，有多少是可持续的商业需求，财报之外无人能打包票。资本开支一旦铺下去，产能的刚性会反过来考验需求的韧性。据接近产业链的人士判断，未来两个季度的订单簿质量，比本期营收增速更值得盯。

小结

回到开头的判断：AI不再是航天叙事的旁观者。费马大定理的11天验证证明了前沿AI的工程成色，BepiColombo提示了高可靠软件的真实应用场景，Planet Labs的财报则给出了需求侧的第一个硬数据。三者相加，验证、数据与算力的产业飞轮已经初步咬合。未来12到24个月，盯住三个指标即可：形式化验证工具是否进入星座与深空任务的型号流程、遥感公司capex向营收的转化率、以及模型推理成本的下降斜率。飞轮转得快不快，答案都写在这三个数字里。