Amazon呼吁美国监管机构拒绝SpaceX申请发射轨道数据中心卫星舰队的许可,批评该申请不完整、投机性强且不现实。
埃隆·马斯克的火箭公司最近提议建造一个轨道卫星星座,作为太空数据中心,这需要联邦通信委员会(FCC)的批准。据《The Register》报道,FCC上个月发布了征求该申请意见的公开通知。
Amazon运营着与SpaceX的Starlink竞争的卫星通信业务,没有浪费时间就表达了反对意见。
在3月6日的一份文件中,Amazon Leo声称该申请只提供了SpaceX如何兑现其"宏大承诺"的最基本概述。SpaceX寻求获得在低地球轨道运营多达100万颗卫星星座的授权,考虑到目前总共约有15000颗卫星在绕地球轨道运行,这是一个惊人的数字。
这些宏大承诺包括声称这将是成为卡尔达肖夫量表第二类文明的第一步——定义为能够使用其母恒星全部能量输出的文明。
Amazon Leo认为SpaceX的申请缺乏基本细节,包括卫星设计、设备的射频特性,以及"在百万卫星规模下管理连接或干扰的任何计划"。
简而言之,它表示该申请似乎描述的是一个崇高的抱负而不是一个真实的计划,并嘲讽它是"投机性占位符而不是委员会规则下的完整申请"。
我们向SpaceX征求了意见。
Amazon Leo还对卫星干扰天文学以及火箭发射和卫星轨道衰减时燃烧造成的污染提出环境反对意见。这些批评同样可以针对Amazon本身。
Amazon创始人杰夫·贝索斯去年在一次活动中预测,由太阳能供电的千兆瓦级数据中心"将在二十年内填满地球轨道",所以这份请愿书显然不是出于环境考虑的动机。
该公司要求FCC以"表面不完整"为由拒绝该申请——这是一个奇怪的表述。然而,如果委员会选择将其视为严肃的提案,Amazon恳求监管机构"充分应对"这种规模的部署将引发的问题,并要求SpaceX提供具体的技术细节。
Amazon还警告说,马斯克的公司正在寻求"轨道垄断的授权,这将使其成为太空的守门人",这或许暴露了真正的担忧所在。
分析公司Gartner最近对在太空放置数据中心的想法泼了冷水,称其为"极度疯狂",因为运营太空设施在经济上不可行,永远无法满足地面对计算能力的需求。
据了解,Amazon Leo(前称为Project Kuiper项目)在轨道上有200多颗卫星,而Starlink估计有9900多颗卫星。
Q&A
Q1:SpaceX的百万卫星数据中心计划是什么?
A:SpaceX提议建造一个由多达100万颗卫星组成的轨道星座,作为太空数据中心。该公司声称这将是成为卡尔达肖夫量表第二类文明的第一步,即能够使用母恒星全部能量输出的文明。
Q2:Amazon为什么反对SpaceX的卫星数据中心计划?
A:Amazon Leo认为SpaceX的申请缺乏基本细节,包括卫星设计、射频特性和百万卫星规模下的管理计划。Amazon还担心这会创造"轨道垄断",使SpaceX成为太空的守门人,影响竞争格局。
Q3:太空数据中心项目面临哪些挑战?
A:分析公司Gartner认为太空数据中心在经济上不可行,无法满足地面计算需求。此外还面临卫星干扰天文学观测、火箭发射污染等环境问题,以及技术实现的复杂性挑战。
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。