文章核心观点 太空计算是将计算核心任务（如AI模型训练与运行）部署到太空的新兴领域，其核心驱动力在于突破地面算力扩张面临的能源、水资源和空间三大瓶颈，并可能催生新的工程形态与商业模式，但目前发展仍面临技术、经济、规模效应、制度等多重障碍[3][6][18][27] 何谓太空计算 - 太空计算并非指早期卫星用于姿态控制等附属功能的在轨计算，而是强调计算本身成为核心任务，即数据在太空被理解、压缩、分析，并用于训练和运行人工智能模型[8] - 与传统地面计算相比，太空计算在设备维护、交互需求、通信依赖等方面存在重大技术差异，其更强调设备的自治性、连续性及对极端环境的适应能力，并关注如何利用太空条件以更低成本解决大量计算问题[9] 为何发展太空计算 - AI技术，尤其是生成式AI的迅猛发展导致算力需求暴涨，模型训练和持续推理服务使得算力稀缺成为常态[11] - 地面算力扩张面临根本性瓶颈：高端AI芯片（如英伟达H100）的先进制程、封装及供应链存在结构性瓶颈，产能无法迅速扩张[12] - 地面算力增长面临三大具体障碍：1) 能耗：2024年全球数据中心电力消耗已超过415太瓦时，占全球电力需求1.5%，预计到2030年将达945太瓦时，美国2024年数据中心耗电183太瓦时，占全国总消费4%以上，预计到2030年将比当前增加133%以上[13]；2) 水资源：AI训练与推理需水冷散热，蒸发冷却塔水损失高达每千瓦时1–9升，加剧水资源压力[14]；3) 空间：数据中心因占地、耗水、拉高电价等特征，面临社区接纳阻力，成为新的“嫌恶设施”[14] - 太空计算在突破三大瓶颈方面具备天然优势：1) 能源：近地轨道太阳能资源极其丰富，可利用的太阳能比地球接收到的多出几个数量级[15]；2) 水资源：太空真空环境中，热量可通过辐射直接散发，无需水冷系统[16]；3) 空间：太空空间资源几乎无限，且无地面选址的社会阻力[17] 太空计算的工程形态和商业模式 - 工程形态主要分为三类：1) 轨道算力节点：目前最接近现实的实验形态，用于验证AI芯片在辐射环境中的稳定性、散热有效性等关键技术问题，如Starcloud在近地轨道用搭载英伟达H100 GPU的卫星训练模型[20]；2) 模块化算力集群：科技巨头主要努力方向，借鉴云计算和集装箱化思路，将算力、能源、通信拆分成标准化模块在轨道上逐步组装扩展，难点在于系统工程[20]；3) 太空—地面混合算力系统：太空负责对延迟不敏感、高能耗的计算任务（如大模型训练），地面负责实时推理任务，太空算力充当“缓冲器”[21] - 商业模式可能随工程形态演变：1) 对于“模块化算力集群”，其商业模式可能更类似于租赁服务，用户租用轨道上的“计算容量”以锁定算力配额，主要客户可能是天体物理、材料计算等对即时性要求低但计算量巨大的机构[22]；2) 模块化结构可能带动关键模块（耐辐射计算单元、在轨电源系统、散热结构、算力调度软件）的产业链发展，相关供应商可能成长为新的“英伟达”[23]；3) 对于“太空—地面混合算力系统”，太空算力可能内嵌于现有云服务中，成为云厂商的“后台能力”或“算力储备”，用于对冲地面电力、水资源及监管压力，优化整体成本与可持续性[24] 太空计算的发展障碍 - 技术问题：太空的辐射、温差、材料疲劳等环境因素使纠错成本指数级上升，且太空计算系统缺乏快速迭代能力，与AI技术高频试错的节奏不匹配[27] - 经济不确定性：前期投入巨大、回报周期极长，且需以高度刚性的资本结构去赌一个高速演进的技术未来，若技术路径偏移，太空基础设施可能迅速变为沉没成本[28] - 规模效应的负面制约：大规模部署可能增加轨道碰撞和碎片风险，引发“公地的悲剧”，对近地轨道环境造成长期甚至不可逆破坏[29] - 制度障碍：现有太空法体系未充分预设如何规范长期运行的、战略级计算基础设施，监管归属、法律适用及责任界定等问题尚未解决[29] - 可能强化算力集中趋势：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能参与，可能将地面不平等结构投射到太空，导致算力更集中[30] - 改变“计算责任”的理解：计算活动迁移至轨道可能拉长其与社会后果的距离，削弱社会对算力扩张的感知与制衡[30] - 文明尺度上的不可逆性：系统性地将认知基础设施外移意味着承认地球无法承载全部计算需求，这不仅是工程决策，更是影响深远的价值判断[30]