中國把 AI 算力送上軌道：超智算一號為什麼讓衛星從「太空相機」變成「軌道邊緣運算節點」

衛星拍到森林大火之後，為什麼不能立刻告訴你？

現代地球觀測衛星每天可以產生驚人的資料量。

高解析度光學影像、SAR 合成孔徑雷達、高光譜影像、氣象資料與其他遙測感測器，不斷把地球表面轉換成大量數位資訊。

但衛星能『看到』，不代表人類立刻能『知道發生什麼事』。

傳統流程通常是：

Sensor → 儲存原始資料 → 等待地面站窗口 → Downlink → 地面資料中心 → 影像處理 → AI 分析 → 產生結果。

真正拖慢系統的不一定是 AI 模型跑得不夠快。

很多時候，瓶頸是資料根本還沒送到可以運算的地方。

2026 年 9 月 20 日發射的中國「超智算一號」，正在嘗試把這條流程重新排列。

它的想法其實很簡單：

既然資料本來就在太空產生，為什麼不直接在太空處理？

---

超智算一號到底是什麼？

根據北京市政府與相關產業公開資訊，「超智算一號」由超智算（北京）科技有限公司研發，是一顆具備在軌 AI 運算能力的算力衛星。

2026 年 9 月 20 日，它搭乘中科宇航的 力箭一號遙十八運載火箭，以一箭九星方式進入預定軌道。

衛星主要搭載兩類核心能力：

高解析度光學酬載

以及

星上智能算力處理單元。

因此它並不是單純拍攝地球影像，再等待把所有資料送回地面。

按照公開資料，它可以直接執行：

• 遙感影像處理
• AI inference
• 目標識別
• 即時資料分析
• 資料篩選
• 智慧判讀

然後只把真正具有價值的結果送回地面。

這個差異看起來只是把 AI 電腦塞進衛星，但對整個 Earth Observation pipeline 而言，其實可能是一場架構變化。

---

傳統衛星最大的敵人之一：Downlink

假設一顆衛星剛剛飛過某個區域，拍攝出 40 GB 高解析度影像。

傳統模式可能是：

40 GB Raw Imagery → 儲存 → 等待通訊窗口 → 全部或大量下傳 → 地面處理 → 找出重要區域。

但假設真正有用的東西只占其中極少一部分，例如：

• 一處疑似森林火災
• 三艘異常船隻
• 一段洪水範圍
• 一個山崩區域

那麼衛星其實花費大量寶貴通訊容量，在傳送最後根本沒有人需要看的資料。

加入 Onboard AI 之後，可以變成：

Sensor → AI preprocessing → Object Detection / Segmentation → ROI extraction → 只下傳高價值資料。

例如原始資料可能是：

40 GB imagery

經過在軌分析後，只需要傳回：

Fire detected

Coordinates

Confidence score

Relevant image crop

Affected area estimate

這時候衛星傳回的就不再只是『照片』。

而是『資訊』。

---

從數小時縮短到分鐘級，到底省掉了什麼？

北京市政府對超智算一號的描述非常直接：透過星上智慧算力，它希望把跨域資料反應時效從傳統的數小時縮短到分鐘級。

但這裡有一個很重要的細節。

這並不代表 AI processor 本身突然把某個原本需要數小時的 neural network 加速成幾分鐘。

真正被砍掉的是整條資料物流鏈中的等待。

傳統模式：

Capture

↓

Store

↓

Wait for ground-station pass

↓

Downlink raw data

↓

Transfer to data center

↓

Process

↓

Analyse

↓

Result

星上 AI：

Capture

↓

Process immediately

↓

Transmit result

換句話說，它優化的不只是 FLOPS。

而是 data locality。

資料在哪裡產生，就在哪裡先算。

這就是 Edge Computing 最核心的思想。

只不過這次 Edge 不在手機、不在工廠、不在自駕車。

它在幾百公里高的低地球軌道。

---

這其實就是 Space Edge Computing

現代 Edge AI 已經大量存在於地面系統。

自駕車不可能把每一幀相機畫面送到雲端再問：

『前面是不是有人？』

工廠機器人也不能看到障礙物之後，等幾百毫秒的 cloud response 才決定要不要停止。

這些系統的共同原則都是：

Latency-sensitive computation should happen close to the data source.

