技术发展总是创造出我们未曾意识到的需求。太空数据中心就是一个完美的例子。地面数据中心存在几个根本性限制,而这些问题在轨道上能够得到更有效的解决。
首先,数据中心需要巨大的电力供应。在地球上,这些电力要么通过高碳排放方式产生,要么依靠间歇性的清洁能源。核能虽然是一个选择,但建设周期长,且面临政治和监管成本。在太空中,这些问题都不存在。太阳能充足且持续不断。没有夜晚,没有云层遮挡,没有季节性变化。轨道上每平方米太阳能收集的功率密度远高于地面。太空数据中心可以从这种恒定能源中获取电力,无需依赖大规模电池系统作为备用。
其次,通过卫星连接的地面系统会产生不必要的延迟。地面设备必须以光速到达卫星,卫星再下行传输到地球上的数据中心,数据中心响应后,卫星还要将数据传回地面设备。将数据中心置于轨道上,可以减少一半的往返时间。在低轨或中轨,这为卫星客户端带来了可观察且有时具有决定性的延迟降低。
第三,轨道数据中心对其他太空系统具有重要意义。收集情报或产生高带宽传感器数据流的卫星可以立即进行计算卸载,无需等待地面站对准。太空望远镜、行星探测器、自主导航系统和深空观测站都可以实时处理数据。轨道计算还避免了天气干扰,以及地球自转导致地面站脱离直接视线所带来的几何损失。
第四,建设这些系统迫使我们掌握人类扩张下一阶段所需的技术。太空制造、永久地外基础设施和深空探索都需要超越地球的弹性计算能力。现在开发这些技术将为我们带来早期优势。
但挑战是巨大的。
太空中没有大气层,因此没有对流。所有热量都必须通过辐射散发。数据中心产生巨大的热负荷,而辐射冷却缓慢且需要大面积。这需要创新的散热器设计、热循环系统和废热回收架构。
接下来是规模问题。真正有用的数据中心都很庞大。有用的轨道计算意味着要以可接受的成本将重型、高密度有效载荷送入轨道。幸运的是,随着需求加速增长,这个问题可能会自行解决。发射成本将继续下降,单位质量的计算密度将继续提高,因为摩尔定律的演进或被新的扩展范式所取代。
太空碎片是另一个严重关切。轨道基础设施的激增增加了碰撞风险,必须通过更好的跟踪、机动、防护和负责任的生命周期结束协议来管理。否则,太空本身的实用性可能会受到损害。
维护是另一个重大障碍。不会派遣人类去修理这些系统。太空机器人技术至关重要。这些机器人需要具备精确性、容错性、多模态操作、自主性和优雅降级策略,超越目前常规使用的任何技术。
最后,经济效益必须成立。收益必须超过成本,必须出现能够证明投资合理性的应用。历史表明,一旦能力得到证明,需求就会跟上。今天被认为不经济的事物明天就会成为常规。
技术演进中唯一的常数就是成本下降。现在看起来昂贵的东西,十年后就会变得微不足道。一旦太空数据中心能够盈利部署,它们就会被部署。这种逻辑太有说服力,优势太显著,战略价值太高,不容忽视。
太空数据中心是一项不可避免的技术,而且很可能很快就会到来。
Q&A
Q1:太空数据中心相比地面数据中心有什么优势?
A:太空数据中心主要有四大优势:首先是电力供应,太空中太阳能充足且持续,没有夜晚和云层遮挡;其次是延迟降低,减少了一半的卫星通信往返时间;第三是便于其他太空系统实时处理数据;第四是为人类太空扩张积累技术经验。
Q2:太空数据中心面临哪些技术挑战?
A:主要挑战包括:散热问题,太空中没有对流需要辐射散热;规模问题,需要以可接受成本将重型载荷送入轨道;太空碎片威胁需要防护措施;维护困难需要高精度太空机器人技术;以及经济效益必须证明投资合理性。
Q3:太空数据中心什么时候能够实现?
A:文章认为太空数据中心是不可避免的技术,很可能很快就会到来。随着发射成本持续下降、计算密度提高,以及需求增长,一旦能够盈利部署就会实现。技术演进的规律是成本不断下降,现在昂贵的技术十年后可能变得微不足道。
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。