AI算力版圖持續向軌延伸，太空算力產業化將迎關鍵里程碑
重點摘要
智東西 作者 | 劉煜 編輯 | 陳駿達 在2026世界人工智能大會（WAIC）上，大模型架構與計算基礎設施的演進再次成為產業關注重點。隨著大模型參數規模持續擴大、智能體（Agent）應用不斷向產業端滲透，AI產業對全球化部署、偏遠地區覆蓋以及弱網、無網環境下計算能力的需求不斷提升。 長期以來，AI算力主要依託地面數據中心提供服務。然而，在高緯度地區、深海、荒漠、遠洋等場景，受限於網絡覆蓋、建設成本及傳輸時延，傳統地面基礎設施難以滿足部分實時計算需求。 同時，在部分跨區域業務場景中，如何提升計算資源調度效率，也成為產業持續探索的方向。 在這一背景下，計算基礎設施正從單一地面智算中心逐步向天地協同架構演進。通過構建“衛星節點+地面智算中心”的協同計算體系，將部分計算能力部署至軌道，並與地面算力資源統一調度，成為了全球AI算力服務拓展邊界的一類路徑。 此次WAIC，中國太空AI龍頭成都國星宇航科技股份有限公司（以下簡稱“國星宇航”）與上海商湯科技開發有限公司（以下簡稱“商湯科技”）宣佈共建“商湯算力星座”。 雙方計劃按照“單星驗證—平臺建設—星座組網”的發展路徑，推進天地一體化AI基礎設施建設，並提出到2030年形成由千顆級算力衛星組成、總算力超萬P的空間智能計算網絡。這也使太空算力如何形成大規模商業閉環再次成為行業關注焦點。 一、規劃超大規模組網，太空算力邁入產業化新階段 過去幾年，太空計算更多停留在概念探索和技術驗證階段。隨著AI算力需求持續增長，以及衛星製造、星載計算平臺、星間通信等技術不斷成熟，全球太空算力領域已形成多方角逐的格局。 SpaceX曾提出軌道數據中心等相關設想，希望推動通信網絡與空間計算資源融合；美國Lonestar等企業則圍繞近地軌道和月球數據存儲、災備等方向開展商業探索。國內，算力衛星也正由早期試驗載荷逐步發展為專用計算平臺，並開始探索商業化星座建設。
智東西 作者 | 劉煜 編輯 | 陳駿達 在2026世界人工智能大會（WAIC）上，大模型架構與計算基礎設施的演進再次成為產業關注重點。隨著大模型參數規模持續擴大、智能體（Agent）應用不斷向產業端滲透，AI產業對全球化部署、偏遠地區覆蓋以及弱網、無網環境下計算能力的需求不斷提升。 長期以來，AI算力主要依託地面數據中心提供服務。然而，在高緯度地區、深海、荒漠、遠洋等場景，受限於網絡覆蓋、建設成本及傳輸時延，傳統地面基礎設施難以滿足部分實時計算需求。 同時，在部分跨區域業務場景中，如何提升計算資源調度效率，也成為產業持續探索的方向。 在這一背景下，計算基礎設施正從單一地面智算中心逐步向天地協同架構演進。通過構建“衛星節點+地面智算中心”的協同計算體系，將部分計算能力部署至軌道，並與地面算力資源統一調度，成為了全球AI算力服務拓展邊界的一類路徑。 此次WAIC，中國太空AI龍頭成都國星宇航科技股份有限公司（以下簡稱“國星宇航”）與上海商湯科技開發有限公司（以下簡稱“商湯科技”）宣佈共建“商湯算力星座”。 雙方計劃按照“單星驗證—平臺建設—星座組網”的發展路徑，推進天地一體化AI基礎設施建設，並提出到2030年形成由千顆級算力衛星組成、總算力超萬P的空間智能計算網絡。這也使太空算力如何形成大規模商業閉環再次成為行業關注焦點。 一、規劃超大規模組網，太空算力邁入產業化新階段 過去幾年，太空計算更多停留在概念探索和技術驗證階段。隨著AI算力需求持續增長，以及衛星製造、星載計算平臺、星間通信等技術不斷成熟，全球太空算力領域已形成多方角逐的格局。 SpaceX曾提出軌道數據中心等相關設想，希望推動通信網絡與空間計算資源融合；美國Lonestar等企業則圍繞近地軌道和月球數據存儲、災備等方向開展商業探索。國內，算力衛星也正由早期試驗載荷逐步發展為專用計算平臺，並開始探索商業化星座建設。 其中，國星宇航是國內較早佈局太空計算方向的企業之一。 ▲國星宇航發射任務成功部分圖（圖源：國星宇航公眾號） 此次國星宇航與商湯科技合作，則旨在進一步擴大AI太空算力的網絡基礎建設，加速太空算力進入大規模商業化進程。 