谷歌周二宣布了一项新的登月计划——发射由太阳能驱动的卫星星座,这些卫星搭载自主研发的张量处理单元(TPU),组成轨道AI数据中心。
"未来,太空可能是扩展AI计算的最佳场所,"谷歌高管在博客文章中写道。他们解释说,太阳能电池板在太空中的效率比在地球上高8倍,并且可以持续产生电力。
能源可用性已成为地面数据中心建设的限制因素,因此拥有丰富的清洁不间断能源的前景无疑相当有吸引力。
然而,正如谷歌指出的,实现这一计划需要克服重大挑战,其中之一是找到足够的火箭将有用数量的基础设施送入轨道。尽管SpaceX今年有望进行超过140次发射,但发射能力仍然不易获得。
发射成本是另一个考虑因素。假设到2030年代中期发射价格降至每公斤200美元,谷歌认为基于太空的数据中心在能源成本方面将与地面数据中心大致相当。目前的发射价格是谷歌期望成本的十倍以上。
AI基础设施还需要快速和弹性的网络连接,目前供应商通过光纤和/或铜线提供这种连接。对于"阳光捕手"项目,谷歌将通过地球轨道的近真空环境无线传输数据。
通过部署空间复用技术(一种使用多个独立数据流增加吞吐量的技术),谷歌预计能够以"每秒数十太比特"的速度将大量卫星连接在一起。
谷歌表示已经证明这项技术可以使用800 Gbps光学系统有效工作,但承认这些系统需要大量能源。
"实现这种带宽需要接收功率水平比传统远程部署中的典型水平高数千倍,"谷歌解释道。"由于接收功率与距离的平方成反比,我们可以通过让卫星以非常紧密的编队飞行——几公里或更少的距离来克服这一挑战。"
换句话说,这些计算星座需要相当密集。在一次模拟中,谷歌建议由81颗卫星组成的集群,这些卫星在海拔650公里处以相互间距100-200米的排列飞行,整个阵列跨度为两公里。
如果谷歌成功将足够大规模的TPU舰队送入轨道并能使基于太空的通信网络可靠运行,设备仍需要在太空的严酷环境中生存。
使基于太空的AI超级计算机概念如此吸引人的能源来源也恰好会喷射出电离辐射,这对电子设备并不友好。在地球上,我们受到行星电磁场和厚厚大气层的保护,免受大部分辐射影响。然而,在轨道上,这些保护远没有那么强。
谷歌已经在研究其TPU的抗辐射版本。事实证明,该公司可能不需要做太多工作来保持它们的运行。在测试中,谷歌将其TPU v6e(代号Trillium)加速器暴露在67兆电子伏光子束下,以观察其如何应对辐射。
结果显示,加速器最敏感的部分是其高带宽内存模块,在累积剂量达到2 krad(Si)后开始出现异常,这几乎是芯片在屏蔽环境中五年任务期间预期承受剂量的3倍。
谷歌在地球上进行了系统测试,并在这份预发表论文中记录了这些努力。该公司计划在2027年发射一对原型卫星,以进一步评估其硬件和轨道数据中心的可行性。
谷歌并非第一个建议将太空作为下一个数据中心前沿的公司。
我们在2017年报道过一家希望这样做的初创公司,但该努力从未进入轨道。
惠普企业(HPE)多年来一直在研发太空计算平台。其首个单元Spaceborne于2017年发射,在国际空间站上停留了近两年,但在四个冗余PSU中的一个出现故障,20个SSD中有九个出现故障。Axiom Space也在8月向国际空间站发射了类似的计算原型。
就在上个月,亚马逊创始人兼执行董事长杰夫·贝索斯预测,在未来二十年内,千兆瓦级数据中心将充满天空,由来自太阳的无限光子流提供动力。上周六,埃隆·马斯克表示SpaceX将建造轨道数据中心。
Q&A
Q1:谷歌的轨道AI数据中心项目有什么优势?
A:太阳能电池板在太空中的效率比在地球上高8倍,可以持续产生电力。由于地面数据中心建设受到能源可用性限制,太空中丰富的清洁不间断能源前景相当有吸引力,为AI计算提供了更好的扩展空间。
Q2:实现轨道数据中心面临哪些主要挑战?
A:主要挑战包括发射能力不足、成本过高(目前发射价格是谷歌期望成本的十倍以上)、需要克服太空中的电离辐射对电子设备的影响,以及需要通过空间复用技术实现卫星间的高速无线数据传输。
Q3:谷歌何时会实际部署这个轨道数据中心?
A:谷歌计划在2027年发射一对原型卫星,以进一步评估硬件和轨道数据中心的可行性。目前该公司已经在地球上进行了系统测试,并研究TPU的抗辐射版本,但大规模商业部署时间尚未确定。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。