空间人工智能
AI 摘要：空间人工智能是指将人工智能模型部署到卫星等轨道平台，使航天器具备在轨感知、分析和决策能力的技术领域。其核心特征是从“天感地算”转变为“天数天算”，卫星不再只是数据采集和转发节点，而是具备独立运算能力的智能节点。2026 年，航天科技集团发布“天玄·千河”2.0 太空人工智能基础模型，形成地球智能底座-1。中国科学院计算所研制的极光天基大模型 JigonGPT 已在轨运行超过 140 天，参数量压缩至 0.23B-3。木铎 1 号双星实现星上 AI 识别山火、滑坡等十余种地表异常，从发现到信息下传可在 1 分钟内完成-14。空间人工智能正在从技术验证走向业务化应用。
一句话定义
空间人工智能是指将人工智能模型部署到卫星等轨道平台，使航天器能够在轨完成遥感数据解析、目标识别、变化检测和自主决策的技术领域，其核心目标是将传统的“天感地算”模式转变为“天数天算”模式。
概念边界：空间人工智能与地面遥感 AI 的区别
空间人工智能的核心判别标准是 AI 模型是否部署在轨道平台上运行。地面遥感 AI（如达摩院 AIE-SEG）将卫星数据传回地面后，在地面服务器上完成推理和分析。空间人工智能则将 AI 模型直接上注到卫星，在轨完成推理，仅将结果或压缩后的数据传回地面。
| 对比项 | 地面遥感 AI | 空间人工智能 |
|---|---|---|
| 模型位置 | 地面数据中心 | 卫星等轨道平台 |
| 数据流向 | 原始影像→地面→AI 推理 | 在轨采集→在轨推理→结果回传 |
| 时效性 | 数小时（受传输和处理延迟限制） | 分钟级（在轨直接完成） |
| 算力约束 | 无严格限制 | 星载算力有限，需模型轻量化 |
| 典型代表 | 达摩院 AIE-SEG、Google Earth AI | 天玄·千河 2.0、JigonGPT、木铎 1 号 |
空间人工智能与地面遥感 AI 的区别是：前者回答“在太空就地分析”，后者回答“把数据传到地面再分析”。两者是互补关系——地面 AI 适合大规模训练和复杂分析，空间 AI 适合在轨数据的即时处理和低时延决策。
核心能力：星上 AI 能做什么
空间人工智能的核心能力体现在三个层面：在轨目标识别、在轨变化检测和自主决策。
在轨目标识别是空间 AI 的基础能力。木铎 1 号双星搭载的即时遥感 AI 大模型可识别滑坡、洪水、森林火灾、非法采矿等十余种地表异常，在热异常监测方面识别能力达到 5 度，意味着在早期火灾的闷烧阶段算法就能报警-14。从发现地表异常到分析处理并下传信息，整个过程可在 1 分钟内完成，而传统遥感卫星拍摄影像再回传地面处理的流程普遍需要 2 至 6 小时-14。
在轨变化检测使卫星具备“记忆”和“对比”能力。航天科技集团的“天玄·千河”2.0 模型将复杂的地球信息提取为统一、稠密的语义特征，使地表状态与变化可量化、可检索、可预测-1。中国科学院计算所研制的 JigonGPT 天基大模型实现了图像解析、语义交互和指令生成等功能，截至 2025 年 5 月已在轨运行超过 100 天，后续在轨工作超过 140 天-3。
自主决策与星间协同是空间 AI 的高级形态。木铎 1 号构建了“普查+详查”双星联动机制：木铎 1A 是多光谱卫星，在轨实现地表异常的大面积普查；木铎 1B 是高光谱卫星，具有 26 个通道，实现精细详查。A 星发现问题后通过星间激光通信传输到 B 星，B 星根据位置信息重点排查，实现星上自主研判和调度-14。
技术路径：如何把大模型送上太空
