太空AI計算的成本與網絡限制
一篇研究論文評估了在近地軌道（LEO）部署大型AI數據中心是否具有成本效益。它從發射成本、發電、冷卻、輻射和網絡性能等方面比較了軌道系統與地面系統。研究發現，雖然LEO推理可能可行，但在太空中訓練前沿規模的AI模型不太可能與地面設施競爭。
2026年7月15日，由Kees van Berkel撰寫的論文《太空AI計算的成本與網絡限制》在arXiv上正式發佈（編號：2607.14172）。該研究旨在評估在低地球軌道（LEO）建設大型AI數據中心作為地面設施替代方案的可行性。論文從多個關鍵維度進行了系統性比較：包括衞星發射成本、太空環境下的發電方式（以太陽能為主）、散熱技術（依賴真空輻射冷卻）、輻射暴露防護、以及大氣層再入問題。在網絡方面，論文特別指出了從地面常見的Clos網絡結構向基於激光星間鏈路的太空網狀網絡的轉變。這種網絡架構的差異對分佈式訓練中的通信開銷有着深遠影響。為了精確衡量網絡性能，研究者採用了對分帶寬、對分強度以及類屋頂線模型（roofline model）等分析工具。這些模型表明，儘管在LEO進行AI推理（即模型推斷）可能具有成本效益，但對於訓練參數規模達到前沿水平的大語言模型（LLMs），太空系統無論在成本還是性能上都無法與地面數據中心抗衡。例如，訓練一個千億參數的模型需要極高的網絡帶寬和極低的延遲，而太空激光鏈路的帶寬和連接模式目前難以滿足。該論文被歸類於分佈式、並行與集羣計算（cs.DC）和人工智能（cs.AI）兩個學科領域，並引用了NASA ADS、Google Scholar等文獻數據庫的參考資料。目前，arXiv上提供了論文的PDF版本和實驗性HTML版本，全文大小為2,583 KB。該研究的結論為未來太空AI計算的發展提供了重要啓示，但同時也強調了地面設施在大規模訓練中的不可替代性。論文還提及了相關文獻工具和引用管理選項，為後續研究提供了便利。