大国竞争的星辰大海

38分钟内连续发射两枚火箭——马斯克旗下的SpaceX近日再次刷新商业航天发射纪录。这不仅是技术实力的展示，更是一个清晰的信号：当猎鹰9号公开报价约6700万美元、经复用后实际发射成本可降至约3000万—3500万美元（据SpaceX及行业分析估算），LEO轨道每公斤入轨费用压至约2900美元以下时，太空正从"探索边疆"变为"可耕耘的沃土"。而这片沃土，正与中美AI竞赛交织，将大国博弈的战线从地表延伸至近地轨道。
一、廉价发射催生的太空基建竞赛
可回收火箭技术的成熟，带来的不仅是商业航天的繁荣，更是轨道资源争夺的加速。SpaceX的"星链"计划已部署超6000颗卫星，中国"千帆星座"和"GW星座"也在快步跟进。低轨轨道位置和通信频段是有限资源，国际电信联盟（ITU）遵循"先登先占、限时使用"的协调原则——卫星网络需在登记后7年内完成部署并投入使用，长期闲置将面临重新协调甚至分配调整。这意味着，发射能力本身就是战略筹码。
但这场竞赛的实质已不满足于"通联全球"。当大模型参数迈向万亿级别，地面数据中心正遭遇能耗与散热的双重瓶颈：据工信部数据，2023年全国数据中心用电量约1500亿千瓦时，且仍在快速增长；同时，传统风冷逼近极限，液冷改造又面临基建重构成本。于是，一个更具野心的构想浮出水面：将计算中心搬上近地轨道，利用太空取之不尽的太阳能，辅以辐射散热方案，探索"天感天算"的可能性。
但必须正视一个基本问题：太空并非算力的"免费午餐"。 即使发射成本持续下降，将一吨AI服务器送入轨道的费用，目前仍远高于在地面建设同等算力并支付十年电费的总和。太空算力的经济性拐点，至少在可预见的十年内尚未到来。
二、AI与航天的现实交集：从概念到在轨验证
"太空算力中心"目前仍处于概念研究阶段（如欧盟ASCEND项目，尚处可行性研究初期），但AI与航天的深度融合已在多个现实场景中得到验证：
- 星上自主处理：遥感卫星拍摄的高分辨率图像，不再需要全部传回地面。欧洲航天局（ESA）2020年发射的Φ-sat-1卫星，搭载英特尔 Movidius Myriad 2 视觉处理单元，可在轨完成云层检测与图像筛选，仅将有价值数据下传，显著节省星地链路带宽。日本JAXA的"智能卫星"项目也在验证类似的在轨AI图像处理。这类技术可将无效数据传输量降低一个数量级，但具体压缩比例因载荷类型和任务目标差异极大。
- 智能任务规划：卫星星座借助AI动态调整观测计划，应对突发需求（如灾害监测、军事侦察），响应时间从天级压缩至分钟级。美国Planet Labs的Dove星座已部分采用机器学习优化拍摄调度。
- 太空态势感知：AI辅助追踪太空碎片、预测碰撞风险，这是在轨资产安全的刚需。美国LeoLabs、欧盟ESA的NEOMIR项目均在部署基于机器学习的碰撞预警系统。
这些已落地或在轨验证的应用，是"天地一体化算力"的初级形态——它不是简单地把服务器机房搬上天，而是让卫星本身变得足够聪明。
三、展望：天地一体智能算力网络的雏形与硬约束
展望未来，一个完整的"天地一体化智能算力网络"理论上可呈现三层架构：地面超算中心承担非实时大模型训练，太空边缘计算节点完成实时推理与预处理，星间激光链路构成高速骨干网。这将提升边远地区、海洋、极地的算力可及性。
但这条路上面临多重硬约束，部分甚至是根本性瓶颈：
1. 抗辐射芯片与算力代差太空高能粒子会击穿普通商用芯片，星载AI芯片需经过特殊加固（如SOI工艺、三模冗余、纠错码设计）。目前抗辐射GPU/AI加速器的算力普遍比地面商用芯片落后一代以上。例如，地面已普及的7nm/5nm先进制程芯片，在抗辐射版本上往往需退回到更大节点，且功耗与面积代价显著。
2. 热控：太空不是"冷源"，而是散热困难的环境太空气压极低，缺乏对流和传导散热条件，热量几乎只能依靠辐射方式散出。对于高功耗AI芯片，这意味着需要巨大的辐射散热面、复杂的热管/环路热管系统，以及精确的功耗管理。所谓"天然冷源"是一种常见误解——太空的低温背景（约3K）不等于散热容易，高功耗密度下的在轨热控仍是核心工程难题。
3. 在轨维护与硬件迭代周期错配卫星设计寿命一般为5—8年，而AI芯片遵循近似摩尔定律的迭代速度，18—24个月即有一代提升。当前既无成熟的空间站级在轨芯片更换方案，也缺乏经济可行的快速补替机制。这意味着一旦上天，算力硬件即被"锁定"，与地面数据中心的持续升级形成鲜明对比。
4. 下行带宽与经济性天花板即使太空算力再强，处理结果仍需传回地面。星地链路带宽有限且按比特计费，"天感天算"节省的传输成本，可能被星上计算所需的额外功耗、散热与芯片加固成本所抵消。对于大模型训练这类需要海量数据回传的场景，太空算力目前看不到经济性路径。
因此，至少在未来10—15年内，太空算力的主战场将是"无法在地面完成的计算"——如实时性要求极高的星上自主决策、以及通信盲区内的边缘推理——而非与地面数据中心正面竞争。
四、胜负手：技术突破需要体制与市场的双轮驱动
剥开技术外壳，内核终究是综合国力与制度效率的比拼。
美国凭借NASA的长期基础研究投入、SpaceX的商业化创新、以及硅谷与国防高级研究计划局（DARPA）的深度融合，构建了一条从理论到工程的快速转化通道。其关键机制包括：NASA的SBIR/STTR小型企业创新研究计划为航天初创公司提供早期资金；DARPA的" Blackjack "等项目直接推动低轨军事星座与边缘计算的结合；而风险投资体系则为技术商业化提供放大器。
中国亦有破局之机。我们在通信卫星整机集成、星载相控阵天线和部分遥感载荷领域具备比较优势。但当前的核心短板在于：航天工程与人工智能两大体系之间存在明显的学科壁垒与产业隔阂。
这种壁垒不是简单的"两个专业的人坐在一起开会"就能打破的。抗辐射AI芯片的突破，需要半导体工艺专家理解轨道辐射环境，需要航天器设计师理解神经网络对算力和功耗的真实需求——这种交叉无法在传统的学科分界中自然生长。它要求：
- 在需求侧，航天型号任务提前向AI算法团队开放接口与数据，让算法在真实卫星约束（功耗、算力、可靠性）中迭代，而非在地面理想环境中"闭门造车"；- 在供给侧，芯片和算法企业需要获得明确的在轨验证机会，形成"验证—反馈—迭代"的闭环，而非停留在地面仿真阶段；- 在人才侧，需要在高校培养阶段就设置航天+AI交叉学科，鼓励研究生直面"轨道力学约束下的神经网络部署"这类实战课题。
多年前布局的各类高层次人才计划，正是着眼于此的长远落子。但往后，这场争夺将愈发考验制度细节：谁能建立一套让航天工程师与AI科学家共享目标、共担风险、共享收益的协作机制，谁就能在抗辐射芯片、在轨智能等硬瓶颈上率先取得突破。
星辰大海的征途，从来不只是火箭推力的竞赛，更是制度效率与人才密度的较量。