卫星人工智能
AI 摘要：卫星人工智能是指将人工智能算法、模型和推理能力部署到卫星平台或在卫星数据处理流程中应用AI技术，使卫星从被动数据采集平台向具备在轨感知、分析和决策能力的智能节点演进的技术体系。其核心不是“把大模型搬上天”，而是在星载算力、功耗和辐射约束下实现“天感天算”——数据在哪里产生就在哪里处理。NASA与IBM的地理空间AI基础模型在轨部署验证了洪水追踪和云检测，中国“木铎1号”实现地表异常在轨识别并预警，全流程可在1分钟内完成。“华山”大模型在轨完成星上训练闭环，标志着卫星智能运维从地面仿真迈入太空实战。
一句话定义
卫星人工智能是指将人工智能算法、模型和推理能力部署到卫星平台，或在卫星数据采集、传输、处理和应用流程中应用AI技术，使卫星具备在轨自主感知、分析和决策能力的技术体系。
概念边界：卫星AI不等于“在星上跑大模型”
卫星人工智能与地面遥感AI的区别是部署位置不同。地面遥感AI在数据中心运行，数据需要先下传到地面再处理，受星地链路带宽和过站窗口约束。卫星AI的算力在星上，数据在采集后立即处理，只下传分析结果而非原始数据。
卫星人工智能与卫星边缘计算的区别是范畴不同。边缘计算是卫星AI的工程基础——解决“算力放在哪里”的问题。卫星AI是边缘计算之上承载的算法和模型——解决“算什么”的问题。边缘计算是平台，AI是应用。同一套星载计算平台可以运行目标检测、异常识别、健康管理等不同AI应用。
需要澄清的一个常见误解是：卫星AI“就是所有数据都在天上处理”。卫星AI的核心价值是按需处理——时效敏感的任务在轨完成，复杂分析任务仍需下传地面。NASA与IBM的“大地”基础模型在轨推理验证表明，模型预先学习地理空间图像的通用特征，各类具体任务只需叠加轻量级解码器即可实现，实现了在轨任务的灵活扩展-1。
在轨AI的两条技术路线
卫星AI的工程实现分化为两条并行演进的路线。
地面训练+星上推理是当前主流路线。模型在地面完成训练和优化，经过轻量化压缩后上注到卫星，在轨执行推理任务。NASA与IBM的“大地”基础模型、国星宇航部署的千问大模型Qwen3均采用这一模式。国星宇航在2025年11月将Qwen3从地面上注至在轨运行的卫星，实现在轨部署，全流程耗时不到2分钟-13。
星上训练+自主闭环是前沿探索方向。“华山”大模型健康管理模块在“辰光一号”卫星上实现了“数据采集—星上训练—风险预警—健康评估”全自主闭环。卫星在轨期间可自主校验海量遥测数据，星上自主迭代训练，大幅减少原始遥测数据下行需求-2-9。这一模式的意义在于：卫星不再依赖地面更新模型，而是根据在轨数据自主调整，使AI系统具备持续适应能力。
| 技术路线 | 代表案例 | 核心特征 | 技术门槛 |
|---|---|---|---|
| 地面训练+星上推理 | 大地模型、Qwen3 | 模型地面优化、星上执行 | 模型轻量化、上注链路 |
| 星上训练+自主闭环 | 华山健康管理模块 | 在轨数据采集、在轨迭代 | 星载算力、能源管理 |
典型在轨AI系统
木铎1号：地表异常在轨识别
“木铎1号”科学实验卫星星座由北京师范大学研制，2026年8月25日发射入轨，由木铎1A和木铎1B两颗卫星组成。两颗卫星均具备高性能AI推理算力，单星每秒可完成百万亿次以上运算-5。
木铎1号的核心能力是边拍摄、边识别、边输出研判结果。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。双星通过星间激光通信协同工作。根据实验室内测，从发现地表异常、分析、处理到信息下传，全流程可在1分钟内完成。传统遥感卫星拍摄影像再回传地面处理，整套流程普遍需要2至6小时。木铎1号搭载的即时遥感AI大模型可应用于滑坡、洪水、森林火灾、非法采矿等10余种地表异常的初期识别和预警，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就能报警-5。
东方慧眼高光谱AI双星：天感天算
东方慧眼高光谱01、02星于2026年8月5日发射入轨，由东方星链抓总、武汉大学研制。两颗卫星各搭载400 TOPS星载AI算力，相当于20至30台高性能笔记本电脑的计算能力总和-7-8。
