人工智能在航天
AI 摘要：人工智能在航天是指将机器学习模型部署于星载计算机或地面任务系统中，实现故障预判、自主路线规划与数据智能处理的技术实践。其核心约束是星载算力、功耗和辐射环境：近地轨道卫星单圈约 95 分钟，仅约 5 分钟可与地面站通信，迫使航天器具备在轨自主决策能力。模型需经量化压缩（如 8 比特定点替代 32 比特浮点）方能在星载硬件上运行。AFRL 已实现神经网络在轨自主控制卫星姿态，NASA“毅力”号完成 AI 规划火星行驶路线的在轨验证。
一句话定义
人工智能在航天是指将机器学习模型（尤其是深度学习网络）部署于航天器星载计算机、地面任务系统或任务规划流程中，使航天器在感知、诊断、规划和控制环节具备自主处理能力的技术实践。
概念边界：航天 AI 不等于“地面 AI 搬到天上”
地面人工智能的部署环境是数据中心或消费级硬件，假设供电充足、网络持续、运维可及。航天 AI 的部署环境由三个硬约束定义：算力与功耗受限于航天器平台、通信链路间歇且带宽有限、辐射环境可能引发硬件或数据位翻转。
这三个约束决定了航天 AI 与地面 AI 的核心区别不在于算法类型，而在于部署形态。一个在地面数据中心运行的视觉语言大模型可能有数十亿参数，而一颗近地轨道卫星的星载计算平台（如 NVIDIA Jetson Orin NX）算力约 50 TFLOPS，仅为地面数据中心 GPU（如 NVIDIA A100，约 312 TFLOPS）的六分之一量级，且电力须优先保障姿控、通信和载荷核心功能-18。在轨可运行的模型规模因此被严格限制。
近地轨道卫星的通信窗口加剧了自主化的必要性。一颗 500 km 高度的近地轨道卫星绕地球一圈约 95 分钟，其中与地面站的有效通信时间平均仅约 5 分钟-18。在地面操控模式下，卫星在大部分时间处于“断联”状态，故障诊断和异常处置只能等待下一个通信窗口。这种结构性时延是航天 AI 从“地面辅助工具”走向“在轨自主系统”的直接驱动力。
部署形态：地面、在轨与混合
航天 AI 的工程实现按计算位置可分为三类，各有其适用场景和边界。
| 部署形态 | 计算位置 | 典型用途 | 关键约束 |
|---|---|---|---|
| 地面 AI | 地面测控中心或数据中心 | 轨道数据分析、任务规划、图像解译 | 依赖下行数据量，响应受通信窗口限制 |
| 在轨推理 | 星载计算机/加速器 | 故障诊断、目标检测、数据优先级筛选 | 算力、功耗、辐射环境 |
| 混合架构 | 星地协同 | 在轨初筛 + 地面深度分析 | 需设计协同协议与断点续传机制 |
地面 AI 是当前最成熟的形态。航天科技集团五院杭州中心研制的 MerakGIS 平台集成了大语言模型与智能体架构，用户可通过自然语言指令完成遥感影像解译和空间数据融合分析，这种模式将 AI 的计算负载完全置于地面，利用地面充裕的算力完成复杂处理-4。
在轨推理 是技术门槛最高的形态，也是“自主航天”的核心。2026 年，中科天塔自研的“华山”航天垂直大模型轻量化模块随“辰光一号”卫星入轨，在星上算力条件下开展健康管理模型训练与故障自主预判，覆盖单星及大规模星座运维场景-1。同期，美国空军研究实验室（AFRL）将经强化学习训练的神经网络上行至一颗 CubeSat，在单圈轨道内无人工干预完成了卫星姿态的自主控制-10。
混合架构 试图在两者之间取平衡。一项基于 Sentinel-2 任务的仿真研究表明，在卫星星座中部署单个在轨处理节点可将端到端延迟降低约 65%，而增加第二个节点仅额外贡献 9% 至 11% 的改善，后续节点的边际效益趋近于零。延迟改善的主要来源是压缩下行数据包尺寸，而非加快星上推理速度-5。
轻量化机制：模型如何塞进星载计算机
星载计算平台的功耗和散热限制通常将 AI 加速器的功耗预算压缩在数十瓦量级。要让深度学习模型在此约束下运行，核心手段是模型压缩。
量化 是指用低比特定点数替代高比特浮点数来表示网络权重和激活值。一个 32 比特浮点数占用的内存和运算功耗显著高于 8 比特定点数。将精度从 32 比特降至 8 比特可大幅降低内存占用和推理能耗-2。极端情况下，二值网络将权重和激活值压缩至单比特，使乘加运算退化为简单的加减或异或操作，但代价是显著的精度损失，部分早期二值网络方法的精度下降可达 19% 至 30%-2。
