谷歌公布AI算力上天計劃，中國團隊首批衛星已組網

Google 在 2025 年 11 月初公布了一項名為 Project Suncatcher 的計劃：將 TPU（Tensor Processing Unit，張量處理單元）送入太空，與衛星公司 Planet Labs 合作，在距地 650 公里的低地球軌道上構建 AI 計算集群。按照設想，這個集群將由 81 顆衛星組成，分布在半徑 1 公里的范圍內，彼此間距僅 100 到 200 米，比任何現有衛星星座都要緊密得多。首批兩顆試驗衛星計劃在 2027 年初發射。

Google 已經發布了詳細的預印本論文，闡述技術路線。CEO Sundar Pichai 在聲明中說，這需要“解決大量復雜的工程挑戰”，但 Google 的工程師們顯然認為這些挑戰是可以應對的。他們已經開始用 67MeV 質子束轟擊 Trillium 代 TPU 芯片，模擬太空輻射環境；在實驗室里搭建了自由空間光通信演示系統，實現了 1.6Tbps 的雙向傳輸速率；還建立了精密的軌道動力學模型，計算如何讓這么多衛星在如此近的距離上編隊飛行。

圖丨相關論文（來源：Google）

電力已經成為當前數據中心發展的最大瓶頸之一，而把 AI 計算搬到太空，正是想解決這個問題。太陽每秒輸出 3.86×10^26 瓦的能量，是人類全球電力生產總量的 100 萬億倍以上。在晨昏太陽同步軌道上，太陽能板幾乎可以持續接受光照，每年接收的能量是地球中緯度地區的 8 倍。隨著生成式 AI 的爆發，數據中心能耗以驚人速度增長。Google 聲稱已將 Gemini 查詢的能耗在一年內降低了 33 倍，但 AI 應用的增長速度更快。如果 AI 真的成為類似電力或蒸汽機那樣的通用基礎技術，其能源需求預計將持續攀升，地球上的電力資源終將面臨瓶頸。

太空太陽能發電的構想存在已久，但一直被一個問題困擾：如何把電力傳回地球？無論是微波束還是激光束，能量傳輸效率和安全性都難以保證。Project Suncatcher 選擇繞開了這個死結。既然傳回電力這么難，干脆在太空直接進行計算，只把結果傳回地面。這個思路轉換使整個方案的可行性大幅提升。

但除此之外還有一系列嚴峻的技術挑戰，首當其沖的是衛星間通信。地面數據中心的 TPU 超級計算機使用定制的低延遲光學芯片互連（ICI，Inter-Chip Interconnect），每個芯片的吞吐量達到數百 Gbps。商用光學衛星間鏈路的數據速率通常只有 1 到 100Gbps，遠遠不夠。

Google 的方案是采用密集波分復用（DWDM，Dense Wavelength Division Multiplexing）技術，理論上可實現每條鏈路約 10Tbps 的聚合帶寬。問題在于，這種技術需要數百微瓦的接收光功率，而傳統長距離衛星間鏈路只有約 1 微瓦。

緊密編隊正是為了解決功率問題。光信號的接收功率與距離的平方成反比，把衛星間距離從數千公里縮短到數百公里，鏈路預算就能大幅改善。距離進一步縮短到公里級后，還能實現空間復用，在不同衛星的收發器陣列之間建立多個獨立光束，每個光束攜帶獨立的 DWDM 數據流。Google 的實驗室演示已經在短距離上實現了 800Gbps 單向傳輸，證明方向是對的。

編隊飛行帶來了軌道控制的復雜性。81 顆衛星需要在 1 公里半徑內保持隊形，同時每個軌道周期完成兩次形狀循環。外圍衛星在軌道不同位置會經歷遠地點和近地點，高度在 650 公里上下浮動 500 米。

在理想的開普勒運動中，這種“自由落體”星座在一個完整軌道后會自動復位，不消耗燃料。但現實中，地球的扁率、太陽和月球潮汐、大氣阻力都會造成擾動。Google 提出用機器學習模型來控制星座，通過調整集群形狀補償可預測的漂移。根據計算，將軸比從標準的 2:1 調整到 2:1.0037，可以把 J2 項（地球扁率效應）引起的漂移降低到每年每公里不到 3 米每秒。

輻射環境是另一道坎。在太陽同步低地球軌道上，即使有 10 毫米鋁當量的屏蔽，輻射劑量仍約為每年 150 拉德（rad(Si)）。五年任務壽命意味著累積劑量達到 750 拉德。輻射造成的損害分兩類：總電離劑量效應導致器件逐漸退化，單粒子效應則產生瞬時故障。Google 測試了 Trillium 代 V6e 云 TPU 和配套的 AMD 服務器，用質子束模擬軌道輻射條件。

測試結果喜憂參半。高帶寬存儲器（HBM）對總電離劑量最敏感，在累積 2 千拉德后開始出現異常，好在這仍是任務要求的近 3 倍。單粒子效應方面，HBM 同樣最脆弱，主要表現為不可糾正的 ECC 錯誤。

