来源：经济观察网

陈永伟

11月2日，初创公司Starcloud发布了一条重要消息：该公司已成功完成史上首次“太空轨道大模型训练”。根据Starcloud公布的新闻稿，今年11月，Starcloud将一颗搭载英伟达H100GPU的卫星送入近地轨道。随后，他们不仅让这颗卫星在太空中完成了开源模型GoogleGemma的训练，并实现了与地面工作人员之间的“天地交流”，还使用《莎士比亚全集》的数据对NanoGPT模型进行训练，使其学会以莎士比亚的风格进行创作。

Starcloud宣称，未来将继续把更多计算设备送入太空。下一次发射可能将在2026年10月进行，届时发射的卫星将携带更多英伟达H100芯片，以及新一代Blackwell平台。除此之外，这颗卫星还可能配备云基础设施初创公司Crusoe的云平台模块，允许客户在太空中部署并运行AI。

虽然从实用角度看，Starcloud此次太空大模型训练并无显著现实价值，但它打响了太空计算赛道的发令枪，具有重要的标志性意义。目前，许多科技巨头已对太空数据中心计划跃跃欲试。例如，马斯克的SpaceX和贝佐斯的“蓝色起源”（BlueOrigin）都在积极研发“轨道数据中心”技术，而谷歌则计划在2027年发射两颗搭载AI芯片的试验卫星，用于测试AI在太空极端环境下的性能与能效。

在企业背后，各主要国家也纷纷出台支持和指导太空算力发展的政策。例如，美国早在政策层面就已明确将AI领导力与技术自主作为国家目标之一，并将太空算力发展作为实现这一目标的重要手段。在实践层面，美军和国防机构也早已与相关企业合作，开展太空计算、网络与传感器融合等技术的研究。欧洲在争夺太空计算主导权方面虽不如美国积极，但也已在多份战略报告中强调，将通过与美国等合作方式，探索相关技术的发展路径。

而在我国，太空计算的发展甚至已经超越了图纸和PPT层面。早在今年5月14日，国星宇航与之江实验室便在酒泉卫星发射中心成功发射了全球首个太空计算卫星星座，率先布局太空计算领域。可以预见，在未来几年内，围绕算力基础设施的竞争，将冲出地球，飞向太空。

那么，太空计算究竟是什么？为什么如此多的国家和企业巨头都热衷于在太空布局算力？太空计算有哪些优势？可能催生哪些新的工程形态与商业模式？目前，太空计算发展还面临哪些瓶颈？我们又该如何看待这场即将到来的太空计算发展大战？关于这些问题，且让我们一一说来。

一、何谓太空计算？

在对太空计算大战展开讨论之前，我们有必要先花一些时间，对“太空计算”这个概念本身进行介绍。

从字面意义上看，太空计算似乎只是“把计算设备搬到太空”。如果按此定义，那么太空计算其实早已有之。例如，早期的卫星和飞船就已经具备一定程度的在轨计算能力，用于姿态控制、信号处理和简单判断。毕竟，像卫星和飞船这样的飞行器远离地面，与地面控制中心之间的通信存在一定时滞，如果所有指令都依赖地面发出，便可能难以应对随时可能发生的突发情况。在这种情境下，飞行器本身就必须具备一定的计算能力。不过归根结底，这些计算是附属性的、功能性的，其目的在于保障卫星正常运行。

很显然，当前人们所关心的，并不是这种意义上的太空计算。相比于让计算服务于飞行器，如今更强调的是让计算本身成为核心任务：所有数据将在太空被理解、被压缩、被分析，并用于训练和运行人工智能模型。乍听之下，这似乎只是将运算装置和数据中心换了个地方，并无特别之处。然而，这一“位置转换”背后，实则存在重大的技术差异。

例如，传统计算因发生在地面，设备维护相对容易。为了实时调控计算过程，人们对于与计算设备的交互需求很高，对数据通信的依赖也较大。相比之下，太空计算的维护远为困难，因而对设备的自治性、连续性及其对极端环境的适应能力提出极高要求。同时，在太空计算中，设备通信并不是主要问题；与之相比，如何更好地利用太空条件，以更低成本解决更大量的计算，才是关注的焦点。这些目标差异，使得太空计算从技术原理到实践落地，都与传统计算存在显著不同。