剪枝与紧凑架构 则从模型结构层面减少参数量和运算量。在遥感检索场景中，采用较小编码器（如 OlmoEarth-Nano）配合 8 比特量化，可将上行模型尺寸压缩至约原来的二十四分之一，而在干净输入上的检索性能与更大模型持平-12。
这些压缩技术的工程含义是：航天 AI 的算法选型必须与硬件加速能力匹配。一个在地面表现优异的模型，若无法在星载硬件上以可接受的功耗和时延完成推理，就不具备飞行部署的可行性。
典型任务验证
卫星健康管理与故障预判：传统卫星运维依赖地面测控人员分析遥测数据、识别异常。中科天塔的“华山”模型在轨健康管理模块实现了星上数据自主解析与故障自主预判，系统具备全天候实时故障诊断、异常自动监视及健康态势综合研判能力，旨在降低地面测控人员干预频次，适配大规模星座运维需求-1。
卫星姿态自主控制：AFRL 的 ACT3 团队使用强化学习训练神经网络，经地面仿真和实验室测试后上行至在轨 CubeSat。该网络在单圈轨道内自主控制航天器指向，将卫星精确导向任务目标并规避危险状态。飞行中还测试了“看门狗”系统和运行时保证机制，用于监测 AI 输出是否接近未验证状态，并在必要时切换至备份系统-10。
火星车自主路线规划：NASA“毅力”号火星车在 2025 年 12 月的两次行驶中，由生成式 AI 分析了火星勘测轨道器 HiRISE 相机的高分辨率图像和数字高程模型数据，识别基岩、露头岩层等关键特征，生成了包含定位点的连续行驶路线。火星车按 AI 规划的路线分别行驶了 210 米和 246 米-20。火星与地球平均距离约 2.25 亿公里，通信延迟使实时地面操控不可行，自主路线规划因此具有直接的工程必要性。
适用与限制
航天 AI 的边界由几个不可回避的工程约束划定。
算力与功耗的硬上限：星载计算平台的功耗预算通常在数十瓦量级，且电力须与姿控、通信、热控等关键分系统竞争。这意味着在轨可运行的模型规模远小于地面同类模型。一项实验表明，星载环境仅支持约 20 亿参数的视觉语言模型运行，而 70 亿参数模型需要地面 GPU 支持；在遥感视觉问答任务中，两者的准确率差距约为 12 个百分点-18。
辐射对神经网络的干扰：空间辐射环境可能引发硬件故障或数据位翻转，进而影响神经网络推理的正确性。抗辐射加固的处理器在性能上通常落后于同代商用芯片，这一差距是航天 AI 硬件选型中持续存在的张力-9。
在轨学习的现实约束：模型在轨运行后，面临光照变化、季节差异、传感器老化等数据分布偏移，预训练模型性能可能退化。无监督在轨在线学习是应对这一问题的方向，但其面临标记数据不可用的根本困难，截至2026-09-30仍处于研究验证阶段-19。
常见问题 FAQ
航天 AI 和地面 AI 的差别是不是只是“芯片抗辐射”？
不只是。抗辐射加固是硬件层面的差异，但更根本的差异来自系统架构。一颗近地轨道卫星平均每圈只有约 5 分钟通信窗口，这意味着 AI 系统必须在大部分时间内独立完成感知、判断和决策，而地面 AI 可以随时调用云端资源或人工介入。航天 AI 的设计目标不是“算得更快”，而是在通信断连、算力受限、环境未知的条件下做出可接受的安全决策。
大模型在轨运行可行吗？
部分可行，但规模严重受限。中科天塔将“华山”模型的卫星健康管理模块做了轻量化后在轨部署，验证了大模型在星载条件下运行的可行性-1。但“轻量化”意味着参数规模被大幅压缩，在轨模型的能力边界与地面完整版本存在实质差距。一项研究显示，在遥感视觉问答任务中，星载可运行的小模型与地面大模型的准确率差距约为 12 个百分点-18。在轨大模型的当前定位是专用任务处理，而非通用推理。
AI 直接控制卫星安全吗？
工程实践中 AI 不会获得无约束的控制权。AFRL 在神经网络控制卫星姿态的飞行中同时部署了“看门狗”系统和运行时保证机制：前者检测 AI 是否接近未验证状态，后者监测神经网络输出是否触及预设安全边界，两者均可在必要时介入或切换至备份系统-10。NASA“毅力”号的 AI 路线规划也在数字孪生环境中预先验证后才上行执行-20。安全壳层的设计深度是 AI 控制能否获得飞行许可的关键条件之一。
航天 AI 会让地面测控人员失业吗？
短期内的趋势是角色迁移而非替代。在轨 AI 承担的是重复性监控、异常初筛和常规决策，使地面人员从“逐帧盯屏”转向“异常审核和策略制定”。中科天塔的表述是，在轨大模型的目标是“大幅降低地面测控人员干预频次”，而非取消地面干预-1。大规模星座（数千颗以上）的运维如果完全依赖人工，人力成本本身会构成不可承受的约束，AI 是应对规模化的工程必需，而非单纯的效率优化。