移动通信网 赵哲超
谷歌Project Suncatcher太空AI计划完成首次在轨验证。首枚实验原型卫星已随SpaceX Transporter-18拼车发射任务进入预定轨道，地面团队成功建立通信链路，卫星各系统运行符合设计预期。这颗卫星由谷歌与地球观测公司Planet Labs联合研制，整体体积约与一台家用冰箱相当，舱内集成4枚谷歌自研TPU张量处理单元。需要明确的是，该卫星并非商业太空数据中心，而是一颗技术验证平台，核心任务是检验TPU芯片在真实太空环境中的物理耐受能力。谷歌官方表示，未来数周将持续下传在轨遥测数据，重点评估TPU在发射阶段强烈震动、太空高能粒子辐射以及剧烈温度交变环境下的运行稳定性。部分极端工况在地面上难以完整复现，必须在真实轨道环境中采集数据，这也是本次发射的根本目的。从产业层面看，这是自研AI芯片首次以专用验证卫星形式进入轨道，标志着算力基础设施向太空延伸的探索从概念论证进入实测阶段，谷歌也由此成为继Starcloud之后第二家将AI训练级芯片送入轨道并开展系统性测试的科技巨头。
【关键数据】
[1] 卫星搭载TPU芯片数量：4枚
[2] TPU单次持续运算时长：约15分钟
[3] 成本效益所需星舰发射次数：约1800次（10年内，年均180次）
[4] 单次星舰载荷要求：200公吨
[5] 激光通信双星测试计划时间：2027年
本次任务的技术焦点集中在散热与辐射两大环节。太空环境接近真空，不存在空气对流这一地面数据中心依赖的散热路径，芯片产生的热量只能通过热管传导至外部散热器，再以红外辐射方式向深空排出，散热效率远低于地面液冷或风冷方案。这一物理约束直接决定了芯片的运行节奏：TPU每次仅能持续执行约15分钟运算任务，之后必须暂停工作进入散热周期，待温度回落后再恢复运行，实际算力利用率显著低于地面部署。软件层面，卫星在轨运行谷歌Gemma开放权重AI模型，用于产生真实推理负载并监测芯片在持续运算下的性能漂移、位翻转等辐射效应。Gemma模型参数量适中，适合在4枚TPU构成的有限算力上运行，同时能覆盖矩阵乘法、存储访问等典型算子，具备验证代表性。创新点在于，谷歌将芯片级可靠性测试、模型推理负载与卫星平台集成在单一任务中，形成从器件到应用的完整验证链条，这种“以真实负载测真实环境”的方法，比传统辐射舱地面模拟更接近未来太空数据中心的实际工况。
太空算力目前仍是一个尚未形成规模的萌芽市场，但头部玩家已密集落子。Starcloud此前已将英伟达H100 GPU送入太空完成在轨测试，验证了商用加速芯片在轨道环境下的基本可用性；SpaceX则宣布计划于2027年部署搭载英伟达芯片的Starmind AI1卫星，将算力业务与其星链星座体系直接整合。谷歌的差异化路径在于全栈自研：TPU芯片、Gemma模型、激光通信方案均掌握在自己手中，不依赖第三方加速器供应商，长期有望在成本和功耗优化上获得更大自由度。竞争格局的背后是AI算力需求的持续膨胀——地面数据中心面临电力供应、土地资源和散热瓶颈的多重挤压，轨道空间凭借近乎无限的太阳能供给和深空冷背景，被视为潜在的算力扩张方向。不过当前各方的单星算力都极为有限，谷歌本次仅搭载4枚TPU，与地面动辄数万颗加速器的集群相比体量悬殊，现阶段所有项目均处于技术验证而非商业服务阶段。真正的分水岭将出现在多卫星组网和星间高速互联能否跑通，这决定了太空算力是补充性基础设施还是昙花一现的概念。
从产业链看，太空数据中心是一个横跨半导体、卫星制造、发射服务和通信的超级长链工程，成本结构极度依赖运载能力。谷歌内部测算给出了量化的门槛：要让太空数据中心具备与地面方案竞争的成本效益，SpaceX星舰需要在未来10年内完成约1800次发射，年均180次，且单次运送200公吨载荷——这一发射节奏远超当前全球任何火箭的服役记录，意味着整个商业模型的成立以星舰完全成熟和大批量复用为前提。上游环节，抗辐射版本的芯片设计、宇航级封装和测试将带来额外成本溢价，TPU需要在器件选型和电路设计上增加冗余容错机制；中游环节，卫星平台供应商（本次为Planet Labs）需要提供满足散热和供电需求的定制舱段，冰箱大小的平台对功率分配和热管理系统提出苛刻要求；下游环节，激光星间链路是组网运算的关键瓶颈，谷歌计划2027年再发射两枚卫星，专门测试高带宽激光通信技术，为多星协同运算奠定数据传输基础。发射成本方面，Transporter-18这类拼车任务将单公斤入轨成本压至数千美元级别，为早期低成本验证提供了现实通道。
商业化路径上，谷歌采取的是典型的分步验证策略。第一阶段即当前任务，验证单芯片在轨可靠性，采集辐射、热循环和震动数据，周期为发射后数周；第二阶段定于2027年，发射两枚卫星测试高频宽激光星间通信，解决多星数据交换的物理层问题；第三阶段才是多颗TPU卫星组网构成轨道运算集群的长期构想。潜在应用场景包括近地轨道遥感数据的在轨处理——Planet Labs的地球观测星座每天产生海量影像，若能在星上直接运行AI模型完成目标识别和图像压缩，可大幅减少下传数据量并缩短响应时延；此外，为缺乏地面通信基础设施的区域提供边缘AI服务、支持科学卫星的实时数据分析等，都被视为早期落地方向。对标案例方面，Starcloud已验证H100在轨运行，SpaceX的Starmind AI1计划2027年部署，行业时间节点高度集中在2027年前后，反映出发射能力、芯片耐受性和通信链路三条技术线的成熟周期正在收敛。但15分钟运行加散热暂停的占空比限制说明，在散热技术取得突破之前，任何太空算力服务都无法承载持续训练类工作负载，短期只能面向间歇性推理任务。
行业走向层面，太空算力赛道的驱动逻辑正在从概念叙事转向工程验证。谷歌此次任务的直接产出将是一套TPU在轨可靠性的实测数据集，为后续抗辐射设计迭代提供依据；2027年的激光通信双星测试则是组网运算的关键前置条件，星间链路带宽直接决定集群的有效算力规模。企业动向方面，三大玩家路径分明：谷歌押注自研TPU加Gemma模型的全栈方案，Starcloud依托英伟达生态快速验证，SpaceX则将算力与星链星座深度绑定，形成发射、通信、算力一体化布局。具体影响体现在三个层面：对半导体产业，宇航级AI芯片需求将催生新的可靠性标准和测试服务体系；对运载行业，1800次星舰发射的假设性需求为重型火箭量产化提供了明确的市场锚点；对地面数据中心运营商，太空算力若在10年尺度内成熟，将改变超大规模算力的选址逻辑和电力采购策略。眼下更现实的问题仍在工程细节——散热占空比、辐射导致的模型精度衰减、激光链路的指向精度，每一项都需要数年在轨数据积累，太空AI的商业化时间表，将由这些基础问题的解决速度决定。
