随着 AI 计算不断向云、边、端及更多新场景延伸,太空计算也开始进入产业界的视野。目前,已有部分 FlagOS 芯片及生态合作伙伴着手探索太空 AI 计算,这也让我们进一步思考:面对太空这一特殊环境,现有 AI 计算架构是否依然适用,开放的软硬件生态又能发挥怎样的作用?

11 月4日是第 59 届 IEEE/ACM International Symposium on Microarchitecture(MICRO 2026)的最后一天,这天我们在现场听到了一篇有意思的分析报告——Orbital AI Datacenters: An Architectural Analysis(轨道AI数据中心的架构分析)。该报告的分享者来自密歇根大学与 EPFL(洛桑联邦理工学院)的 Barry Lyu、August Ning、Ron Dreslinski 和 Nathaniel Bleier。

图片

图1|MICRO 2026 会场上的论文标题页。

这不是一次凭空的学术推演。值得一提的是,这篇论文背后的研究团队,并不是第一次研究太空计算。密歇根大学的 Nathaniel Bleier 教授所领导的研究团队,早在 MICRO 2023 就提出了空间微型数据中心架构,并在 HPCA 2025 进一步研究了太空计算系统的整体成本与最优设计。团队此前的研究实际上认为,对于地球观测等特定任务,把计算搬到太空可能会带来显著优势。这次论文的其他作者同样具有相关背景。Ronald Dreslinski 教授曾担任 NASA 资助的 HPSC 空间计算芯片项目首席架构师;August Ning 博士长期研究数据中心能效、计算架构与经济性约束,并参与 Open Compute Project 的数据中心能效指标工作。第一作者 Barry Lyu 与 Bleier 团队的另一项空间计算芯片研究,还获得了 2026 年 IEEE Space Computing Conference 最佳论文奖。该研究团队的工作也有工程模型基础。其 2025 年论文曾在已有卫星成本模型上扩展空间计算系统的 TCO 分析,并与商业航天成本模型交叉对比。本次 MICRO 2026 研究则进一步结合轨道计算容量、成本与通信网络模拟,分析大规模 AI 训练在太空的经济可行性。当然,这并不意味着论文中的预测已经得到真实太空 AI 集群的验证。但至少可以说明,这不是简单的概念推演,而是一项建立在多年空间计算架构研究基础上的定量系统分析。

听报告时,一个问题贯穿始终:如果把大规模 AI 计算设施送上轨道,太阳能更加充足、地面电网不再受限,最终真的会比在地面上便宜吗?研究者没有从未来愿景出发,而是把卫星质量、发射、轨道、维修、互联和实际训练效率,逐项放进了计算模型。

仅仅两天后,11 月 6 日,马斯克在 Baron Investment Conference 的远程访谈中,给出了一个不一样的判断:当 Starship 的入轨成本足够低,太空中的 AI 计算可能远比地面便宜。他还透露,SpaceX 与 NVIDIA 联合设计的第一批 Starmind 计算卫星,可能在 2027 年第三季度发射。

一边是正在推进的产业计划,一边是来自不同角度的测算。把两者放在一起看,或许比单独讨论任何一方更有价值。

 

一、每天发射一枚 Starship,够不够?

报告一开始,研究者没有先谈 GPU 算力,而是问了一个很现实的问题:我们每年究竟能把多少“持续工作的计算能力”送入太空?

现场的一张图,将每年 100 次、365 次和 1000 次火箭发射所能支撑的在轨计算容量,与美国数据中心持续增长的电力需求进行对比。这里有一个容易被忽略的问题:即使每年持续发射新的计算卫星,在轨算力也不会无限累积。因为卫星和计算设备都有使用寿命。随着部署规模扩大,每年退出运行的旧设备也会越来越多。当新增算力与退役算力逐渐接近平衡,在轨计算容量就会趋于稳定。

在采用 Starship 级发射能力、13 kg/kW 的乐观系统质量功率比等假设下,论文测算,即使保持每天一次、每年 365 次发射,长期能够维持的在轨容量也只有约 34 GW。