衛星其實面臨更極端的版本。

它與地面之間不只有 latency，還有有限的 bandwidth、通訊窗口、天候影響與 ground station capacity。

因此 Earth Observation 本身就是非常適合 Edge AI 的場景。

超智算一號可以被理解成一台：

Orbiting Edge Computer。

感測器是它的眼睛。

AI accelerator 是它的大腦。

下行鏈路則只負責把真正重要的答案送回來。

---

一顆遙感衛星一天可能產生 0.1 PB 資料

為什麼中國開始積極談 Space Computing？

資料規模就是其中一個原因。

浙江實驗室相關研究人員曾公開估計，一顆遙感衛星每天可能產生約 0.1 PB 資料。

如果到 2032 年在軌遙感衛星超過 3,000 顆，理論資料生成量可能達到約：

300 PB / day。

這不是一個單靠『多蓋幾座地面站』就很好處理的數字。

更大的問題是，其中很多資料未必值得送回地面。

雲層可能遮住目標。

影像可能重複。

大量海洋區域可能沒有任何事件。

某些 frame 對即時任務根本沒有價值。

如果先在軌執行 classification、object detection、change detection 或 compression，就有機會把需要進入地面網路的資料量大幅削減。

所以太空 AI 的第一個實際價值，很可能不是『在太空跑 ChatGPT』。

而是：

不要把垃圾資料送回地球。

---

森林大火是最容易理解的案例

想像一顆衛星拍到澳洲森林。

傳統流程是：

衛星成像 → 等待下載 → 地面處理 → 分析影像 → 發現火災。

如果這整個週期需要幾個小時，對地理測繪可能沒有什麼問題。

但對 wildfire response 而言，幾個小時可能完全改變事情的規模。

Onboard AI 可以直接在影像形成後執行：

Smoke detection

Thermal anomaly detection

Change detection

Fire segmentation

一旦超過 threshold，就優先傳送警報與關鍵影像。

類似邏輯也能應用在：

• 洪水
• 颱風與暴風系統
• 山崩
• 海冰
• 船舶辨識
• 海洋污染
• 農業監測
• 自然資源調查
• 城市變化

這就是為什麼官方目前替超智算一號列出的應用，大量集中在應急救災、自然資源、環境與海洋監測。

---

但它不是「軌道資料中心」

這點非常重要。

把超智算一號稱作真正意義上的 Orbital Data Center，會有點過頭。

它更準確的描述是：

具備 AI Edge Computing 能力的遙感／算力衛星。

真正的 data center 通常意味著：

• 大規模通用計算
• 大量 accelerator
• 高容量儲存
• 高速網路 fabric
• 多租戶 workload
• 持續能源供應
• 大量散熱設備