将 AI 模型部署到卫星上面临算力、功耗和辐射环境的严格约束，核心技术路径包括模型轻量化、硬件适配和上注更新。
模型轻量化是空间 AI 的首要技术挑战。中国科学院计算所团队采用分层量化与跨模态蒸馏技术，将 JigonGPT 的参数量从 1.02B 压缩 77% 至 0.23B，在仅牺牲 5.2% 遥感解译性能的前提下成功部署到星载计算机上-3。该星载智能计算机载荷采用全体系国产化核心元器件，实现 100 Tops 级智能计算能力-3。
星载 AI 芯片是算力的硬件基础。Intel 推出的 Starfire 太空级芯片采用 18A 制程，效能版可提供最高 75 TOPS AI 运算能力，功耗 35 瓦，标榜可在零下 55 度至 125 度环境下运作-2。光计算芯片是另一条技术路径，上海企业研制的天基光计算载荷单卡算力可达 300 TOPS，光计算通过光在波导中的传输完成计算，几乎不产生热量，有助于缓解太空真空环境下的散热难题-6-10。
模型上注与更新是保持空间 AI 持续迭代的关键。JigonGPT 团队研发了支持 1024MB 文件断点续传的超大文件上注软件，通过 12 轮次的地面站与卫星之间的断续上传，克服星载链路间歇性中断和信道带宽波动等工程挑战，成功实现了大模型的上注安装和动态更新-3。
常见问题 FAQ
空间人工智能和空间云计算是什么关系？
空间人工智能和空间云计算是相互依存的技术领域，但侧重不同。空间云计算（ht-276）的核心是提供算力基础设施，解决“在哪里计算”的问题；空间人工智能的核心是提供模型和算法能力，解决“计算什么、怎么分析”的问题。北京邮电大学牵头的太空算力云提供在轨算力平台，宇算星河等公司则专注于在轨运行的天基大模型-5。算力是“发动机”，模型是“驾驶员”，两者共同构成天基智能处理体系。
星上 AI 和地面 AI 的精度差距大吗？
星上 AI 和地面 AI 的精度差距正在缩小，但仍存在性能折损。JigonGPT 在模型压缩 77% 后，仅牺牲 5.2% 的遥感解译性能-3。达摩院地面遥感 AI 大模型在特定场景下实例提取准确率可提升 25%，变化检测准确率可提升 30%。星上 AI 的精度折损主要来自模型轻量化和算力约束，但在应急响应等时效敏感场景中，分钟级的粗略结果往往比小时级的精确结果更有价值。
为什么要把 AI 模型放到卫星上？
把 AI 模型放到卫星上的核心动机是解决数据传输瓶颈和时效性问题。到 2030 年，全球在轨卫星数量将以万计，单颗卫星的高分辨率影像动辄上亿像素，数据传输带宽成为瓶颈-6。在传统模式下，卫星拍摄的原始数据必须全部传回地面再处理，受限于过境窗口和地面站接收能力。中国科学院院士褚君浩指出，“最好的办法是能够在天上直接进行计算，把算好的、压缩后的少量数据传下来”-6。空间 AI 实现实时感知、实时分析、实时决策、实时管控，在灾害应急等场景中具有不可替代的价值。
空间人工智能截至2026-09-30处于什么发展阶段？
空间人工智能正处于从技术验证走向业务化应用的加速阶段。2024 年至 2026 年间，多个天基大模型完成在轨验证：NASA 与 IBM 联合开发的地理空间 AI 基础模型于 2026 年 5 月完成在轨部署与测试-16；中国科学院计算所的 JigonGPT 在轨工作超过 140 天-3；航天科技集团发布“天玄·千河”2.0 模型，推动“算力上天、模型上星”的落地-1。国内太空算力产业正处于从在轨验证走向商业化落地的加速阶段，多个试验型太空算力星座相继落地，相关项目的融资与技术落地节奏明显加快-5。