34 GW 是什么概念?如果粗略按照 NVIDIA 最新的 Vera Rubin NVL72 计算系统进行功率等效换算,一套 NVL72 集成 72 颗 Rubin GPU,整机柜功耗超过 170 kW,34 GW 相当于约 20 万套 NVL72、1400 多万颗 Rubin GPU。这无疑是极为庞大的规模。不过,这只是理论功率等效,并不意味着所有在轨电力都能用于 GPU,也不代表能够交付同等规模的有效训练算力。

图片

图2|Orbital Capacity:不同年发射次数下,在轨计算电力容量的增长。

更值得注意的是,34 GW 已经建立在相当理想化的工程假设上。论文采用的 13 kg/kW,意味着每部署 1 kW 计算电力容量,整套在轨系统平均只需约 13 kg 质量。而 2026 年其他研究给出的完整系统估算明显更高。例如,Star Catcher 的分析约为 41 kg/kW,另一项由 Slava Turyshev 开展的研究则给出 34–59 kg/kW 的范围。如果保持发射运力和设备寿命不变,并暂时按照相同口径进行简单折算,原先 34 GW 的容量可能降至约 8–13 GW。

但论文使用的 13 kg/kW 也正好能与马斯克的新目标对应。马斯克在 11 月 6 日谈到的 200 GW/年,是对未来 AI 新增功率规模的设想,而非已经兑现的部署承诺。若假定全部部署到轨道,仍采用 13 kg/kW 的乐观参数,每年要送上去约 260 万吨设备。即便假设每次发射能把 150 吨有效载荷送达目标轨道,理论上也需要平均每天约 47 次发射,且还没有计入退役补替和系统冗余。

这不是对 Starship 的工程预测,而是为了直观说明:200 GW/年与每天一次发射之间,相隔的不是一个小幅优化,而是整个发射工业规模从每天1次到每天几十次的跃迁。

 

二、太空有更充足的太阳能,却不一定是更好的“机房”

另一张现场幻灯片则揭示了颇为反常识的取舍:轨道越适合获取太阳能,未必越适合让 GPU 长期可靠运行。

低倾角轨道存在较明显的地球阴影,计算卫星需要电池、降低负载,或者周期性停机;接近持续日照的太阳同步轨道,可以改善电力占空比,却可能面对更加不利的辐射环境。在报告列举的轨道情景中,某些高倾角轨道的五年累积辐射剂量明显高于 ISS 参考轨道。

图片

图3|Power Cycle:轨道选择中的日照占空比与辐射代价。

还有一个经常被误解的直觉:“太空很冷”,不等于“GPU 很容易散热”。真空中没有地面机房那样的空气对流,大功率计算产生的热量,最终需要通过液冷回路和大面积散热器,以热辐射的方式排向空间。散热器的尺寸、重量与工作温度,又直接决定发射成本。

2026 年另一项公开研究从电力与散热出发,估计 1 MW 级在轨计算节点的完整系统质量约为 34—59 kg/kW;其中仅太阳能、储能和散热部分就占约 29.4 kg/kW。这与 MICRO 幻灯片采用的 13 kg/kW 乐观假设有着明显差距。但不同研究的功率基准和系统边界并不完全相同,不能直接等同比较。

当然,MICRO 并不是采用一个保守到不利于太空的质量参数;相反,它已经给予太空计算相当乐观的条件,来分析当前的制约。

 

三、不是越大越省钱:512 个 GPU 的“最优卫星”

接下来,研究者把成本拆成三类:发射成本、卫星自身成本和长期运行成本。太阳能板、散热器、通信、结构、编队维持、碰撞规避以及硬件损耗,这些都不能因为火箭便宜就被抹去。

图片

图4|从发射、卫星硬件到持续运维:作者的 TCO 成本拆分。

 

