随着AI算力需求持续超越现有基础设施容量,越来越多的企业开始探索将部分计算工作负载迁移至太空的可能性。美国科技初创公司Orbital是这一前沿领域的最新入局者,近期宣布计划在近地轨道部署AI数据中心。该方案旨在借助太空中的太阳能和辐射冷却技术,将计算工作负载从地面电网中剥离出来。
AI算力需求的增长已是不争的事实,而能源限制、冷却需求以及社区对新建数据中心的抵制,正使数字基础设施的扩张面临重重压力。
尽管Orbital提出的太空数据中心构想有望绕开上述地面难题,但怀疑者仍质疑,经济性与工程技术层面的挑战是否会最终阻碍其大规模落地。
Orbital的愿景近距离解读
Orbital正在设计一个由多颗卫星组成的星座,每颗卫星均搭载多组英伟达GPU集群。这些系统将由机载太阳能电池板供电,并通过将热量直接散逸至太空实现冷却,从而彻底摆脱对传统冷却系统的依赖。
该公司的首颗卫星Orbital-1计划于2027年4月搭乘SpaceX猎鹰9号火箭发射升空。此次任务将重点验证GPU在轨持续运行能力,测试抗辐射性能,并执行AI推理工作负载。
Orbital的架构专为推理任务而非模型训练设计。大规模模型训练需要高度耦合的GPU集群,而推理工作负载可分布于多个节点,因此更适合基于卫星的运行模式。
此外,该公司正在洛杉矶筹建一处研发中心,并已着手向监管机构提交部署更大规模卫星星座的申请。
"我们预计在成本上能与地面数据中心形成竞争力,因为轨道太阳能每块电池板提供的有效能量约为地面的五倍,且冷却几乎不产生额外成本,"Orbital首席执行官兼创始人Euwyn Poon向数据中心知识网站表示,"但成本并非唯一的优势所在。"
Poon指出,真正的突破在于可扩展性:在地球上,新建数据中心往往需要数年时间办理审批、等待电网接入,还要面对日益强烈的社区抵制。"哪怕资金和需求都已到位,也可能迟迟无法破土动工,"他说,"而在轨道上,既无需等待接入电网,也不存在监管障碍。"
速度、可及性与任务价值
先进复合材料公司Atomic 6的创始人兼首席执行官Trevor Smith近期推出了一个轨道数据中心容量交易平台。他向数据中心知识网站表示,太空数据中心并不需要在每瓦成本上击败地面设施,而是必须在速度、可及性和任务价值上占据优势。
"太空算力作为地球算力基础设施在通信和天基处理领域的有效延伸,目前已具备可行性,这正是其立足的根基,"他说。
Smith补充道,随着发射成本下降、可部署电力及热控系统不断改进,将更大比例计算负载迁移至太空的经济可行性将迅速提升。
"在地球上,AI发展越来越受制于电力和基础设施的建设速度,"他解释道,"而在轨道上,制约因素转变为能否高效利用表面积来实现供电与散热。一旦攻克这一难题,就能开辟出一条截然不同的扩展路径。"
数据中心太空竞赛
Orbital并非这场数据中心太空竞赛中的唯一玩家。该公司面临的竞争对手不乏埃隆·马斯克旗下的SpaceX——后者已准备发射首批有效载荷。
今年2月,SpaceX向美国联邦通信委员会(FCC)提交申请,计划部署一个由多达一百万颗卫星组成的太阳能驱动轨道数据中心星座,以支持AI工作负载。
该项目的规模将远超中国拟议中的20万颗卫星网络。该系统将通过星间光链路与星链卫星相连,再由后者将数据中继传回地球。
与此同时,其他多家公司也在不同阶段、不同环境下推进各自的太空数据中心计划。红帽公司正与Axiom Space合作,计划于2025年向国际空间站发射一个数据中心原型单元,以测试云计算、AI及网络安全工作负载的在轨运行情况。Lonestar Data Holdings则已成功在Intuitive Machines的雅典娜月球着陆器飞行途中运行了数据中心有效载荷。此外,初创公司Rotonium已获得融资,正在探索在太空部署量子计算机的可行性,这进一步彰显了业界将算力基础设施延伸至地球以外的广泛兴趣。
重重挑战
