英特尔日前透露了其参与DARPA(美国国防部高级研究计划局)打造“卫星互联网”项目的更多信息,芯片制造商英特尔将帮助开发光学通信子系统,用于实现卫星之间的链接。

天基自适应通信节点(Space-BACN)项目可能听起来像一个瓜分肥肉的拨款项目,但Space-BACN其实是一项严肃的工作,Space-BACN旨在创建能够在不同卫星网络之间转换信息的轨道节点,目的是使得各种卫星群之间能够相互沟通。
DARPA最近宣布正在与英特尔、SpaceX和其他专业公司帮助DARPA开展合作,实现在军事政府和商业民用卫星群之间实现无缝通信的愿景。
DARPA选中了英特尔参与该计划的第一阶段,该计划大致包括三个技术领域。英特尔参与的是技术领域2(TA2),参与TA2的还有亚利桑那州立大学和II-VI航空航天和国防公司,三者涵盖了可重新配置光调制解调器的设计工作。可重新配置光调制解调器的目的是能够支持当前和新的通信标准和协议,以提供卫星群之间所需的互操作性水平。
芯片制造商英特尔表示,光调制解调器的设计将包括三个基于英特尔Agilex FPGA技术的芯片。这些芯片利用嵌入式多芯片互连桥(EMIB)和高级接口总线(AIB)封装技术将光调制解调器集成到一个多芯片封装(MCP)中,做法类似于英特尔打算交付的Meteor Lake PC芯片的方式。
在这三种芯片中,主要芯片似乎是数字信号处理器前向纠错(DSP FEC)芯片,用于低功耗、高速信号处理。DSP FEC芯片将采用英特尔3工艺节点制造,英特尔之前曾表示打算在2023年某个时候开始生产英特尔3工艺节点。
其他芯片名为数据转换器/跨阻放大器/驱动器,这些芯片采用英特尔16工艺节点生产,也将于2023年进入批量生产。另外,光子集成电路(PIC)则是基于Tower Semiconductor技术。Tower Semiconductor是一家以色列的芯片公司,英特尔目前正在收购Tower Semiconductor。该公司表示,光子集成电路将提供低损耗波导,可以实现大批量光纤耦合集成和组装的自动化。
Space-BACN的技术领域1(TA1)则专注于开发光孔径或 “头”,光孔径负责指向性采集和跟踪。光孔径将利用单模光纤连接到TA2的光调制解调器。
TA1方面的工作将由IT服务公司CACI、卫星光子学专家MBRYONICS和激光通信设备供应商Mynaric承担。
技术领域3(TA3)包括支持跨卫星群光学链路通信所需的关键指挥和控制元素。DARPA选了SpaceX、Telesat、SpaceLink、Viasat和Kuiper政府解决方案(亚马逊的子公司)进行这项工作并开发Space-BACN和其他合作伙伴微信群之间接口所需的模式。
英特尔表示已经开始进入该计划的第一阶段,第一阶段将设计每个小芯片并与其他各方合作定义其他TA之间的接口。这一阶段预计将持续14个月,然后进行初步设计审查。
英特尔表示,在此之后,从TA1和TA2中选出的各方将开始为期18个月的第二阶段,第二阶段开发光终端组件的工程设计单元。参与TA3的公司将“继续发展该方案,使得方案能够在更具挑战性和动态情况下运作”。
据英特尔称,Space-BACN的定位是实现卫星群之间的通信,做到在地球的任何地方都可以发送数据。
英特尔高级首席工程师和可编程解决方案首席研究员Sergey Shumarayev表示,“这项计划帮助我们实现该愿景,可以实现从太空到地球任何地方的全球连接及实现了宽带服务和物联网,物联网不仅可以将每个人而且可以将所有东西都连接起来。”
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。