现场最有趣的是这张 TCO 图。横轴把单颗卫星从 4 个 GPU 一直延伸到数十万、上百万个 GPU。每个规模有两根柱子:一根对应关键部件故障后整星替换(Full Replacement),另一根对应只更换故障部件的模块化在轨维护(Modular Servicing)。

图片

图5|不同单星 GPU 规模和维修方式下的归一化 TCO;图中最低点出现在约 512 GPU、模块化维护情景。

小卫星的问题是固定开销摊不薄:为区区几个 GPU 配备整套供电、结构、控制和服务体系,成本太高。超大卫星也不好:在轨组装、结构规模与碰撞规避等代价开始急剧上升。研究者找到的最低成本点,在其参数设定下位于每星约 512 GPU、采用模块化维护的配置,图中标注的归一化 TCO 约为 2.8 万美元 / GPU-kW-year。另外,我们可以从图中看到,如果采用整星替换,每卫星36或72颗GPU也是处于最低成本点。

这也让 SpaceX 与 NVIDIA 的合作显得尤为重要。NVIDIA 公布的 Starmind 第一代方案基于太空优化的 Vera Rubin NVL72 系统;标准 NVL72 是 72 GPU 的高速互联计算域。SpaceX AI1 页面给出的平均计算功率是 175 kW、峰值 250 kW。两家公司目前尚未明确披露实际单星 GPU 数量,因此不能简单断言“一颗卫星一定有 72 个 Rubin GPU”。

按 AI1 的 175 kW 平均计算功率做纯数量级换算,若每年新增 200 GW 都由这一代卫星承担,则意味着每年约需 114 万颗 AI1。这不是 SpaceX 对单一型号的正式量产计划,却足以说明制造、发射、维护规模的挑战。

还有两处参数巧合值得关注。一方面,SpaceX 标称的 75 kW/吨,倒数正好约为 13.3 kg/kW,与 MICRO 的乐观假设十分接近;另一方面,Meta 公布的地面 Rubin NVL72 机柜功耗超过 170 kW,与 AI1 的 175 kW 平均计算功率几乎处于同一量级。这提示第一代 Starmind 可能更接近“整套高密度计算单元上天”。对于高密度集成的机柜方案,更有可能在出现故障的时候采用整星替换,因此也巧合地与论文结论吻合。

但一个方向已经清晰:SpaceX 第一代正在走向相对完整、紧凑的计算单元;MICRO 则是在更广的设计空间里研究如何摊薄卫星开销。两者关注的不是完全相同的问题。

 

四、发射便宜了,算力就便宜了吗?

报告随后做了一组敏感性分析。结果显示,发射价格固然很重要,轻量化散热器、太阳能板和更高功率密度也重要。但即便把发射费用压到极低,也并不能自动让太空数据中心与地面打平。

现场幻灯片上有一句很直白的结论:Even free launch can hardly match terrestrial.

图片

图6|成本敏感性:发射单价重要,但散热器、结构和系统质量同样重要。

更难的还不在 TCO,而在运行起来以后,GPU 到底能干多少有用的工作。

地面训练集群可以使用高带宽交换网络、密集互联和可维护的机架。太空系统则必须面对星间激光通信、轨道拓扑、辐射引起的错误,以及失效部件可能长期无法维修的残酷现实。单颗卫星能跑模型,不代表分布在大量卫星上的 GPU 就能像地面机房一样进行高效率同步训练。

 

图片

图7|作者比较地面与在轨系统的网络、维修、辐射和拓扑约束。

对大模型训练而言尤其如此。Tensor Parallel、Expert Parallel、数据并行中的集合通信,都可能频繁穿越计算节点。若链路带宽、网络拓扑和等待时间稍有不匹配,很多标称 FLOPS 就会变成“等待中的 FLOPS”。

最终的 Compounding Penalties 图,将基础设施成本、GPU 利用率和分布式训练效率的损失层层叠加。MICRO 作者在公开说明中将研究结论概括为:即使在最优设计点,太空大规模 AI 训练的每美元有效计算能力,仍可能比地面低约 90 倍。这里的“90 倍”并不是 GPU 本身性能下降了 90 倍,而是成本、设备利用率和跨卫星通信效率等因素共同作用的结果。

