AI训练一个模型消耗的电量，足够让一个小城市亮上几天。这不是比喻，是账面上的数字。
当所有人盯着英伟达（Nvidia，美国芯片公司）的GPU算力时，真正的瓶颈已经悄悄转移——电网撑不住了。美国新建数据中心的审批越来越严，社区抗议此起彼伏，冷却系统的电费账单高到能吓退CFO。Euwyn Poon（Orbital公司创始人）算过一笔账：地面数据中心的能源天花板，正在以肉眼可见的速度逼近。
他的解法是把整个数据中心塞进火箭，送到200公里以上的近地轨道。
「地面每建1吉瓦数据中心，难度都在指数级上升」
Poon在硅谷创业圈不算陌生人。法律背景出身，连续创业者，上一段经历是房地产科技领域。2024年，他带着Orbital拿到a16z Speedrun（知名风投机构Andreessen Horowitz的加速器项目）的投资，开始招兵买马。
公司现在的核心命题听起来像科幻：用太阳能供电，用太空真空散热，在卫星上跑AI推理任务。
「地面数据中心的痛点太集中了。」Poon向我列举：选址受限于电网容量，冷却系统吃掉15%-40%的额外能耗，昼夜交替和天气波动让可再生能源的稳定性始终打折扣。而轨道上的太阳能阵列没有这些问题——没有云层遮挡，没有日落，没有季节性衰减。
更关键的是散热。太空是天然的散热场。数据中心的GPU集群产生的热量，在地面需要复杂的液冷系统和冷却塔来处理，在轨道上可以直接辐射到近乎绝对零度的背景空间里。Poon的团队测算过，这种「被动散热」的效率远超任何地面方案。
能源和散热，恰好是地面数据中心成本结构里最沉重的两块石头。
Orbital的第一颗卫星Orbital-1已经排上日程：2027年4月，SpaceX（美国太空运输公司）的猎鹰9号火箭发射。卫星将搭载英伟达的GPU硬件，任务清单包括三项——验证持续计算能力、测试太空辐射环境下的硬件稳定性、以及开始运行实际的AI推理工作负载。
为什么选「推理」而不是「训练」
这里有个关键的技术取舍。Poon的团队本可以追求更性感的「太空训练集群」，但最终选择了推理任务作为突破口。
区别在于架构耦合度。训练大型AI模型需要成百上千块GPU紧密协作，数据在芯片之间高频流动，延迟抖动超过毫秒级就会导致整个集群效率崩塌。这种「紧耦合」特性，让训练任务对网络拓扑和同步精度极度敏感。
推理则完全不同。一个训练好的模型被部署后，处理的是大量独立的用户请求。这些请求之间没有依赖关系，可以被打包发送到任意可用的计算节点上执行。Poon把这种特性称为「天然适合分布式架构」。
换句话说，一百颗卫星各自独立运行推理任务，和一百颗卫星协同完成一次训练， engineering难度差着数量级。
「我们不需要在轨道上搭建高速互联网络。」Poon解释，「每颗卫星就是一个完整的推理节点，地面站把请求分发上去，等结果传回来就行。」
这种设计降低了首批任务的技术风险，也让星座扩展变得更灵活。卫星可以分批发射，单点故障不会拖垮整个系统，硬件迭代也不需要一次性替换整个集群。
2027年4月的那个发射窗口
Orbital-1的具体配置尚未完全公开，但Poon确认了几个关键参数：近地轨道，高度约550公里；太阳能供电系统的设计目标是在轨道日照期实现能源自给；散热系统采用辐射板直接向太空排热。
辐射是另一个需要验证的变量。近地轨道穿过地球辐射带的边缘，高能粒子对电子元件的轰击会造成「单粒子翻转」——简单说就是比特跳变，计算错误。Poon的团队在地面做了大量辐射模拟测试，但真实的太空环境总有意外。
「Orbital-1的首要目标是证明GPU能在轨道上持续稳定运行。」Poon说，「不是跑几分钟，是跑几周、几个月。」
如果验证成功，后续星座的部署节奏会加快。Poon没有给出具体数字，但提到「规模化」是写在商业计划书里的关键词。一颗卫星的算力有限，但成百上千颗组成的星座，理论上可以承接相当规模的推理需求。
