时空AI正在成为城市治理和产业决策的核心引擎。但一个关键问题被忽视了：当AI模型越来越聪明，为它们提供“粮食”的卫星，跟得上吗？

一个正在加速的趋势。

全球范围内，时空AI正从实验室走向基础设施化。政企决策越来越依赖时空数据驱动的感知—诊断—决策闭环。物理世界的数据被系统性地打上“时空标签”，转化为可计算、可预测的数字资产。

这背后，是海量卫星数据的支撑。但传统卫星的工作模式，正在成为这个链条上最紧绷的一环。

当AI准备好了，卫星呢？

时空AI在爆发什么？

先理解什么是时空AI。

简单说，就是给现实世界的数据加上“时间+空间”两个坐标，让机器不仅能识别“这里有什么”，还能理解“这里正在发生什么变化、未来可能发生什么”。

它的三大核心能力：

全域感知：融合卫星遥感、无人机、地面传感器等多源数据，形成对物理世界的实时数字映像

深度解析：用AI模型识别地物变化、交通态势、环境风险，从海量数据中提取可用洞察

模拟推演：基于历史规律和实时数据，预测未来趋势，辅助科学决策

这三层能力正在从“技术概念”走向“产业底座”。在全球范围内，一批先行者已经将时空AI推入商用深水区：

案例一：Planet Labs——每日扫描地球的“数据工厂”

美国Planet Labs运营着全球最大的对地观测卫星星座，超过200颗在轨卫星实现每日全球覆盖。但Planet的价值不仅在于卫星数量，更在于其时空AI能力——通过AI模型对每日回传的全球影像进行自动分析，用户可以跟踪农田长势变化、监测森林砍伐进度、评估基础设施施工进展。2024年，Planet推出了基于大语言模型的自然语言查询功能，用户可以直接用文字提问“显示过去三个月巴西马托格罗索州新增的农业开垦区域”，系统自动检索时空数据并生成分析结果。

案例二：Descartes Labs——从太空预测粮食产量

美国Descartes Labs是最早将深度学习应用于卫星遥感的企业之一。其核心能力是将多源卫星数据（光学、雷达、气象）融合为统一的时空数据模型，再用AI进行农作物识别、长势评估和产量预测。早在2015年，Descartes Labs就利用卫星数据和机器学习，在美国农业部官方报告发布前成功预测了当年玉米产量，准确率与官方统计高度吻合。目前其技术已被广泛应用于大宗商品交易、农业保险和供应链风险管理。

案例三：Orbital Insight——卫星影像里的商业情报

美国Orbital Insight专注于将卫星影像转化为商业决策信号。其AI平台可以自动识别全球数千个零售停车场中的车辆数量变化，以此预测上市公司的季度营收趋势；也可以通过监测全球主要港口的集装箱堆积情况，判断供应链的紧张程度。2023年，Orbital Insight发布了基于大语言模型的时空数据问答能力，用户可以用自然语言查询“上海港过去一个月的集装箱活动趋势”，系统自动调用卫星影像进行AI分析并生成答案。

案例四：SatVu——热红外视角下的城市能源审计

英国SatVu部署了高分辨率热红外卫星，其时空AI平台可以识别单个建筑的能源泄漏热点、监测工业设施的夜间排放活动。伦敦金融城曾利用SatVu的热红外数据进行区域能源审计，识别出数十栋能源效率不达标的建筑，为节能改造提供了精确依据。2024年，SatVu完成第二轮融资，估值超过2亿英镑，标志着“热红外+时空AI”这条细分赛道获得了资本市场认可。

共同信号：这些案例指向同一个趋势——卫星数据的价值，正在从“影像本身”转移到“影像能回答什么问题”。而回答问题的能力，来自时空AI。但这背后，对天基数据的实时性和处理能力提出了更高要求。

瓶颈不在AI，在天基供给

时空AI的“智能层”已经准备好了。但“数据层”的智能化，还没有跟上。

传统卫星的工作模式是：拍摄→ 存储 → 过境时下传 → 地面站接收 → 数据中心处理 → 分发到用户。这个链条有两个致命问题：

第一，带宽瓶颈。

一颗高分辨率遥感卫星，单次拍摄产生的数据量可达数十GB。但星地数传带宽有限，卫星每天只有几次过境窗口可以下传数据。大量原始数据积压在星上，无法实时转化为可用信息。Planet Labs之所以需要200多颗卫星，部分原因正是单颗卫星的数据回传能力受限——用数量换覆盖。