而目前公開資訊並沒有顯示超智算一號具備這種規模。

更重要的是，官方目前沒有公布它的 AI processor 型號、TOPS、FLOPS、記憶體容量、功耗或完整 benchmark。

因此目前最合理的定位仍然是：

Spaceborne Edge AI Node。

不是『天上的 AWS』。

至少現在還不是。

---

中國真正想做的，是把一顆變成很多顆

如果故事只停在超智算一號，那它會比較像技術示範。

但公開計畫顯示，目標並不是永遠只放一台 AI computer 在太空。

超智算正在推動後續「超智算星座」，希望增加在軌算力節點，再利用高速星間通訊把這些節點連起來。

這會讓架構從：

Satellite → Ground

逐漸變成：

Sensor Satellite

↓

Compute Node

↔

Compute Node

↔

Compute Node

↓

Ground

這時候真正有趣的技術就出現了：

Inter-satellite Links。

如果衛星之間可以透過 laser communication 高速交換資料，那麼未來就不一定要求拍攝資料的那顆衛星自己完成所有運算。

任務甚至可能被送到另一個具有空閒 compute capacity 的 satellite node。

這開始變得很像地面的 distributed cloud computing。

只不過 datacenter rack 在繞著地球飛。

---

中國其實已經在測另一套「太空計算星座」

超智算一號也不是中國第一次嘗試把比較強的 AI compute 搬進軌道。

浙江實驗室推動的 Three-Body Computing Constellation（三體計算星座），在 2025 年已經發射首批 12 顆計算衛星。

相關公開資料表示，首批星座合計具備約 5 PFLOPS 的計算能力。

它的方向包含三個部分：

算力上天。

衛星互聯。

AI 模型上天。

也就是不只讓每顆衛星自己分析自己的 sensor，而是嘗試建立真正的 orbital computing network。

如果把超智算一號與三體計算星座放在一起看，可以看到一個相當清楚的技術方向：

中國正在測試的並不是單一款『AI 衛星』，而是如何把 terrestrial cloud architecture 的部分概念重新搬到 LEO。

---

但把 AI 電腦送上太空，比放進資料中心麻煩得多

地面資料中心至少有三樣非常奢侈的東西：

穩定電力。

可以維修。

可以散熱。

太空三樣都很麻煩。

第一個問題：Power Budget

AI accelerator 是耗電設備。

在地面資料中心，幾百瓦甚至上千瓦的 accelerator 可以接受。

衛星卻只能依靠有限的 solar array 與 battery。

所以真正重要的指標未必是：

最高 TOPS。

而是：

TOPS per Watt。

甚至更精確地說，是每焦耳能源到底能完成多少有價值的 inference workload。

---

太空很冷，但衛星其實很難散熱

這是一個很反直覺的工程問題。

很多人聽到太空接近極低溫，直覺會認為：

GPU 放太空不是超級好散熱嗎？

其實相反。

資料中心可以靠：

Conduction + Convection + Liquid Cooling。

但真空裡沒有空氣可以帶走熱量。

所以衛星最終必須主要依靠：

Thermal Radiation。

也就是把熱量導到 radiator，再把能量以紅外輻射形式送進太空。

於是你增加 AI compute，工程帳單會一路連鎖反應：

Compute ↑

↓

Power ↑

↓

Heat ↑

↓

Radiator requirement ↑

↓

Mass ↑

↓

Launch cost ↑

AI 晶片的一瓦功耗到了太空，不再只是電費問題。

它會一路變成衛星重量。

---

還有一個 GPU 在資料中心通常不用怕的東西：Radiation

地球大氣層與磁場替地面電子設備擋掉大量高能粒子。

到了太空，電子系統需要面對：

Single Event Upset（SEU）

Single Event Latch-up（SEL）

Total Ionizing Dose（TID）

等輻射效應。

一個 bit 被高能粒子翻轉，在遊戲 PC 裡可能只是程式 crash。

如果那是衛星導航、姿態控制或任務資料，就可能非常麻煩。

因此高算力 spaceborne computer 往往需要搭配：

• ECC
• Fault detection
• Redundancy
• Checkpointing
• Radiation-aware design
• Backup computing unit

2026 年相關 spaceborne supercomputing 研究甚至已經開始討論 CPU、GPU、NPU、FPGA 混合架構搭配保守 space-grade backup processor 的異質容錯模式。

所以『把 AI GPU 搬上太空』真正困難的地方，從來不只是把 PCB 做小一點。

---

為什麼不用把所有東西都算完？

另一個非常重要的設計原則是：

衛星不一定需要在軌完成完整 scientific processing。

Edge AI 最適合做的工作通常是：

Prioritization。

例如先回答：

『這張圖值不值得傳？』

『哪一塊區域可能有異常？』

『這裡是不是船？』

『雲層是不是完全遮住地表？』

『有沒有發生相對昨天顯著的變化？』

真正精密的 processing、模型 ensemble、人工分析與長期 archive，仍然可以留在地面的 data center。

這其實是一個非常合理的混合架構：

Space = Fast Intelligence Layer

Ground = Deep Computing Layer

不是互相取代。

而是分工。

---

下一場競賽可能不是誰有最多衛星，而是誰有最多「有用的在軌算力」

過去衡量衛星星座，很容易數：

有幾顆衛星？

未來可能需要加入另一個問題：

這些衛星自己能算多少東西？

一個只有 sensor 的星座，與一個每個節點都有 AI inference、彼此又能高速交換資料的星座，在系統能力上會完全不同。

這可能讓衛星架構從：

Sensor Network

逐漸演化成：

Sensor + Compute Network。

當 AI model、sensor、laser communication 與 distributed scheduling 被整合到同一個星座時，衛星就不再只是被動等待地面命令的遠端攝影機。

它開始有能力理解自己看到的東西，再決定什麼值得告訴地球。

---

真正值得注意的不是「太空資料中心」，而是 Data Gravity 開始離開地球

AI 基礎設施有一個很重要的概念叫做 Data Gravity。

大量資料在哪裡，compute 往往就會被拉到哪裡。

過去大量企業資料在地面 data center，所以 GPU 被送進 data center。

但遙感資料的出生地不是地面。

它本來就在軌道上。

因此從系統工程角度來看，把部分 compute 搬到 orbit，其實不是科幻小說式的衝動。

反而是非常傳統的電腦工程邏輯：

Move compute closer to data.

超智算一號真正值得關注的地方，也正在這裡。

它並不是一座真正的 orbital data center。

它更像是一個非常早期的訊號：

未來衛星可能不只負責『看見地球』。

它們還會開始負責『理解自己看見了什麼』。

當數千顆這種節點透過 laser link 彼此連起來時，我們才真正開始接近所謂的 Space Computing Network。

而到了那一天，雲端運算裡的那朵 Cloud，可能真的有一部分在雲的上面。

---

Tech English｜本文重要技術名詞

Onboard Processing｜星上處理／在軌處理
資料直接由衛星上的處理器完成初步分析，而不是先完整下傳地面再計算，可降低延遲與下行頻寬需求。

Edge AI｜邊緣人工智慧
讓 AI inference 在資料來源附近執行，例如手機、自駕車、工廠設備或衛星，而不是所有資料都送到中央雲端。

Downlink｜下行鏈路
衛星向地面站傳送資料的通訊鏈路。頻寬、可見時間與地面站容量都是 Earth Observation 系統的重要限制。

Inter-Satellite Link, ISL｜星間鏈路
衛星彼此直接通訊的網路，可使用無線電或雷射。高速 optical ISL 是建立分散式太空計算網路的重要技術。

Spaceborne Computing｜星載運算
在衛星或太空載具內執行資料處理、AI、導航或科學計算的系統，需要同時考慮功耗、熱管理與輻射可靠性。

Single Event Upset, SEU｜單粒子翻轉
高能粒子撞擊電子元件後造成記憶體或邏輯位元暫時改變，是太空電子系統設計必須防範的重要輻射效應。