英伟达首席执行官黄仁勋在周一的GTC大会上宣布:"我们要进军太空。"
不过他随后补充说明,"我们其实已经在太空中了。"该公司的芯片已经在地球轨道上的卫星中运行。新的变化是英伟达正从单独的卫星芯片部署转向更大规模的计划。"我们还将在太空中建设数据中心,"他说。
为此准备,英伟达正在开发其旗舰芯片平台Vera Rubin的新版本,黄仁勋表示。"它将进入太空,在太空中启动数据中心。"
据英伟达边缘AI产品营销负责人陈苏介绍,Space-1 Vera Rubin模块将于2027年推出。该公司还宣布了一款今天就可获得的新芯片——英伟达IGX Thor,它提供的计算能力是之前太空AI计算黄金标准的八倍。IGX Thor基于Blackwell架构。
目前,卫星公司通常使用英伟达Jetson Orin,这是一款最初为机器人和其他边缘AI应用开发的AI计算机。"我可以说它是人们在太空中使用最多的GPU,"陈苏告诉Network World。"它是我们的嵌入式AI超级计算机。"
太空数据中心竞赛参与者分析
Jetson Orin于2022年发布,基于较旧的Ampere GPU架构。客户正在使用它在轨道上运行图像处理工作负载,而不是将原始数据发送到地面进行处理,陈苏说。换句话说,他们可以从"数据即服务"提供商升级为"智能即服务"。
例如,卫星可以传输某座特定桥梁损坏或某条道路出现问题等可操作的即时商业价值信息,而不是发送原始图像数据(可能需要几小时甚至几天时间)。
"AI还可以帮助卫星更自信地导航低地球轨道,避开其他卫星,并更加自主地运行,"陈苏说。
它还可以用于其他重型工作负载。例如,Kepler Communications在其卫星通信网络中使用Jetson Orin。这帮助该公司让其卫星变得更智能,首席执行官米娜·米特里在声明中说,"让我们能够智能管理和路由整个星座的数据。"
陈苏说,Jetson Orin已经为太空带来了数据中心级别的计算能力,而有了新芯片,下一代卫星将拥有更多实时能力。
根据Gartner分析师比尔·雷的观点,轨道数据中心是浪费时间和金钱的。"开发轨道数据中心的热潮已经达到了疯狂的顶峰,"他在最近的报告中写道。"尽管围绕它们有很多炒作,但这些太空数据中心在未来几十年内都无法兑现对地面数据进行有用分析以服务地面应用的承诺,甚至可能永远无法做到。"
但陈苏指出,今天的用例并不在那里。"这是边缘计算工作负载,"他说。"这是用于灾难恢复和天气预报的多维数据AI推理。"
例如,Kepler Communications周一宣布将提供可扩展的太空云处理服务,从之前提供的连接服务扩展开来。该公司拥有由40个Jetson Orin模块驱动的十颗卫星星座,全部通过光学链路连接,每个都能够支持AI工作负载。这包括分布式计算模型,允许工作负载在整个星座中动态扩展。
其他同样使用英伟达芯片为太空AI计算提供动力的公司包括Sophia Space(最近为其太空计算系统和专有冷却技术完成了1000万美元种子轮融资)和Starcloud(去年11月将英伟达H100 GPU发射到太空)。Starcloud计划在2027年将GPU集群发射到轨道。
"太空在未来将拥有巨大潜力,"陈苏说。
Q&A
Q1:英伟达的太空数据中心计划包括哪些具体产品?
A:英伟达计划推出Space-1 Vera Rubin模块(2027年推出)和IGX Thor芯片(目前可用)。IGX Thor基于Blackwell架构,计算能力是之前太空AI计算标准的八倍。目前主要使用Jetson Orin芯片在卫星中运行。
Q2:太空AI计算与地面数据处理相比有什么优势?
A:太空AI计算可以在轨道上直接处理数据,而不需要将原始数据发送到地面,这样可以节省几小时甚至几天的传输时间。卫星可以直接传输处理后的信息,比如桥梁损坏或道路问题等具有即时商业价值的可操作信息。
Q3:目前有哪些公司在使用英伟达芯片进行太空计算?
A:Kepler Communications使用Jetson Orin在其卫星通信网络中智能管理数据路由,Sophia Space开发太空计算系统并获得1000万美元融资,Starcloud已将H100 GPU发射到太空并计划2027年发射GPU集群。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。