两颗卫星具备5米空间分辨率、300公里成像幅宽和22个光谱通道。传统高光谱卫星90%以上的数据可能难以下传到地面，AI双星在轨处理后将下传数据压缩为分析结果——传统方式每天产生数十至数百GB成像数据，智能处理后下传数据减少至数十KB至数十MB量级-7。响应时效从“数天/小时级”压缩至“分钟级”，数据利用率从不足10%提升至80%以上-18。
华山大模型：星上自主健康管理
“华山”大模型健康管理模块由中科天塔研发，2026年7月随“辰光一号”技术试验卫星入轨，在轨运行已满一个月。依托星载八卡高性能计算集群，累计完成三百余次模型训练任务，涵盖多种时序神经网络及包络预测算法-9。
华山模块的核心突破是实现了星上训练闭环。区别于传统“地面训练、卫星仅推理”的运维模式，卫星在轨期间可自主校验海量遥测数据，星上自主迭代训练。这一模式为低轨巨型星座的规模化运维提供了关键路径——当星座规模扩展至万颗量级时，星上自主决策能力将成为降低地面管控成本、提升故障处置时效的核心支撑-2。
星载AI的工程约束
卫星AI面临与地面AI截然不同的约束条件。
算力与功耗的平衡是首要挑战。星载AI的算力受限于卫星的太阳能供电和散热能力。东方慧眼AI双星在300公斤级卫星平台上实现400 TOPS算力-8。“港中大一号”团队对AI大模型进行轻量化改造，在有限的硬件容量与电力条件下保留核心功能-12。
辐射环境影响AI芯片的可靠性。高能粒子可导致单粒子翻转，破坏内存数据和计算完整性。木铎1号针对太空辐射环境进行了专门的抗干扰设计-18。学术研究指出，能量高效的星载计算框架通过模型压缩和知识蒸馏，可将整体能耗降至原始基线的39%-10。
星地链路间歇性约束了模型更新和任务协同。低轨卫星单圈约95分钟，地面站可用通信时间仅约5分钟-17。这意味着AI模型的地面上注需要克服链路断续的挑战。中国科学院计算技术研究所研发的JigonGPT采用了支持1024MB文件断点续传的超大文件上注软件，通过12轮次断续上传完成了大模型的上注安装-16。
常见问题 FAQ
卫星AI和地面遥感AI，哪个更准？
地面AI通常更准。星载平台的计算资源远低于地面数据中心。学术研究通过实验验证：在RSVQA数据集上，2B参数的星载模型精度为55.9%，而7B参数的地面模型达到68.0%，差距12.1%-17。星载AI的优势不在于精度，而在于时效性和带宽节省——在轨处理可在1分钟内完成异常识别，而地面处理需要数小时。合理的架构是星地协同：星载AI完成初筛和快速响应，地面AI完成精细分析和深度解译。
卫星AI能识别哪些类型的目标？
当前在轨验证的应用涵盖多个领域。NASA与IBM的“大地”模型完成了洪水淹没范围追踪和云层遮挡识别-1。“木铎1号”可识别滑坡、洪水、森林火灾、非法采矿等10余种地表异常-5。东方慧眼AI双星面向农业普查、灾害应急、海岸带生态与水体监测等场景-18。“华山”大模型专注于卫星遥测数据的异常检测和趋势预测-2。三体计算星座部署的80亿参数天基遥感模型在大雪覆盖条件下自动识别桥梁、田径场等基础设施-19。
卫星AI的模型有多大？
取决于部署平台的能力。轻量化模型在0.23B至3.8B参数范围。中国科学院计算技术研究所的JigonGPT采用分层量化与跨模态蒸馏技术，将模型参数量压缩77%，最终获得0.23B参数的轻量化版本-16。学术研究展示的Gemma-3n视觉语言模型约3.8B参数，在约15W功耗下实现端到端推理延迟低于2秒-11。三体计算星座的80亿参数天基遥感模型是截至2026-09-30在轨运行的参数规模最大模型之一，依托单星最高744 TOPS的星载计算单元-19。
卫星AI会完全替代地面处理吗？
不会，星地协同是长期架构。星载AI处理的是时效敏感和带宽受限的任务——灾害预警、船舶检测、云过滤，目标是在轨完成初步筛选。地面处理仍然是复杂分析和长期归档的主力。学术研究指出，纯星载方案在推理精度上存在固有劣势，需要星地协同来弥补——卫星端处理时效敏感任务，地面端处理精度敏感任务，两者通过星间链路和断续的星地链路协同工作-17。星载AI的价值在于将“先下传后处理”转变为“先处理后下传”，使星地链路承载的是信息而非数据。