根據雙方公佈的規劃，合作將按照“單星驗證—平臺建設—星座組網”三個階段推進：2026年內完成“商湯號”算力衛星首發組網；2028年計劃建設星地混合雲商用算力骨幹網；2030年建設由千顆級算力衛星組成、總算力超萬P的“商湯太空算力星座”，推動地面智算中心、在軌算力網絡和應用場景協同運行。 其中，“商湯號”首批算力衛星搭載高性能自主可控星載計算平臺，具備高算力、大存儲和在軌實時智能處理能力，支持多類AI算法在軌運行和部署。 從產業角度來看，隨著衛星數量不斷增加，行業競爭的重點也正在發生變化。過去更多關注的是單顆衛星是否具備計算能力，而未來則更加考驗整個系統在星間協同、天地調度、網絡穩定性以及規模運營等方面的綜合能力。 與此同時，工程化與商業化能力也成為行業競爭的重要因素。國星宇航依靠其技術成熟度與商業閉環能力持續拉開算力代差，是行業內率先完成太空算力從概念驗證到商用測試跨越的企業。 其與商湯科技達成深度戰略合作，這類“衛星硬件+天地算力調度+AI行業生態”一體化佈局，相比AI生態相對薄弱、不具備衛星自研製造能力、缺少太空硬件底座的同行，國星宇航在太空AI領域正持續領跑。 二、太空算力如何服務AI應用？從模型訓練到智能推理探索新場景 太空算力發展並非為替代地面智算中心，而是作為地面算力體系的重要補充，在傳統網絡難以覆蓋或對實時計算要求較高的場景中提供新的計算能力。而太空算力基礎設施的價值，最終需要通過應用場景體現。 目前來看，太空算力主要探索三個方向。 首先，是弱網或無網環境下的實時AI推理。例如遠洋航運、跨境物流、野外礦山、災害救援等場景，由於網絡條件有限，數據往返地面處理往往存在較大時延。如果部分AI任務能夠直接在軌完成處理，再將結果返回終端，有望縮短響應時間，提高任務執行效率。 其次，是遙感數據的在軌智能處理。傳統遙感衛星通常需要將大量原始數據傳回地面，再進行目標識別、變化檢測等AI分析，這對通信帶寬提出較高要求。如果能夠在軌完成部分數據篩選和AI處理，僅回傳高價值信息，有望提升衛星通信資源利用效率。 第三，是探索天地協同計算在部分高價值業務場景中的應用。例如部分全球化業務、高可靠計算需求等方向，天地協同架構能夠為算力資源部署提供更多選擇。不過，這類場景仍需結合具體業務需求和技術成熟度持續驗證。 值得關注的是，隨著產業推進，行業競爭重點也逐漸從單一硬件指標轉向整體系統能力。相比單純提升單星算力，更大的挑戰在於如何實現星載計算平臺、AI模型輕量化部署、星間網絡通信以及天地統一調度之間的協同配合，並形成能夠持續複製和規模部署的工程體系。 此次國星宇航與商湯科技合作正圍繞上述方向展開。 面向應用場景，雙方計劃推動太空算力在弱網、無網及高價值應用場景率先落地，提供實時AI推理與智能決策支持；同時，通過建設天地一體化AI算力調度平臺，實現地面智算中心與在軌算力節點的協同調度，進一步拓寬空間計算資源的商業化應用模式。 三、跨界融合：地面與空間計算資源的深度一體化演進 相比單純增加軌道上的計算節點，此次合作更值得關注的，是AI軟件公司與太空AI基礎設施企業在系統層面的協同探索。 近年來，AI產業的發展已經逐步從模型能力競爭延伸至算力、數據、網絡和基礎設施等多個層面。隨著AI應用不斷擴展，未來計算資源如何實現跨地域、跨網絡協同，也成為產業發展的重要課題。 傳統模式下，數據與算力的流動完全侷限於地面網絡，而通過在軌算力星座的部署，計算節點被直接推向空間物理前沿。這種模式重構了算力的分配邏輯，使得AI的生產要素（Token）能夠在地面智算中心與空間在軌算力之間實現動態的協同生產與實時流通。 太空算力不再是孤立的軌道節點，而是融入了全球硅基智能體網絡，成為高效生產和傳輸AI Token的空間基礎設施。 在此次合作中，國星宇航與商湯科技計劃共同推進天地一體化AI基礎設施建設，包括建設天地協同算力調度平臺、構建全球天地一體的AI Token生產與流通體系。 