谁会为「太空算力」买单
成本结构是绕不开的问题。火箭发射费用、卫星制造成本、地面站运维——这些加起来，Orbital的算力单价能打得过地面的AWS（亚马逊云服务）或Azure（微软云服务）吗？
Poon的回应分两层。首先，能源和散热的零边际成本是长期优势。地面数据中心的电费账单随电价波动，轨道上的太阳能一旦摊平前期投入，后续运行几乎「免费」。其次，某些特定场景可能愿意为「太空算力」支付溢价——比如对延迟不敏感、但对数据主权或物理隔离有极端要求的客户。
「不是所有工作负载都适合上天。」Poon很坦诚，「但总有一些，地面越来越贵，太空越来越便宜。」
他举了一个例子：某些国家的AI监管要求数据不能离境，但本地电网又支撑不了大规模算力中心。传统解法是建电厂、拉专线，周期长、阻力大。Orbital理论上可以提供「主权算力」——卫星过境时接入，数据在太空处理，结果传回地面，物理上从未离开该国领土上空。
这个场景 niche（小众），但真实存在。
另一个潜在市场是「边缘推理」的极端版本。自动驾驶、工业物联网等场景对延迟极度敏感，通常需要把算力下沉到基站或终端。但某些偏远地区——远洋船舶、极地科考站、沙漠油田——地面基础设施覆盖不到。卫星星座可以提供「无处不在」的推理能力，虽然延迟比光纤高，但比「完全没有」好得多。
竞争对手不只是其他太空公司
Orbital不是唯一盯上太空算力的玩家。欧洲有公司研究在月球轨道部署数据中心，利用极地陨石坑的永久阴影区散热；亚马逊的Kuiper（柯伊伯计划，卫星互联网项目）和SpaceX的Starlink（星链，卫星互联网项目）虽然主打通信，但卫星平台的计算能力也在持续升级。
Poon认为真正的竞争不在太空，而在地面。「如果特斯拉（Tesla，美国电动车公司）的储能技术让数据中心实现100%可再生能源，或者核聚变发电突然突破，我们的窗口期会急剧收窄。」
反过来，如果地面电网的紧张持续恶化，Orbital的时间压力会减轻。Poon提到一个数据点：美国未来五年规划的新增数据中心电力需求，已经超过现有可再生能源装机量的总和。这意味着要么烧更多化石燃料，要么接受建设速度放缓。
「AI公司不会停下来等电网。」Poon说，「他们会在能通电的地方继续建，直到无处可建。」
Orbital赌的是那个「无处可建」的时刻。
技术债务与工程乐观主义
采访结束前，我问Poon最担心什么。他没有提技术风险——辐射、散热、发射失败——这些都在预案里。他担心的是「工程乐观主义」本身。
「太空创业有个经典陷阱：把地面验证过的技术直接搬上去，发现环境差异比预期大十倍。」Poon说，「我们花了大量时间在地面模拟轨道条件，但模拟终究是模拟。」
Orbital-1的任务设计因此格外保守。不追求算力密度最大化，先求稳；不急于开放商业服务，先把基础数据跑完。Poon把这种策略称为「用时间换确定性」。
2027年4月的发射窗口现在看起来还很远，但在航天工程的时间尺度上，两年半只是勉强够用的缓冲。卫星的详细设计、与SpaceX的接口协调、地面站网络的部署——这些并行推进的工作流，任何一环延误都会挤压测试时间。
Poon的日程表已经排到发射后六个月。如果Orbital-1的GPU在轨道上稳定运行超过90天，公司会立即启动下一轮融资，用于星座规模的初步验证。如果早期数据不理想，调整方向的空间会很有限。
「要么证明这条路走得通，要么证明我们想得太多。」Poon的总结带着产品经理式的冷静，「太空不会给你第二次机会修bug。」
当Orbital-1最终升空时，它携带的不只是几块GPU和一堆传感器。它测试的是一种可能性：当地面的物理约束越来越紧，向外拓展是否是可行的出路。答案会在2027年秋天开始传回——如果一切顺利的话。
如果轨道上的AI数据中心真的跑通了，第一个大规模应用场景会是什么？气象预测、药物筛选、还是某种我们还没想到的边缘需求？
热门跟贴