把 AI 算力送上天这件事,Google 终于从论文走到了真卫星。10 月 1 日,Project Suncatcher 的第一颗原型卫星搭乘 SpaceX Falcon 9 升空,卫星体积跟一台家用冰箱差不多,搭载 4 颗 Google 自研的 Trillium TPU,任务是把一个开放权重版本的 Gemma 模型跑起来,回答简单查询——但每次运行不能超过 15 分钟,因为散热跟不上。
这不是噱头。Google Research 的预印本把整套设计摊开讲了:在轨 AI 推理的最大敌人不是辐射,而是热。真空里没有风、没法靠水冷,芯片发热只能通过辐射散热器向外吐,而散热片往往是整颗卫星最重的部件之一。所以 Suncatcher 现在只能短时运行,工程师在想办法把芯片温度压下去——这是他们自己在博客里承认的「关键研究挑战」。
为什么是 TPU + 卫星星座
Google 想做的不是单颗大卫星,而是一个能扩展的算力层:81 颗卫星编队飞行,运行在 650 公里高的晨昏太阳同步轨道,相邻卫星之间距离只有 100 到 200 米,用激光(自由空间光通信)互联,目标是把星间链路做到数据中心级的带宽。Google 实验室里的桌面原型机已经跑出单对收发器 800 Gbps 上行 + 800 Gbps 下行,合计 1.6 Tbps——离目标还有距离,但已经证明路径可行。
TPU 能不能扛得住太空辐射?研究团队把 Trillium(也就是第六代 v6e TPU)放在 67 MeV 质子束下照射,测总剂量效应和单粒子翻转。结果相当好看:在单芯片 15 krad(Si)的累积剂量下,没有出现硬失效;最敏感的部件是 HBM 内存,但也要到 2 krad(Si) 之后才开始出异常——而一颗带屏蔽的卫星五年累积剂量预期只有 750 rad(Si),Trillium 抗辐射能力比任务要求高出一个数量级。
经济账怎么算
星载算力最大的拦路虎一直是发射成本。Google 用历史和预测数据做了拟合,假设发射价格按现有学习曲线继续下降,到 2030 年代中期有望跌到每公斤 200 美元以下。到了那个量级,把同等千瓦数算力送入轨道的成本,跟地面数据中心花在电费上的钱基本可以打平——这是 Google 给出的论据,也是为什么他们坚持现在就要做在轨验证。
下一步已经定好:2027 年初,Google 会跟卫星遥感公司 Planet 一起再发射两颗原型,验证 TPU 在真实轨道环境里长时间运行的能力,以及用激光链路做分布式推理这件事是不是真的能成立。如果成功,后面才是更大规模、几十到上百颗卫星的工程化部署。
这件事和别的玩家比怎么样
Space AI 数据中心不是 Google 一家在做。去年 11 月,Starcloud 把一颗 Nvidia H100 送上了天,跑了一个简化版 Gemini 演示;Elon Musk 的 SpaceX 也在 SEC 文件里披露,计划 2028 年开始部署「轨道 AI 计算卫星」。从纸面计划到入轨验证,Google 是目前走在最前面的——但「走在最前面」和「商业可行」之间还隔着工程经济两座大山。Carnegie Mellon 的 Brandon Lucia 教授说得直白:听起来很科幻,但大部分技术已经在实验室里被验证过,真正卡住的是热、可靠性和维修成本——真空里没人能走过去换颗芯片。
所以现在的 Suncatcher 不是答案,是问题清单。15 分钟运行上限、散热器重量、激光链路带宽、芯片抗辐射余量,每一个都还需要实打实的轨道数据来填。Google 用「moonshot」来描述它,这个标签很诚实:大概率要十年以上才会有回报,而且即便一切顺利,空间算力也不会取代地面,只会成为新增量。
对国内关注 AI 基础设施的人来说,Suncatcher 真正值得看的不是「太空数据中心」这个标签,而是它暴露出来的一组工程权衡:芯片功耗 vs 散热质量、链路带宽 vs 编队控制精度、抗辐射加固 vs 制造成本。当 AI 算力从地面走向轨道,这些权衡会以更极端的形式重新出现一次,值得提前想清楚。
参考资料: