天基 AI 算力构想：卫星搭载 TPU 构建太空计算集群

近期一篇 arXiv 论文提出了一种面向未来的天基 AI 计算基础设施构想：利用搭载太阳能板、激光星间链路与 Google TPU 加速器的卫星编队，在太空中构建可扩展的机器学习算力系统。论文同时给出 Trillium TPU 的辐射测试数据与发射成本的学习曲线预测，属于前沿但偏概念性的研究探索。

核心思路：把 AI 算力搬上太空

作者指出，AI 作为一项基础通用技术，其对算力与能源的需求将持续增长，而太阳是太阳系中体量最大的能量来源。文章据此设想，将 AI 训练与推理负载部署到以太阳能直供的卫星集群上，借助星载 TPU 完成计算，并通过自由空间光通信（FSO）实现卫星之间的高带宽、低延迟互联。

星座构型与控制

论文给出一个示意性的 81 颗卫星、轨道半径约 1 公里的近距编队方案，以缩短星间通信距离、降低链路时延。对于如此大规模的星座，论文提出使用高精度机器学习模型进行编队飞行控制（formation flight），替代传统依赖精确动力学模型的姿态与轨道控制方式。

TPU 辐射测试结果

针对太空辐射环境，论文报告了 Trillium TPU 的实测表现：

• 在等效 5 年任务寿命的总电离剂量下，芯片未出现永久性失效；
• 论文同时对位翻转（bit-flip）错误率进行了表征，给出了后续容错设计的基础数据。

这一结果表明，现成商用 AI 加速器在经过加固与冗余设计后，存在直接应用于长期轨道任务的可能性。

发射成本学习曲线

论文还将发射成本纳入系统总成本模型，采用学习曲线方法估计：到 2030 年代中期，低地球轨道（LEO）的入轨成本可能降至约 200 美元/公斤以下。这意味着即便需要将大量卫星送入轨道，整体投入也存在进入「可承担区间」的潜在路径。

定位与局限

需要说明的是，本文是一篇 18 页的概念性论文，目前未涉及在轨验证或真实部署时间表，所给数字多为量级估算与设计参考。天基 AI 算力短期内不会取代地面数据中心，但论文为长期能源约束下的 AI 基础设施演进提供了一条可量化的讨论起点。