但这并不意味着太空 AI 计算就完全没有前景。事实上,2026 年业界的多项研究正在形成一个更为清晰的判断:相比需要高频跨节点通信的大模型训练,相对独立、对时延不敏感的 AI 推理任务,可能更适合太空计算。例如,BCG 在 2026 年 8 月的研究中指出,批量图像和视频生成、科学计算中的推理任务,以及其他可以异步执行的 AI 工作负载,都可能成为未来太空数据中心的应用方向。当然,需要与地面用户实时交互的 AI 服务,仍然更适合部署在地面。

另一类更有价值的场景,是数据本身就产生在太空。例如,地球观测卫星采集的海量图像、气象与环境监测数据,可以直接在轨道上完成 AI 分析、识别和筛选,只将有价值的结果传回地面,从而大幅减少原始数据的传输需求。这实际上也是 MICRO 论文作者团队过去几年持续研究的方向。

因此,这篇论文带来的启发,或许不应简单理解为“太空数据中心不划算”,而是:未来太空计算的价值,不在于简单复制地面的超大规模 AI 训练中心,而在于找到真正适合太空环境的计算任务,围绕工作负载重新设计计算架构。

 

图片

图8|Compounding Penalties:成本、利用率和分布式训练效率的损失会相乘。

 

五、两天后,马斯克带来了另一份答案

11 月 6 日,马斯克在 Baron Investment Conference 的远程访谈中谈到,美国平均功率需求略高于 500 GW;如果 AI 每年增加 200 GW,相当于每年再扩张约 40% 的美国平均用电规模。他认为,地面电网难以承受这样的扩张速度,而太空太阳能与可重复使用火箭会成为这个问题的解法。

他透露,SpaceX 与 NVIDIA 共同设计的 Starmind 计算机可能于 2027 年第三季度开始发射,2028 年扩大规模,2029 年进一步放量。需要注意他说的是“I'm just guessing here”,这还不是具有确定性的交付时间表。他同时提出了 TeraFab 的长期目标:年产 AI 芯片的规模相当于 1 TW 电力容量。这里的 TW 是按芯片功率容量计,既不是每秒计算 FLOPS,更不是已经实现的年产量。

与几年前的愿景相比,这次确实多了一层真实的产品信息:SpaceX 已发布 Starmind AI1 的尺寸、计算功率和质量功率指标;NVIDIA 也公开确认了采用优化版 Vera Rubin NVL72 的合作方向。已有其他空间计算实验搭载 NVIDIA GPU 或 Google TPU 并执行工作负载,但它们还不能证明商业级轨道训练集群已经成立。

所以,两种观点更准确的分歧并不在于“AI 芯片能不能上天”,而在于:

马斯克押注的是发射、芯片制造、卫星生产和能源体系共同出现非线性降本;MICRO 提醒的是,即便把部分条件设得非常乐观,发射供给、维修和训练通信效率仍然会构成硬约束。

 

六、为什么 BCG 说“贵 2.5—3 倍”,MICRO 却说“差约 90 倍”?

2026 年 8 月,BCG 的研究认为,按总体拥有成本衡量,当前太空数据中心约比地面贵 2.5—3 倍;未来五到十年,若发射成本、卫星质量和设备故障率持续改善,溢价可能收窄到约 1.5 倍。在更激进的参数下,还可能进一步接近平价。

但是,这与 MICRO 的 90 倍并不在同一个分母上。

BCG 主要比较“建成并持有计算容量要花多少钱”;MICRO 进一步问“用同样的钱,最终完成了多少有效大规模 AI 训练”。单星运行独立推理请求,与跨成千上万 GPU 同步训练前沿模型,通信要求完全不同,经济结论自然也不同。

