AI 進入太空軌道，正在改寫衛星運作邏輯
當人們談到 AI 與太空，過去多半想到地面控制中心分析資料、再把指令回傳到衛星；但如今，AI 進入太空軌道已不再只是概念，而是逐步成形的產業方向。從中國發射具備在軌 AI 運算能力的衛星星座，到美國研究團隊成功用自主 AI 調整衛星姿態，這些進展都指向同一件事：衛星不只要「會拍、會傳」，還要「會思考、會協作」。
這波變化的核心，不是單一技術突破，而是太空任務的複雜度正在上升。衛星數量變多、任務更即時，傳統把資料全部送回地球再處理的模式，開始面臨延遲、頻寬與地面基礎設施依賴等限制。AI 進入太空軌道，正是為了把一部分判斷留在軌道上完成，讓系統反應更快，也更獨立。
在軌運算與星座協作，讓太空基礎設施開始變聰明
中國推出的 AI 衛星星座，是這場轉變最具代表性的案例之一。相關報導指出，首批 12 顆衛星已成功進入指定軌道，每顆都搭載 AI 處理器、雷射星間通訊系統與分散式運算能力，未來將擴展成 2,800 顆衛星的星座。這種架構的重點，在於讓衛星在太空中就能即時處理資料，而不是把所有原始數據都丟回地面資料中心。
這也呼應了太空 AI 研究中的一個重要觀點：在軌協作不是單純把模型搬上天，而是要把整個星座視為一個分散式計算網路。衛星彼此分享觀測、交換中間結果、共同完成推論，才能在面對瞬時事件、碰撞風險或快速變化的環境時，獲得更快、更可靠的態勢理解。只是這樣的協作並不輕鬆，因為星間通訊會受軌道運動、鏈路切換與連線間歇影響，通訊本身就是演算法約束，而不只是背景條件。
通訊、延遲與不穩定連結，成為太空 AI 的真正門檻
一篇關於 On-Orbit Space AI 的研究指出，星座層級的感知與推論，和地面分散式 AI 最大的差別，在於通訊不能被視為透明的基礎服務。當衛星之間的頻寬有限、連線不連續，甚至資訊在被使用前就已經變舊，AI 的表現往往不是被模型準確率限制，而是被「何時能交換、能交換多少、資訊有多即時」所限制。
這也解釋了為什麼聯邦學習、多代理協調與協作式感知，到了太空場景會更複雜。它們不只是訓練或決策方法，而是需要在嚴格時限下運作的系統工程。尤其在需要即時反應的任務中，像是碰撞預警或事件偵測，延遲都可能直接影響任務成敗。換句話說，太空 AI 的競爭點，已經從「誰的模型更大」轉向「誰能在受限通訊下做出更可靠的分散式判斷」。
從算力、供電到散熱，太空資料中心瞄準地面痛點
如果說衛星自治解決的是「任務如何更聰明」，那麼在軌資料中心要處理的，則是「算力如何更便宜、更穩定」。Orbital 的太空 AI 基礎設施構想主打把資料中心搬到低地球軌道，靠太陽能全天候供電，並將熱量直接輻射到太空中散去。這個想法瞄準的是地面資料中心最昂貴的兩個瓶頸：電力與冷卻。
公司對外提到，低地球軌道的太陽輻照可持續提供能量，沒有夜晚、天氣、電網依賴，也沒有水冷與空調的負擔；他們的首個測試任務 Orbital-1，預計由 SpaceX Falcon 9 於 2027 年 4 月發射。這類想像之所以受到關注，不只是因為它新奇，而是因為 AI 推論工作負載對延遲的容忍度，往往比想像中更高。報導提到，在 550 公里高度下，光速往返延遲不到 4 毫秒，對聊天機器人、程式生成等推論場景來說，使用者感受幾乎不會受影響。
自主控制衛星姿態，象徵太空 AI 從輔助走向自治
如果在軌運算代表「算得更快」，那麼衛星姿態的自主控制則代表「做得更獨立」。研究人員首次以自主 AI 控制衛星姿態的消息，顯示機器學習已不只停留在分析資料或輔助決策，而是開始直接介入衛星的飛行控制。這項名為 LeLaR 的計畫，透過深度強化學習訓練飛控軟體，讓衛星學會何時調整自身方向，而不是由工程師逐條寫死規則。
從實作角度來看，這意味著衛星可以更有效地控制儀器指向、管理太陽輻射帶來的熱效應，並在需要時完成重新定位。JMU 團隊先在高擬真模擬器中訓練模型，再將其上傳到目前位於低地球軌道的 InnoCube 微型衛星。與此同時，NASA JPL 的動態目標追蹤、U.S. Naval Research Laboratory 的 Autosat、以及加州大學 Davis 分校與 Proteus Space 的自主健康監測計畫，都顯示衛星自治正從單一實驗走向多種任務場景。
更長遠來看，AI 進入太空軌道的真正意義，不只是把地面能力複製到天上，而是重新定義「太空基礎設施」本身：它必須能感知、推論、協作、自治，甚至在資源極度受限的環境中持續運作。正如不同報導共同指向的趨勢，未來太空產業的競爭，將不只是火箭、衛星或頻段之爭，而是誰能把 AI 做成一套可靠的軌道系統。當算力、通訊與控制逐步上升到同一個層級，太空不再只是發射目的地，而會成為下一代智慧運算的前線。