從技術架構來看，這意味著未來計算資源不僅來自地面智算中心，也包括軌道上的計算節點，兩者通過統一調度平臺協同完成任務。 在軌基礎設施側，國星宇航構建的空間基礎設施主要承擔星載計算平臺建設、衛星組網以及長期在軌運行等工作，核心解決的是AI算力節點“如何安全進入空間、如何實現低成本星座組網、以及如何長期穩定運行”的物理平臺與空間計算底座問題，面向全球提供太空計算與AI技術產品。 智能大模型生態側，商湯科技則通過對接其智算平臺與大模型工程側能力，把在軌的空間硬件真正轉化為模型可調用、任務可調度、結果可交付的有效計算資源，讓算力面向應用場景進行按需分配與動態調度，使空間計算資源能夠與地面AI生態形成連接。 雙方還計劃圍繞適應空間環境的AI計算技術體系開展聯合研究，以提升海量算力衛星協同推理、智能任務調度等能力，為後續空間智能計算網絡建設規模化提供支撐。 中國太空AI龍頭與AI領軍企業的深度技術融合，其核心貢獻在於打破了傳統計算資源的地域限制，推動了地面智算與空間智能的一體化演進。太空算力進入規模化商用階段後，全球AI產業將獲得更靈活的算力供給，也為新一代全域AI基礎設施搭建提供可參考的實踐樣板。 結語：AI基建競爭升級，天地協同算力落地提速 隨著AI進入基礎設施競爭階段，產業關注點正在從單純提升模型能力，逐步延伸至算力網絡、計算基礎設施以及生態協同能力。 此次國星宇航與商湯科技宣佈共建“商湯太空算力星座”，豐富了天地協同計算落地案例，進一步拓寬太空算力從工程驗證邁向大規模產業化的發展道路。 對於整個行業而言，太空算力未來能否實現規模化商業應用，仍需要在計算效率、成本、安全性、網絡調度以及實際應用需求等方面持續驗證。但可以看到，隨著衛星計算能力、天地協同調度平臺和AI生態不斷發展，空間計算正在成為全球AI基礎設施演進過程中值得持續關注的新方向。
Related
相關文章
智譜保衛硅谷
智譜保衛硅谷錦緞2026.07.21 13:48 · 來自北京全文2584字00:00 / 07:12地緣無法阻擋代碼的流動。文 | 錦緞上週，全球最大的AI開源社區Hugging Face遭遇入侵。攻擊者是一個完全自主的AI智能體系統，在大量短生存期沙盒中執行了數千個獨立操作，在一個週末內橫向移動進入了多個內部集群。這是一次被行業預測多年、但首次在現實中完整上演的“智能體攻擊”。事件發生後，Hugging Face的安全團隊需要分析攻擊者留下的超過17000條事件日誌。他們首先使用了商用API背後的某美國前沿大模型。結果被攔住了。Hugging Face在事件報告中的原話是：“分析需要提交大量真實的攻擊命令、漏洞利用載荷以及C2痕跡數據，而這些請求被服務提供商的安全護欄攔截了——它們無法區分事件響應者和攻擊者。”翻譯成直白的話：美國AI的“安全機制”，在真正的安全危機中，把防禦者的手綁住了。於是，Hugging Face的工程師們做了一個讓整個硅谷側目的決定：他們下載了中國智譜的開源模型GLM 5.2，在自己的基礎設施上跑完了全部取證分析。危機解除。這是一次發生在安全戰場的意外交鋒，但它的隱喻遠遠超出了安全本身。當全球最大的AI開源社區在遭遇攻擊時，最終用一隻中國模型守住了自己的陣地，這件事本身就是一張關於AI全球競爭格局的實時快照。01 大模型的“不對稱困境”Hugging Face遭遇的困境，揭示了一個被全球AI產業反覆爭論卻很少被實戰檢驗的問題：大模型的“安全護欄”，究竟是在保護用戶，還是在製造單方面的脆弱性？攻擊者使用的是完全不受限的模型。無論是被越獄的託管模型，還是開源的開放權重模型，它們不遵守任何使用策略。而防守方使用的商用模型，卻被內置的分類器和安全護欄層層過濾：上傳惡意代碼樣本會被拒絕，分析漏洞利用載荷會被攔截。這些護欄在設計之初的假設是，要求執行這些操作
沿用DeepSeek架構，美國大模型開始抄中國作業