對于推理工作負載，觀察到的錯誤率約為每 50 拉德一次，換算成實際軌道環境，大約每 1,000 萬次推理出現 1 次失效。Google 認為這個比例“對推理可能是可接受的”。但對訓練任務，影響還不清楚。訓練過程中的位翻轉可能導致靜默數據損壞，這在任何環境下都是嚴重問題，需要進一步研究緩解措施。

另外，散熱也是一個非常棘手的問題。真空中運行高功率密度的 TPU，只能靠輻射散熱。Google 在論文中提到需要“先進的熱界面材料和熱傳輸機制，最好是被動式以最大化可靠性”，將熱量從芯片高效傳導到專用散熱器表面。這部分技術細節論文中著墨不多，顯然還在攻關階段。

最關鍵的可能還是發射成本。目前發射到低地球軌道的價格在每公斤 1,500 到 2,900 美元之間。Google 的分析顯示，只有當成本降至每公斤 200 美元，發射費用攤銷到航天器壽命周期后，按每千瓦計算才能與地面數據中心的能源成本相當，美國數據中心的電力支出約為每千瓦每年 570 到 3,000 美元。

每公斤 200 美元，這個數字有多現實？Google 對 SpaceX 的歷史數據做了學習曲線分析。從 Falcon 1（獵鷹 1 號）到 Falcon Heavy（獵鷹重型），價格展現出約 20% 的學習率。每當累計發射質量翻倍，每公斤價格下降約 20%。

如果 SpaceX 的 Starship 能盡快投入商業運營，并達到每年約 180 次的發射頻率，到 2035 年左右，價格可能降到每公斤 200 美元以下。這需要 Starship 實現高頻次、高可靠性的運行，也需要足夠的市場需求來支撐這個發射規模。即便發射頻率打七折，價格也能降到每公斤 300 美元，對大規模星座的可行性仍有實質性影響。

圖丨不同低地球軌道衛星的發射功率價格（來源：Google）

另一種估算基于 Starship 4 的公開規格和重復使用目標。假設實現 10 倍組件重復使用，SpaceX 的發射成本可能低至每公斤 60 美元；如果達到 100 倍重復使用，成本可能降到每公斤 15 美元。當然，這些都建立在技術突破的基礎上。但太陽能光伏板行業在 40 多年里保持了類似的學習率，說明這種長期成本下降并非沒有先例。

實際上，谷歌并不是唯一一家計劃將數據中心發射到太空的公司。就在 Google 公布計劃前幾天，初創公司 Starcloud 發射了搭載英偉達 H100 芯片的 Starcloud-1 衛星，宣稱要建設一個跨越 4 公里太陽能陣列、功率達 5GW 的天基數據中心。

馬斯克也表示 SpaceX“將會做”太空數據中心，杰夫·貝索斯去年表示 10 年以上后會有千兆瓦級設施出現，前 Google CEO 埃里克·施密特收購火箭公司 Relativity Space 也是為了這個目標。Axiom Space、NTT、Ramon.Space、Sophia Space 等公司都在籌劃類似項目。這波熱潮背后，是對 AI 計算需求持續增長的預期，以及對地面資源約束的擔憂。

中國在這個領域的動作更快。2025 年 5 月 14 日，之江實驗室與國星宇航合作的“三體計算星座”首批 12 顆計算衛星在酒泉衛星發射中心成功發射, 成為全球首個成功入軌并組網的太空計算衛星星座。這個項目在 2024 年 11 月的世界互聯網大會烏鎮峰會上首次公布，計劃建設千星規模的天基智能計算基礎設施，建成后總算力將達到 1000P（每秒百億億次浮點運算）。

但從技術成熟度看，太空 AI 數據中心仍處于極早期階段。Google 的論文列出了一長串待解決的問題：單粒子效應對訓練任務的影響、可靠的被動熱管理系統、克服大氣湍流的高帶寬光學地面通信、在軌可靠性和維修策略。在太空中無法像地面數據中心那樣手動更換故障硬件，最簡單的辦法是冗余配置，這又會增加成本。

即使發射成本降到理想水平，商業可行性仍存疑問。“發射攤銷成本與地面電力成本相當”只是第一步，還沒算衛星設計制造、在軌運維、通信等費用。更重要的是，AI 計算通常需要頻繁的數據輸入輸出，地面到太空的通信延遲和帶寬限制可能使其只適合特定工作負載。論文提到 Trillium TPU 的錯誤率“對推理可能是可接受的”，但對訓練任務“需要進一步研究”，意味著太空 TPU 集群可能更適合推理而非訓練。

項目能否成功，取決于一系列不確定因素：SpaceX 能否兌現 Starship 的承諾，AI 計算需求是否真的會持續指數級增長，太空環境中的技術挑戰能否逐一攻克，以及商業模式能否找到足夠應用場景來支撐前期投入。

Google 研究團隊在論文結尾寫道：“實現這一雄心勃勃愿景的全部范圍，需要持續的研究、設計的迭代完善，以及實現若干關鍵的未來里程碑。”

答案或許要到 2027 年初那兩顆衛星升空后才能揭曉一二。

參考資料：

1.https://services.google.com/fh/files/misc/suncatcher_paper.pdf

2.https://research.google/blog/exploring-a-space-based-scalable-ai-infrastructure-system-design/

運營/排版：何晨龍