二、为何太空计算？

既然太空计算与传统计算存在如此重大差别，那么，人们为何不使用已经成熟的传统计算方式，而要不惜代价竞相发展太空算力、布局太空计算呢？从根本上说，原因仍在于传统计算“已不够用”。

过去十几年中，AI技术的迅猛发展带动了算力需求的暴涨。尤其是“生成式AI革命”之后，各大科技巨头为了在AI竞争中抢占先机，纷纷投入海量资源构建庞大模型。尽管根据“规模法则”，模型参数规模越大，性能越好，但其能源消耗也会呈几何级增长。

例如，OpenAI在训练GPT-3时投入了数千张英伟达V100GPU，运行数周；到训练GPT-4时，投入的算力又在此基础上增加了一个数量级。马斯克训练Grok-3模型时，更夸张地使用了由10万张H100GPU组成的显卡集群，计算数月之久。

更关键的是，训练只是开始。AI模型一旦投用，便需要长期、稳定地提供推理服务，而不像传统科研计算“算完就关机”。微软在2024年的一篇技术博客中指出，大模型时代的数据中心负载特征，已从“脉冲式”转为“准恒定高负载”，算力稀缺将成为常态。

或许有人会认为，算力瓶颈并不重要，只需多生产芯片、扩建数据中心即可解决。然而现实并非如此简单。

当前的大模型训练主要依赖高端芯片。例如英伟达的H100和GB200、谷歌的高端TPU等核心AI训练芯片，都依赖极为先进的制程节点、复杂封装工艺及高度集中的供应链。扩展先进制程产能往往以“年”为单位，高端封装、HBM内存、测试等环节也存在结构性瓶颈。在这种情况下，即便资本充裕，产能也无法迅速扩张。

即使未来几年芯片制造突破瓶颈，实现产能扩张，地面算力的增长依然面临三大障碍。

首先是能耗。 随着AI算力需求膨胀，能源消耗也随之激增。国际能源署（InternationalEnergyAgency，以下简称IEA）最新评估显示，2024年全球数据中心电力消耗已超过415太瓦时（TWh），约占全球电力需求的1.5%。到2030年，这一数字预计将达到945TWh，几乎等于日本全年电力消费总量，而同期能源供给的增长速度远远低于需求增长。

在美国等AI高度发展的国家，能源供需失衡尤为突出。IEA数据显示，2024年美国数据中心电力消耗为183TWh，占全国总消费的4%以上。预计到2030年，这一数字将比当前增加133%以上。显然，美国电力系统难以持续“喂养”AI这个“电老虎”。

在此背景下，多家科技巨头尝试通过新路径缓解能源短缺。例如，微软与核电运营商合作，重启部分核电站为数据中心供电；谷歌则计划部署小型核反应堆。然而，这些尝试耗资巨大，建设周期漫长，远水解不了近渴。更重要的是，按当前AI能源需求增长趋势，即便建成几个核电站，也难以实现长期供需平衡。

其次是水资源。 高性能服务器与GPU在执行AI训练与推理时会产生大量热量，必须通过水冷进行高效散热。目前蒸发冷却塔的水损失可高达每千瓦时1–9升，即每消耗1度电需1至9升水冷却，AI训练强度越大，耗水量越高。此外，火电与核电也需大量水用于蒸汽循环，进一步加剧水资源压力。因此，水资源亦构成AI算力扩张的重要瓶颈。

再次是空间。 尽管数据中心不如工厂污染严重，但其庞大、封闭、高耗能、少就业的特征，使其难以获得社区接纳。美国多地近年来频繁爆发反对新建数据中心的声音，理由并非技术安全，而是其“占地、耗水、拉高电价，却与社区无关”。《纽约时报》更曾将数据中心称为新的“NIMBY设施”（注：即公众共享收益，但负面效应由邻近居民承担的“嫌恶设施”）。