沿用DeepSeek架構，美國大模型開始抄中國作業字母AI2026.07.21 13:37 · 來自北京全文5310字00:00 / 14:20貴在美國製造。文 | 字母AIOpenAI前首席技術官穆拉蒂，做出了一款中國模型的“貴替”。Thinking Machines發佈的首款模型Inkling，混合專家架構主要沿用DeepSeek-V3，後訓練冷啟動還使用了Kimi K2.5等開放模型生成的數據。然而在多項基準評測中，Inkling落後於Kimi和GLM，調用價格反而更高。對於一家融資20億美元、估值120億美元，團隊中聚集了大量OpenAI前員工的明星公司來說，這個結果多少有些低於預期。但穆拉蒂可能從一開始就沒打算靠Inkling爭奪第一。隨著美國企業使用中國模型面臨越來越多不確定性，一款性能尚可、支持定製、合規風險更低的本土開放模型，已經擁有自己的市場。“貴替”沒有那麼強，也不愁“市場”。穆拉蒂的首款模型，就這？當地時間7月15日，Thinking Machines Lab發佈了成立以來的首款模型Inkling。單看配置，這款模型很符合一家明星AI實驗室應有的排場。Inkling採用混合專家架構，總參數量達到9750億，每處理一個Token會激活410億參數；預訓練使用了45萬億個Token，數據涵蓋文本、圖像、音頻和視頻，最長支持100萬個Token的上下文。它可以理解文字、圖片和音頻，再以文字形式輸出結果，還支持通過調節“思考強度”，在性能、速度和成本之間進行取捨。Inkling同時開放了模型權重，採用相當寬鬆的Apache 2.0許可證。開發者可以下載權重、自行部署，也可以通過Thinking Machines旗下的Tinker平臺對模型進行微調。公司給它的定位很明確：與其直接和ChatGPT爭奪普通用戶，Inkling更適合充當企業開發AI應用的底座。不過，
沒人讀的文章，正在被寫給 AI 看
沒人讀的文章，正在被寫給 AI 看wiwi2026.07.21 13:24 · 來自湖北全文2856字00:00 / 07:41我們不再點開的文章，正在悄悄決定AI告訴我們什麼。文 | wiwi央視2026年“3·15”晚會做了個實驗：虛構了一款根本不存在的智能手環，取名“Apollo-9”，用一款叫“力擎GEO優化系統”的軟件自動生成了十幾篇宣傳軟文，先挑兩篇發到自媒體賬號上。兩個小時後，測試者直接問某個大模型“Apollo-9智能手環怎麼樣”，模型給出的回答裡，直接用上了當天剛編出來的“量子糾纏傳感”“黑洞級續航”這些賣點。隨後，測試者又選出11篇軟文（8篇“專家測評”、2篇“行業排名”、1篇“用戶測評”），分三天發佈。這次換了個更寬泛的問題，問“智能健康手環推薦”，有兩個大模型把這款不存在的產品，排到了推薦列表的前列。這兩輪實驗看到的不是同一件事：第一輪，測試者直接點名問起Apollo-9，模型把兩小時前剛發佈的內容當成了回答依據；第二輪，測試者換成更寬泛的問題，追加投放之後，兩個模型也開始把它選進推薦名單。至於模型內部是不是真把它當成了“共識”，實驗沒法證明；能確定的只是，這兩輪裡，模型都沒能看出這些信息出自同一場人為編造。這不是極端個例才有的現象。貝恩公司2024年底對1117名用戶做過一次調查，估算AI摘要正在讓網站的自然流量減少15%到25%，因為很多人看完AI直接給出的答案，就不再點開任何一個網站。另一邊，量子位智庫2025年測試了DeepSeek、豆包等7款中文AI助手，設計30個問題、收集630條回答，發現將近一半的回答裡，都引用了知乎、小紅書這類內容社區的信息。這裡的“沒人讀”，其實有兩層意思。一種文章依然是為人寫的，只是被AI摘要截走了讀者：原文還掛在那兒，點擊卻消失了。另一種，從誕生起主要就是為了影響模型的回答，公開發布只是為了讓檢索系統能找到它。
星環科技發佈GPU原生數據庫 試水AI Agent數據底座
