剛剛，英偉達把 H100 送上軌道，宣布在太空跑起數據中心級 GPU。緊接著，谷歌 Project Suncatcher 官宣，要在近地軌道用 TPU 做分布式機器學習試驗，并計劃在 2027 年初發射原型星。
Project Suncatcher（捕光者計劃）是一個基于太空的可擴展 AI 基礎設施系統設計。谷歌 CEO Sundar Pichai 表示，太陽發出的能量比人類總電力生產量高出 100 萬億倍，Project Suncatcher 計劃可以更好地利用太陽的能量來驅動 AI。
TPU 的太空版圖
11 月 3 日，太空數據中心初創公司 Starcloud 的衛星 Starcloud-1 成功入軌，搭載了 NVIDIA 的 H100 GPU 并已進入運行狀態。
在 NVIDIA 邁出第一步之后，谷歌正式發起 Project Suncatcher。該研究計劃其核心為：在近地軌道部署一系列太陽能衛星（衛星星座），搭載其自研的 TPU（張量處理單元），并通過自由空間光通信（星際激光鏈路）構建分布式機器學習系統。
官方披露，在適當軌道上，太陽能電池板效率可達地面 8 倍，并且可幾乎持續發電。
為驗證系統可行，谷歌計劃與 Planet Labs 合作，于 2027 年初發射兩顆原型衛星。
谷歌也在論文《Towards a future space-based, highly scalable AI infrastructure system design》中分享了一些早期研究成果，包括衛星間的高帶寬通信、軌道動力學以及輻射對計算的影響。
“
若將 AI 視為新一代基礎設施，其算力與能源需求勢必持續增長。太陽是最強大且可持續的能量源，因此未來的 AI 系統或將直接在太空中運行。研究團隊提出一套基于太陽能衛星群的機器學習架構：衛星搭載谷歌 TPU，通過自由空間光通信互聯，在軌形成高帶寬、低延遲的計算網絡。模擬顯示，一個半徑約 1 公里的 81 星編隊可穩定運行，并通過機器學習模型精確控制軌道。Trillium TPU 經輻射測試可在 5 年任務周期內保持穩定，無永久性損傷。研究還指出，若發射成本降至 每千克約 200 美元，太空算力中心的建設將具備現實可行性。
在谷歌討論能否在太空構建 AI 基礎設施的同時，還面臨三個關鍵挑戰：
星間通信帶寬：要與地面數據中心匹敵，星間激光鏈路需支持數 Tbps 級別帶寬。為此，衛星必須非常密集地編隊飛行（公里級甚至更近）才能實現鏈接預算。
熱管理與可靠性：在真空中散熱方式不同于地面，對芯片系統、結構設計、熱通道的要求極高。谷歌強調在軌可靠性仍為重大難題。
經濟可行性：目前發射成本仍高，谷歌估算若單千克發射成本下降至約 200 美元，則天基數據中心的整體成本可接近地面系統。
影響與展望
若太空計算成為現實，地面用于大規模機房的土地、電力、水冷系統需求可大幅降低，從而釋放城市周邊資源壓力。
針對對地球觀測、海洋監測、災害預警等場景，近軌算力意味著更快響應和就地處理能力，有助于減少數據回傳時延。
隨著模型規模繼續攀升，地面算力擴張可能遇到邊際收益遞減。太空或為下一個指數級增長的空間，可能催生基于衛星算力的云／邊緣混合架構。
但是，未來仍有三大變量需要持續觀察：
發射與維護成本曲線：當前火箭發射仍昂貴，衛星壽命、維修難度、軌道碎片風險也高。成本若難以下降，天基算力仍傾向“錦上添花”而非主流。
可持續運維 &安全監管：太空算力擴展需考慮碎片清理、太空環境保護、國際合規、數據安全及網絡攻防新維度。
網絡生態與地面融合能力：在軌算力若不能與地面數據中心、高速地面光纜網絡、云服務無縫融合，其優勢將受限。星間通信、地面回傳、算力調度需形成完整體系。
下一個五到十年，或許我們會見證由數十顆、甚至數百顆太陽能驅動衛星組成的“云端”機房體系，在地球上方默默運行。AI 模型訓練將不僅在地球機房、也可能在近地軌道、甚至更遠的太空平臺完成。
參考資料：
https://research.google/blog/exploring-a-space-based-scalable-ai-infrastructure-system-design/?utm_source=chatgpt.com
分享