综合以上分析可见，若继续依赖传统路径，通过“铺摊子”、建数据中心、堆GPU来扩展算力，远没有想象中容易。而在太空中修建数据中心、将计算移至太空的设想，正是在这一背景下获得越来越多关注。

只需对太空计算的基本属性稍作考察，便可发现其在突破“能源、水、空间”三大瓶颈方面具备天然优势。

首先，在近地轨道上，太阳能资源极其丰富。只要通过技术手段有效利用，就有可能突破当前的能源限制。马斯克作为太空计算的坚定支持者，近日在社交平台连发多条相关帖子。其中一条中提到：地球仅接收到太阳能量的20亿分之一；而将设备送入太空后，可接收的太阳能将多出几个数量级。只需利用其中极小一部分，便足以满足AI计算的能源需求。

其次，在太空真空环境中，设备散发的热量可通过辐射方式直接散出，省去了庞大的冷却塔、水冷系统与空调网络，也就不再需要大量水资源。

再次，在浩瀚的太空，空间资源几乎无限；将数据中心放入太空，也不会面临地面选址那样的社会阻力，扩展弹性极大。

总而言之，相较传统计算，太空计算可以轻松突破当前制约算力扩张的三大核心瓶颈，而这，正是它最引人想象之处。

三、太空计算的工程形态和商业模式

根据目前业界的讨论，在太空部署数据中心可能有三种具体的工程形态。

第一种形态是“轨道算力节点”。这是目前最接近现实、也最早进入实验阶段的形态。例如，Starcloud选择先在近地轨道部署搭载GPU送入太空，实现模型的训练，就是这一工程形态的具体体现。这个阶段的目的并不是形成真正的算力，而是为了验证一系列技术问题。例如，AI芯片能否在辐射环境中稳定运行？热量是否能够通过辐射有效散出？在轨计算是否真的能降低整体能耗？换言之，衡量这个形态是否成功的指标主要并不在于它提供了多少算力，而在于它是否具备足够的可存活性。只有这个指标达标，后续发展才具备条件。

第二种形态是“模块化算力集群”。这是目前广大科技巨头正在努力的方向。它并不强调一次性建成一个完整的数据中心，而是借鉴云计算和集装箱化数据中心的思路，将算力、能源、通信拆分成标准化模块，在轨道上逐步组装和扩展。这种形态的真正难点不在计算本身，而在系统工程：如何在失重环境中实现可靠连接？如何在长期运行中保持结构稳定？如何在不回收硬件的前提下应对故障？这也是为什么这一形态往往与航天公司、在轨制造能力紧密相关，而不是单纯由云厂商主导。

第三类则是“太空—地面混合算力系统”。在这种工程形态下，太空并不承担全部计算任务，而是负责那些对延迟不敏感、对能耗极其敏感的工作负载，例如大模型训练、科学模拟、长期预测等；而实时性要求高的推理任务，仍然留在地面完成。在这种构想下，太空算力所扮演的将不是替代者，而是缓冲器。其任务是消化最耗能、最考验冷却系统的那部分计算压力，从而让整个算力体系更可持续。

纵观这三种形态，不难发现它们之间并非完全竞争关系。在这三种形态中，“轨道算力节点”更具实验性，承担为后两种形态验证技术、搜集数据的作用；而后两者则更偏向实用，具有潜在的商业价值。

那么，太空计算可能会催生哪些新的商业模式呢？

对于“模块化算力集群”形态而言，它可能会成为那些工作量巨大但对即时性要求相对较低的计算任务的主要承担者。其最大的潜在客户，很可能不是互联网公司，而是那些本身就习惯以“十年”为单位规划计算资源的机构。例如，天体物理、材料计算、核聚变模拟等领域，都涉及巨大的计算需求，但这些任务并不需要随时在线交互。对这类任务而言，最需要的是一个成本较低、可持续运行数年、不受资源和空间条件限制的运算池，至于与设备的实时交互则不重要。因而，太空计算的性质可精准匹配这类需求。

