贝佐斯旗下太空公司蓝色起源已申请发射多达51,600颗数据中心卫星。
该公司周四向美国联邦通信委员会提交的申请文件中声称,由于"对AI工作负载的无限需求",轨道服务器代表着"通过引入独立于地球约束条件的新计算层级来补充地面基础设施"的解决方案。
蓝色起源还认为,太空数据中心将"使开发和使用AI的美国公司蓬勃发展,加速机器学习、自主系统和预测分析方面的突破,以支持广泛的社会效益"。
但该公司表示,在地球上建设所需的所有AI基础设施将面临困难。
该公司声称:"太空数据中心可以帮助打破这一瓶颈。太阳能卫星的内置效率、全天候太阳能、无土地或迁移成本,以及不存在电网基础设施差异,从根本上降低了计算容量的边际成本,相比地面替代方案更具优势。"
这些说法备受争议,批评者认为轨道数据中心技术尚不存在,可能不可靠且不实用。
尽管如此,蓝色起源仍希望建造轨道数据中心,并表示其计划的"日出项目"将发射"多达51,600颗卫星,运行在距离地面500-1,800公里的太阳同步轨道上,倾斜角度在97度到104度之间,每个轨道平面包含大约300-1,000颗卫星"。
该公司表示将使用光学链路连接卫星,并依靠其另一个计划项目——TeraWave太空宽带服务来连接地面。
蓝色起源尚未发射过一颗TeraWave卫星,其计划用于数据中心卫星发射的New Glen火箭也只飞行过两次。申请文件显示,该公司计划在2027年底前发射首批计划中的5,000多颗TeraWave轨道器。
申请文件的大部分内容涉及日出项目将使用的频谱,以及其计划不会给其他利益相关者带来不便。
但文件也指出,蓝色起源尚未向在这些事务上也有发言权的国际电信联盟提交相关文件。
因此,日出项目可能还需要很长时间才能实现。值得一提的是,澳大利亚航空公司澳洲航空也在使用同样的名称来命名其从悉尼和墨尔本直飞纽约和伦敦的计划,这些航程将需要约20小时。
Q&A
Q1:蓝色起源的日出项目具体要做什么?
A:日出项目计划发射多达51,600颗数据中心卫星,运行在距离地面500-1,800公里的太阳同步轨道上。这些卫星将构建太空数据中心,用于处理AI工作负载,通过光学链路相互连接,并依靠TeraWave太空宽带服务连接地面。
Q2:为什么蓝色起源要在太空建设数据中心?
A:蓝色起源认为地球上建设AI基础设施面临瓶颈,而太空数据中心具有内置效率优势,包括全天候太阳能供电、无土地成本、无电网基础设施差异等,能从根本上降低计算容量的边际成本。
Q3:太空数据中心项目面临哪些挑战?
A:主要挑战包括:轨道数据中心技术尚不存在且可能不可靠;蓝色起源尚未发射过TeraWave卫星;New Glen火箭只飞行过两次;还未向国际电信联盟提交相关文件。因此项目实现还需要很长时间。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。