这或许也是眼下最容易被忽视的判断:“太空 AI 数据中心”不是一种单一业务。对于在轨产生的遥感数据,就地识别、筛选后只把结果传回地面,可能颇具价值;可拆分的离线推理任务,也有机会利用独立计算卫星并行处理。相反,如果训练任务需要跨卫星高频度交换梯度、激活值和专家路由数据,现阶段的网络与可靠性代价仍然很难忽略。

 

七、从 MICRO 回到 AI 系统:关键不是把 FLOPS 送到哪里

这场报告最后的一页,把未来值得突破的技术列成三类:容量,需要更高的发射与维护能力;经济性,需要更轻的供电、散热及更高效的计算设备;效率,则需要更好的星间通信、可靠性与空间边缘计算架构。

 

图片

 

对 FlagOS 来说,这些问题并不遥远。无论 AI 算力位于数据中心、边缘设备,还是未来可能的轨道计算节点,软件最终都需要回答相同的工程问题:新硬件如何迅速适配不断更新的模型?不同计算设备能否在统一的编程与编译体系下高效工作?通信、数据布局、调度和故障处理造成的损失,能否在端到端层面得到控制?

这也是众智 FlagOS 坚持推进开放算子、统一编译、异构通信与框架适配的根本出发点:让不同架构的算力真正成为模型可用的算力,而不只是规格表上的数字。

太空 AI 数据中心未来是否会比地面更便宜,现在还不能给出定论。但 MICRO 2026 的这篇研究,提供了一个比“上天或不上天”更有价值的判断框架:

AI 基础设施真正需要比较的,不是拥有多少峰值 FLOPS、消耗多少 GW,甚至不是把设备运到哪里,而是能以怎样的全生命周期成本,持续、可靠、高效地交付多少有用的 AI 计算。

当算力走向越来越多样的硬件和场景时,这个问题只会变得越来越重要。

 

参考资料与核对说明

[1] MICRO 2026 官方议程,论文 Orbital AI Datacenters: An Architectural Analysis(Barry Lyu 等):https://www.microarch.org/micro59/program/

[2] Nathaniel Bleier 对 MICRO 2026 研究结论的公开介绍(约 90 倍为特定设计点下的有效计算成本比较):https://www.linkedin.com/posts/nathaniel-bleier-861874362_orbital-ai-datacenters-activity-7495900606662893570-6rme

[3] 2026 年 11 月 6 日 Baron Investment Conference,Elon Musk 访谈及整理文字:https://elonmuskarchive.org/video/baron-investment-conference-2026-11-06

[4] SpaceX Starmind AI1 官方设计指标:https://new.spacex.com/spacexai/starmind

[5] NVIDIA 与 SpaceX 的 Vera Rubin NVL72 合作公告(2026-08-24):https://investor.nvidia.com/news/press-release-details/2026/SpaceXAI-Adopts-NVIDIA-Vera-CPU-to-Accelerate-Agentic-AI-at-Massive-Scale/default.aspx

[6] BCG,《Space-Based Data Centers: More Than Hype, but Not a Revolution》(2026-08-27):https://www.bcg.com/publications/2026/space-based-data-centers-cost-outlook

[7] Slava G. Turyshev,《Orbital Data Centers: Spacecraft Constraints and Economic Viability》(2026):https://arxiv.org/abs/2604.27197

[8] Meta Engineering,Vera Rubin NVL72 机柜规格(2026-10-19):https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/

 

说明:文中的 MICRO 图表来自现场摄影,部分数值依据演讲幻灯片及作者公开说明整理;航天与商业计划采用截至 2026 年 11 月 8 日的公开信息。预测与模型结果均不代表已经实现的运营表现。

Logo

欢迎来到FlagOS开发社区,这里是一个汇聚了AI开发者、数据科学家、机器学习爱好者以及业界专家的活力平台。我们致力于成为业内领先的Triton技术交流与应用分享的殿堂,为推动人工智能技术的普及与深化应用贡献力量。

更多推荐