第二，时效滞后。

从卫星拍摄到地面处理完成，短则数十分钟，长则数小时甚至数天。对于灾害应急、目标跟踪、态势感知等场景，这个延迟是致命的。当Orbital Insight的客户需要了解“此刻”的供应链状态，当Descartes Labs的客户需要“本周”的作物长势评估，传统的数据流转链条显然太长。

第三，算力错配。

地面数据中心拥有近乎无限的AI算力——GPU集群、大模型推理，都不是问题。但卫星上呢？传统星载计算机的算力极其有限，根本无法运行复杂的AI模型。这造成了一个矛盾的局面：地面的AI算力富余，但数据传不下来；天上的数据充足，但没有算力处理。

一句话总结：时空AI的“大脑”越来越聪明，但“眼睛”和“神经”还是旧的。卫星需要学会自己“思考”。

星上智能：让卫星从“传感器”变成“算力节点”

解题思路很明确：把AI处理能力从地面搬到天上。

这不是一个全新的概念，但近年来三个条件的同时成熟，让星上智能从设想变成了可规模化的工程实践：

条件一：星载算力芯片的成熟。

NVIDIA Jetson系列、国产平台等芯片方案，已经在功耗、算力、可靠性三个维度上达到了星载应用的门槛。最高275 TOPS的AI算力足以运行目标检测、语义分割、变化识别等模型——这些正是时空AI最常用的能力。

条件二：软件框架的统一

过去，每颗卫星的软件都是定制开发，一套代码只适用于一颗星。现在，标准化的软件框架让模型可以在不同硬件平台间无缝迁移，开发成本断崖式下降。这意味着卫星的软件能力不再是一次性的——它可以像手机一样，通过OTA持续升级。

条件三：应用需求的倒逼

Planet、Descartes Labs、Orbital Insight等先驱已经证明了时空AI的商业价值。它们对卫星数据的要求从“看得清”升级为“处理得快”——应急减灾需要分钟级的火点检测，供应链监控需要近实时的异常识别，农作物评估需要周级别的更新频率。这些场景的共同要求是：卫星必须能在天上直接给出答案，而不是只传回原始数据等地面分析。

当这三个条件同时满足，卫星的角色就发生了根本变化——它不再只是数据采集器，而是整个时空AI链条上的分布式算力节点。

做“让算法放心跑”的硬件底座

作为软件定义卫星技术路线的实践者，劢亚科技在这个趋势中的定位很清晰：不做时空AI模型，不做数据产品，而是专注于提供让这些算法能够在天上稳定运行的算力平台。

星脑系列，就是这样一套面向智能载荷的星载计算与数据处理平台。

它的核心能力可以概括为三点：

第一，标准化。

全系列统一接口定义、统一软件框架。对星脑系列来说，无论是100 TOPS还是275 TOPS的算力版本，上层软件不需要重写。这意味着用户的AI模型可以一次开发、多星部署，适配成本降到最低。

第二，星上闭环。

AI推理可以在星上直接完成——目标检测、变化识别、数据筛选——只把“有用的结果”传回地面，而不是传回整幅原始图像。这在卫星带宽受限的条件下，是释放时空AI应用价值的关键突破。

第三，在轨可重构。

软件可以远程升级，任务可以在轨重设。卫星不再是一个上天就定型的产品，而是一个可以持续进化的平台。这对时空AI应用意味着：算法迭代不需要等下一颗卫星发射。

我们的角色类比：

星脑不是“操作系统”，而是硬件抽象层——让算法开发者不用关心底层芯片型号、接口定义和航天工程细节。

打个比方：不是Android，更像是“卫星的联发科turnkey方案”——让做时空AI的人，不需要从零造一颗卫星。

太空计算的下一个十年

Planet Labs在运营200多颗卫星，Descartes Labs在预测全球粮食产量，Orbital Insight在从停车场数据中解读商业趋势。这些先行者证明了一件事：卫星数据的价值不在于“拍到了什么”，而在于“能回答什么问题”。

而回答问题的速度，取决于数据处理离数据源有多近。

当物理世界的数字化进程加速，时空AI对天基数据实时处理的需求只会越来越大。星上智能，不是“锦上添花”，而是“必由之路”。

对劢亚科技而言，我们要做的就是一件事：把硬件底座做扎实，让星上智能的算法跑得稳、跑得快、跑得久。

如需了解星上智能处理平台如何支撑时空AI应用，欢迎后台留言探讨合作。