太空AI计算的成本与网络限制
一篇研究论文评估了在近地轨道（LEO）部署大型AI数据中心是否具有成本效益。它从发射成本、发电、冷却、辐射和网络性能等方面比较了轨道系统与地面系统。研究发现，虽然LEO推理可能可行，但在太空中训练前沿规模的AI模型不太可能与地面设施竞争。
2026年7月15日，由Kees van Berkel撰写的论文《太空AI计算的成本与网络限制》在arXiv上正式发布（编号：2607.14172）。该研究旨在评估在低地球轨道（LEO）建设大型AI数据中心作为地面设施替代方案的可行性。论文从多个关键维度进行了系统性比较：包括卫星发射成本、太空环境下的发电方式（以太阳能为主）、散热技术（依赖真空辐射冷却）、辐射暴露防护、以及大气层再入问题。在网络方面，论文特别指出了从地面常见的Clos网络结构向基于激光星间链路的太空网状网络的转变。这种网络架构的差异对分布式训练中的通信开销有着深远影响。为了精确衡量网络性能，研究者采用了对分带宽、对分强度以及类屋顶线模型（roofline model）等分析工具。这些模型表明，尽管在LEO进行AI推理（即模型推断）可能具有成本效益，但对于训练参数规模达到前沿水平的大语言模型（LLMs），太空系统无论在成本还是性能上都无法与地面数据中心抗衡。例如，训练一个千亿参数的模型需要极高的网络带宽和极低的延迟，而太空激光链路的带宽和连接模式目前难以满足。该论文被归类于分布式、并行与集群计算（cs.DC）和人工智能（cs.AI）两个学科领域，并引用了NASA ADS、Google Scholar等文献数据库的参考资料。目前，arXiv上提供了论文的PDF版本和实验性HTML版本，全文大小为2,583 KB。该研究的结论为未来太空AI计算的发展提供了重要启示，但同时也强调了地面设施在大规模训练中的不可替代性。论文还提及了相关文献工具和引用管理选项，为后续研究提供了便利。