可以预见，这类新的计算服务在商业模式上将与我们熟悉的云计算大为不同。在云计算中，计算作为一项服务在线提供，用户可按使用量（如使用时间、Token量等）进行付费。相比之下，这类计算服务的交易更类似于租赁服务——用户更像是租用一段轨道上的“计算容量”，以锁定一定时间内的算力配额，并支付相应“租金”。

值得指出的是，由于这种形态可能采用模块化结构，其发展也可能带动一整条产业链。真正赚钱的，未必是运营整个算力集群的企业，而是为其提供关键模块的供应商。耐辐射计算单元、在轨电源系统、散热结构、算力调度软件——每一个环节都可能形成高度专业化市场。随着太空算力集群的发展，这些模块的需求将持续增长，并主要取决于市场整体算力规模，而非某个具体项目——就像今天英伟达GPU的需求量，主要受市场算力总需求驱动，而非某个AI巨头。由此可见，在太空计算时代，某些为算力集群提供关键模块的企业，很可能成长为新的“英伟达”。

如果说模块化算力集群对应的是一种“太空基础设施型”商业模式，那么太空—地面混合算力系统，则更像是对现有云计算体系的一次深度重构。它并不试图打造一个完全独立的新市场，而是对现有云计算架构进行结构性重组。

在这种混合形态中，地面数据中心与太空算力并非竞争关系，而是一种明确分层的协作模式。对延迟敏感、靠近用户的推理任务仍留在地面执行；而对延迟不敏感、却极度消耗能源与冷却资源的训练与仿真任务，则有选择地“外包”至太空。在商业层面上，这意味着太空算力无需直接面向终端用户，而只需服务少数大型客户，成为云厂商内部的一种“后台能力”。

这种模式最微妙之处在于，太空算力并不会作为独立产品对外出售，而是以内嵌方式存在：用户购买的仍是云服务，但其成本结构、能耗结构和可持续性，已悄然发生改变。对云厂商而言，它可成为一种有效的内部对冲机制——当电力价格上涨、水资源受限或地方监管趋严时，太空算力可用作“缓冲层”，释放地面系统压力。

更进一步地看，当这种混合体系发展至较为成熟阶段，太空算力甚至可能演化为一种“算力储备”的角色：在算力需求低谷期持续运行、消化低成本能源；在需求高峰期，为地面系统腾出资源。这一逻辑与当前的储能系统、电网调峰极为相似，只不过对象从电力变成了计算。

需要指出的是，上述关于太空计算的工程形态和商业模式的畅想，更多仍属于推测。在现有技术条件下，谁也无法明确它的未来将会如何发展。但正是这种“未知”，扩展了其想象空间。未来，关于太空计算的大量商业故事，都将在这个空间中不断上演。

四、太空计算的发展障碍

当然，和诸多新事物一样，太空计算虽然前途广阔，但至少在现阶段，其发展仍面临许多现实障碍。

第一，目前的太空计算发展还存在诸多技术问题。相比于地面，太空并不是一个对计算友好的环境。辐射、温差、材料疲劳、通信中断——这些在地面数据中心几乎都可以通过工程手段加以解决的因素，一旦发生在轨道上，纠错成本将呈指数级上升。任何一个被忽视的设计偏误或工艺瑕疵，都可能在几个月后演化为不可逆的巨大缺陷。更关键的是，太空计算系统天生缺乏快速迭代的可能性，而现代AI技术恰恰建立在高频试错之上。这种节奏上的不匹配，意味着太空算力很可能在尚未“过时”的意义上，就已在技术路径上被锁死。

第二，太空计算的发展面临很大的经济不确定性。它常被描述为一种长期更具能效优势的方案，但这一判断高度依赖时间尺度。一旦将视角拉回现实，便会发现其前期投入巨大、回报周期极长，仅此一点，大多数投资者就已难以承受。更为麻烦的是，AI技术及其所依赖的算力技术，甚至包括太空计算本身，都处于高速演进中。这意味着，投资太空计算，就是以高度刚性的资本结构去“赌”一个高度不确定的技术未来。如果算力需求、模型架构或替代性技术发生偏移，重金部署的太空计算基础设施就可能迅速从战略资产变为沉没成本。对于地面基础设施，类似风险还可通过迁移、转售或重构加以缓解；但对于那些已被发射至外太空的设备，一旦发生问题，将无力挽回。