尽管即将进行的卫星发射旨在验证GPU的在轨运行能力,但部分人士对太空数据中心的高昂成本和专用硬件需求能否支撑其大规模部署提出了质疑。
批评者认为,即便测试获得成功,扩大此类基础设施规模仍需在辐射屏蔽、轨道网络通信和低成本制造方面取得重大突破。
专家警告,在太空部署数据中心面临严峻的技术、经济与基础设施挑战:首先是高昂的发射成本与有限的运力——即便是可复用火箭,单次任务费用仍高达数千万美元。太空环境本身同样存在重大风险,辐射和极端环境条件要求采用地面数据中心从未使用过的专用昂贵硬件,使大规模部署的成本难以承受。
此外,现有计算和存储技术并非为轨道应用而设计,而DNA存储和量子计算等新兴替代方案距离实际应用仍有数十年之遥。网络通信同样是一大障碍,现有系统不具备天基运营能力,相关新标准和基础设施建设仍处于早期阶段,这意味着全面投入运营的轨道数据中心或许还要等待数十年。
IDC集团副总裁兼总经理、企业基础设施全球领域负责人Ashish Nadkarni向数据中心知识网站指出,数据中心系统高度复杂,需要持续大量的运维投入。与设计为高度自主运行的卫星不同,数据中心需要持续的管理、升级和全生命周期监督。
"这种复杂性同时体现在成本和工程可行性两个维度,"他说。
Nadkarni将经济可承受性和投资回报率列为核心障碍,同时指出建设、供电、冷却以及太空中长期可运营性方面的挑战同样不可忽视。虽然小型模块化方案或许会率先出现,但若要达到生产规模,仍需大量研发投入。
AI基础设施的新前沿?
轨道太阳能和辐射冷却等新方法有望重塑AI基础设施的经济模式,尤其是在减少对地面能源和冷却系统依赖方面大有潜力。
Nadkarni强调,可行性最终取决于这些方案能否与成熟的低成本地面替代方案形成竞争。即便早期任务验证了在轨算力的可行性,大规模扩展仍是一项长期挑战。
"从试点到成为成熟、可持续、切实可行的选项,可能需要很长时间,"Nadkarni说。
要想获得市场认可,太空数据中心需要证明自身相较于地面基础设施具有无可替代的独特优势。
"整个行业需要证明,太空数据中心能提供某种地面数据中心无法实现的独特价值,"Nadkarni说。
随着Orbital为首颗卫星发射积极备战,该公司正迈出大胆步伐,致力于验证太空数据中心的发展潜力。尽管重重挑战犹存,但业界领袖日益浓厚的兴趣表明,这一构想或许终将成为地球算力基础设施的可行延伸。
Q&A
Q1:Orbital计划在太空部署的数据中心具体是如何运作的?
A:Orbital设计了一个卫星星座,每颗卫星搭载英伟达GPU集群,由机载太阳能电池板供电,并通过将热量直接散逸至太空实现冷却,无需传统冷却系统。首颗卫星Orbital-1计划2027年4月发射,重点验证GPU在轨持续运行、抗辐射性能及AI推理工作负载执行能力。其架构专为推理任务设计,而非大规模模型训练,因为推理负载可分布在多个节点上运行,更适合卫星部署模式。
Q2:太空数据中心面临哪些主要技术和经济挑战?
A:主要挑战包括:高昂的发射成本(即便可复用火箭单次仍需数千万美元);太空辐射和极端环境要求使用专用昂贵硬件;现有计算和存储技术并非为轨道应用设计;网络通信标准尚不成熟;数据中心需要持续的运维管理,而非像卫星那样自主运行。IDC分析师指出,从试点到成为成熟可行的方案可能需要很长时间,经济可承受性和投资回报率是核心障碍。
Q3:除Orbital之外,还有哪些公司在布局太空数据中心?
A:SpaceX已向美国FCC申请部署多达一百万颗卫星的轨道数据中心星座以支持AI工作负载;红帽公司与Axiom Space合作计划向国际空间站发射数据中心原型;Lonestar Data Holdings已在月球着陆器飞行途中成功运行数据中心载荷;初创公司Rotonium正探索在太空部署量子计算机;Atomic 6则推出了轨道数据中心容量交易平台。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。