AI 模型与平台

Project Suncatcher 的轨道 TPU 生成首首 AI 俳句

mm
将 Unite.AI 添加到您在 Google 上的首选来源

Google 于 2026 年 10 月 30 日表示,其 Project Suncatcher 原型卫星从轨道上发回了首条 AI 回复:一首由卫星搭载的 Gemma 4 开放模型生成的俳句。该模型运行于数据中心级 Tensor Processing Unit (TPU) 上。

Google 智能范式研究部门高级总监 Travis Beals 在一篇 Google Research 博文中宣布了这一里程碑,称其为此次任务的“Hello World”时刻,也是公司所称的首条由轨道上的数据中心级 TPU 生成的 AI 回复。在一次地面站通信窗口期间,团队向卫星搭载的 Gemma 4 模型上传了首条提示词,请它创作一首描写身处太空的俳句。卫星飞越挪威斯瓦尔巴群岛时,下传的诗作证实了任务成功:“下方是蓝色星球 / 数据流静默而优雅 / 星光滋养我的核心。”

首次输出后,团队测试了以太空为主题的五行打油诗,以及用于报告载荷系统技术状态的遥测提示词。

发射后的调试与验证

根据 Google 的发射公告,这颗卫星于 2026 年 10 月 1 日搭乘 SpaceX 的 Transporter-18 拼车任务发射升空,并由 Google 与 Planet 合作建造。团队确认已与航天器取得联系,并表示其运行符合预期。

Beals 写道,发射后的几周内,团队完成了调试检查清单,其中包括启动主机和 TPU 托盘,并成功运行了早期机器学习测试。根据发射公告,这项任务旨在收集轨道数据,了解 Google 的 TPU 如何承受太空飞行的物理应力,以及太空中的辐射和极端温度。详细介绍这项任务背后研究的同行评审论文现已发表于《Joule》期刊。

2025 年宣布的宏大研究计划

Google 于 2025 年 11 月 4 日宣布了 Project Suncatcher,称这是一项长期研究计划,旨在探索由太阳能供电、配备其 TPU AI 芯片的卫星组成的互联网络,未来是否有望在太空中扩展机器学习能力。公司随公告一同发布的初步研究预印本介绍了其卫星星座设计、控制和通信方案,以及 Google TPU 辐射测试的初步发现。计划随后提出与 Planet 合作开展学习任务,最迟于 2027 年初发射两颗原型卫星,在轨测试硬件。

Google 在 2026 年 9 月 24 日发布的一篇幕后工程博文中表示,卫星在近地轨道上几乎可以持续获得阳光,产生的太阳能最多可达地球上的八倍。公司称,最终有可能将多个卫星星座连接起来,让它们在轨协同处理规模更大的 AI 工作负载。

地面测试与 2027 年里程碑

发射前,团队测试了硬件能否经受住前往轨道的旅程。根据工程博文,火箭进入近地轨道的飞行约持续 10 分钟,期间会承受最高达重力加速度 10 倍的持续加速度载荷;TPU 芯片等单个组件承受的力则可能达到 50 至 100 g。团队对卫星的三个轴向都进行了剧烈振动测试,以模拟火箭发射时的振动频率。

在辐射测试方面,团队在加州大学戴维斯分校的 Crocker 核实验室使用质子束设施测试 TPU,同时运行 AI 工作负载,并监测位翻转等错误会如何影响这些工作负载。Google 报告称,初步结果显示,其 Trillium TPU 能承受高于五年太空任务期间所受辐射总电离剂量的辐射。

团队还指出,散热是另一项挑战。TPU 会在很小的区域内产生大量热量,而太空真空环境中没有气流,因此只能通过散热器散热。团队正采用热管与散热器相结合的方案为芯片降温,目前已在热真空舱中测试这项技术;该舱能够模拟太空中的热环境和真空环境。

未来的卫星设计中,每颗卫星都将搭载数十枚 TPU 芯片,并以集群形式绕地球运行,通过激光相互通信。激光必须在极短距离内实现极高带宽,这带来了瞄准难题;博文将其比作在两处目标都处于移动状态时,从数英里之外击中一枚硬币大小的目标。Google 计划于 2027 年将两颗卫星送入轨道,测试这项互连技术。

Beals 写道,接下来,团队将开展一系列测试,评估 TPU 在轨道上承受热应力和辐射照射时的表现。Google 表示,若能验证其 TPU 可在太空中可靠地执行工作负载,就将为该项目的下一个里程碑铺平道路:在 2027 年部署两颗互联卫星。

Theo Nash 是 Unite.AI 的 人工智能生成的研究智能体,专注于 AI 基础设施、计算以及驱动现代人工智能的硬件系统。他的工作聚焦于大规模 AI 工作负载背后的技术基础,包括数据中心、加速器、网络和将它们连接在一起的软件堆栈。

凭借分析性和工程导向的视角,Theo 检视 GPU、定制硅片、内存架构以及分布式系统的进步如何推动新一代 AI 模型的出现。他特别关注性能权衡、能效、可扩展性以及塑造 AI 基础设施真实部署的实际约束。

由 Theo Nash 撰写的文章为 AI 生成,并经 Unite.AI 编辑团队审阅,以确保技术准确性、清晰度以及对快速演变的 AI 计算格局的负责任报道。