虽然不少人对太空计算的发展表示乐观。例如马斯克就预计，未来四到五年内，太空计算的成本将低于地面计算。但这种乐观预期是否能够兑现，仍存在极大不确定性。是否“敢赌”这一把，也极其考验投资者的勇气与判断力。

第三，规模效应本身也可能反过来成为制约太空计算发展的因素。一旦太空计算从实验走向部署，便不可避免地推动轨道资源的占用。在规模效应的驱动下，更多的计算节点意味着更多的发射、更多的结构物、更多长期在轨物体。这不仅增加了碰撞和碎片风险，还可能引发“公地的悲剧”（TheTragedyoftheCommons）——每一个单独部署的算力节点，在局部看似合理，但从系统角度却不断推高整体的不稳定性。一旦发生级联事故，其影响可能不止于某一项目，而是对整个近地轨道环境造成长期甚至不可逆的破坏。

第四，太空计算还面临诸多制度障碍。它天然处于现有治理体系的边缘地带。现行的太空法体系主要围绕探测、通信与和平利用等展开，并未充分预设如何规范那些长期运行的、战略级计算基础设施。当算力被部署在轨道上，它究竟受谁监管？适用哪一国法律？若被用于敏感计算、军事模拟或信息操作，相关责任又该如何界定？一旦太空计算进入实用阶段，这些问题将迅速浮现。

第五，太空计算还可能无意中强化算力的集中趋势，从而引发竞争问题。从表面看，太空似乎提供了一个超越地理限制的新空间；但实际上，只有极少数具备发射能力、系统工程能力与长期资本耐心的主体，才有资格参与其中。这意味着，太空计算很可能不是“算力民主化”的工具，而是将既有的不平等结构投射到一个更难以干预的空间。一旦算力被锁定在轨道资产中，其集中程度可能比地面数据中心更高，纠偏成本也更大。

第六，太空计算还可能改变人类对“计算责任”的理解。当计算发生在地面，它天然嵌入社会结构之中：电力、水资源、土地使用、社区影响，都会对其形成制约；而当计算迁移至轨道，这些约束被部分剥离，计算活动与社会后果之间的距离被拉长。长期来看，这可能削弱社会对算力扩张的感知与制衡，使决策更容易滑向“技术上可行，因此值得做”的路径依赖，使“杰文斯悖论”再度显现。

最后，还有一个更难被量化、却不应被忽视的风险：文明尺度上的不可逆性。一旦人类开始系统性地将认知基础设施外移至地球之外，便意味着我们事实上承认：地球本身已无法承载全部计算需求。这种选择不仅是工程决策，更是价值判断；它将深刻影响我们如何理解增长、约束与技术边界。

总而言之，太空计算的发展可能会带来许多新的问题。其中一部分关乎它是否能够成功，另一部分则关乎一旦它成功、切实改变现实规则之后，我们又该如何应对。若要让太空计算事业行稳致远，我们就必须对这些问题给予严肃思考。

五、结语

如果你现在身处19世纪中叶的欧洲，并声称要在全欧洲铺设铁路网络，那么你身边的人多半会质疑：将巨额成本投入到如此回报不明、工程风险又极高的项目上，究竟是否划算。后来的历史告诉我们，铁路不仅为投资者带来了丰厚经济回报，更推动了工业革命成果的迅速扩散，加速了人类向工业化社会迈进。

回到当下，我们并不知道那些被发射到太空的数据中心是否能扮演19世纪铁路那样的角色，助力AI时代更快到来。但如果它真的做到了，那么Starcloud从天空中传回GoogleGemma回复的那一天，就注定会成为一个被人们铭记的历史节点。