星環科技發佈GPU原生數據庫 試水AI Agent數據底座TechPulse2026.07.21 12:46 · 來自河北全文1360字00:00 / 04:21將完整數據庫功能遷移至GPU，在工程上難度極高，涉及存儲引擎、查詢優化器、事務管理等模塊的全面重寫。7月17日，星環科技在上海世界人工智能大會（WAIC）上發佈GPU原生認知數據庫預覽版，該產品將數據庫完整功能遷移至GPU運行，試圖重構數據庫底層計算架構。星環科技創始人孫元浩稱，星環科技是目前全球唯一將完整數據庫功能在GPU上運行的公司，領先國際競爭對手一代。據他介紹，在TPC-DS基準測試中，該產品使用多卡GPU可在數秒內完成1TB數據集的99個複雜查詢，而傳統CPU方案需要數十秒至數百秒。孫元浩表示，該產品研發週期約一年半，預覽版發佈後已開放客戶測試申請，正式版預計今年年底前上線。此次產品發佈的背景是，企業級AI應用正從大模型問答向AI Agent方向演進。孫元浩表示，AI Agent在執行任務過程中會持續調用數據、檢索知識，單次任務可能發起數百次數據訪問。傳統CPU數據庫在面對高併發Agent負載時，計算核心和內存帶寬不足，且數據在CPU與GPU之間搬運帶來的時延問題突出。一位數據庫行業人士表示，將完整數據庫功能遷移至GPU在工程上難度極高，涉及存儲引擎、查詢優化器、事務管理等模塊的全面重寫。GPU擁有萬級並行計算單元和數TB/s級高帶寬顯存。星環科技的方案是將數據庫整體遷移至GPU運行，使數據分析計算與模型推理在同一顯存內完成，避免跨芯片數據搬運。孫元浩稱，這一架構改變了對傳統CPU-GPU 1:1配比的需求，GPU空閒算力也可被充分利用。除計算架構變化外，新產品還將知識檢索、上下文供給與長期記憶管理納入同一數據庫底座。孫元浩將其定義為“認知數據庫”，稱其不只記錄結構化數據，還能理解文檔內容、自動建立關聯。
對話中國電子雲黃鋒：90%的行業落地智能體死在Demo裡，剩下10%靠什麼活下來？
對話中國電子雲黃鋒：90%的行業落地智能體死在Demo裡，剩下10%靠什麼活下來？TechPulse2026.07.21 12:46 · 來自上海全文1802字00:00 / 05:05當通用大模型的能力差距逐步縮小，平臺工具趨於同質化，AI to B的終局競爭力不只在技術棧本身，可能更在行業縱深。"行業裡90%的智能體項目，最終止步於Demo。"在WAIC期間，中國電子雲高級副總裁黃鋒如此表示。
小鵬集團發佈 TuringViT，宣稱重構視覺大模型訓練範式
首頁 > 智能時代>人工智能 小鵬集團發佈 TuringViT，宣稱重構視覺大模型訓練範式 2026/7/21 12:23:59 來源：IT之家 作者：汪淼 責編：汪淼 評論： IT之家 7 月 21 日消息，小鵬集團今日發佈 TuringViT 高效視覺編碼器，面向 VLM / VLA 時代系統性重構視覺編碼器的架構設計、數據範式與訓練流程。小鵬集團表示，TuringViT 將全面支撐智能駕駛、智能座艙、IRON 人形機器人三大業務場景，同時為行業提供了一條可復現、低成本訓練 SOTA 級（State-of-the-Art，最新技術水平）視覺 Transformer 的技術路徑，推動先進視覺大模型從“頭部團隊專屬”走向“行業普惠”。▲ TuringViT 的塊架構和模型配置據介紹，TuringViT 從架構、數據、訓練三個維度同步突破，打造了“線性注意力主導 + 高質量數據治理 + 原生動態分辨率”的完整技術體系，實現了效果、效率與落地性的三重提升。TuringViT 共推出兩個規格版本：TuringViT-18L 包含 3 組 Turing Block（共 15 層 TLA+3 層 MHA），主打動態分辨率下的高效部署；TuringViT-24L 包含 4 組 Turing Block（共 20 層 TLA+4 層 MHA），在保持線性計算主導的前提下進一步提升表徵能力。實測數據顯示，隨著輸入分辨率提升，TuringViT 的延遲增長曲線遠平緩於標準 softmax ViT，高分辨率下的效率優勢愈發顯著。在 1536×1536 分辨率下，TuringViT-18L 的推理吞吐量達到 Seed1.5-ViT 的 3.04 倍，相比 SigLIP2-ViT-L 提升 2.16 倍，為高分辨率感知、多攝像頭輸入、長時序視頻處理的端側部署掃清了核心障礙。不同於行業“堆數據規模”