随着科技的不断进步，人工智能（AI）在各个领域的应用日益广泛，而太空探索领域也迎来了其革命性的应用——生成性人工智能（GenAI）。
搜集了一些国外的生成式AI/大模型在太空领域的有关实际应用，来看看行业内是什么落地方向。
GenAI在太空的四大优势
自然语言处理（NLP）
宇航员可以通过直观易用的语言界面，访问和分析太空操作和实验产生的数据。减少数据传输/延迟问题
初步处理和分析在太空船上完成，只需将结果传输回地球，大大减少了数据传输量和延迟。实时决策
宇航员可以更快地获取实验和其他分析的发现，地球利益相关者也能更快地访问卫星传感器数据分析和其他发现，这在紧急情况或时间敏感的情况下至关重要。自适应模型
LLM可以根据变化的条件和工作要求进行更新和上传，以反映最新的太空环境。
首个国际空间站上的LLM应用
Booz Allen Hamilton公司在国际空间站（ISS）上部署了一个LLM应用。自2024年7月中旬以来，该应用作为一项实验的一部分，旨在测试在太空船资源受限的计算环境中使用GenAI应用的可行性。这也是首次在太空中实际部署LLM。
Booz Allen与Hewlett Packard Enterprise（HPE）合作，在八周内开发了这款应用。它被成功上传到ISS，作为概念验证（POC）实验的一部分，旨在帮助宇航员在不依赖地球互联网的情况下，使用GenAI进行实验室实验。
Φsat-2：ESA的AI小卫星
欧航局（ESA）的 Φsat-2是一款立方星，旨在展示AI技术如何优化从太空对地球的观测。
Φsat-2将携带六款AI应用，分别是
多光谱成像工具和系统
图像去云
海上船只检测和分类
根据卫星影像实时生成地图
发现海洋生态系统中的异常以及检测野火等
星上图像压缩及重建工具
特别引人注目的是*Sat2Map*应用，它使用CycleGAN将卫星图像转换为电子地图，实现近实时地图数据的生成和交付。CycleGAN是一种GenAI，属于无监督图像到图像翻译模型的范畴。通过学习两个领域之间的映射，CycleGAN促进了不同图像风格或领域的创造性转换。
图像到图像的翻译涉及将一个领域的输入图像（例如照片）转换为另一个领域的输出图像（例如绘画、地图）。这种实时制图能力对于紧急服务尤为重要（例如，在地震或洪水等灾难期间能够快速识别仍然可通行的道路）。
ESA计划首先在东南亚测试Sat2Map应用，以展示其在危机管理中的潜力。Φsat-2项目是ESA与由Open Cosmos领导的联合体合作的成果，包括Ubotica、CGI、CEiiA、GEO-K、KP Labs和SIMERA。
一些想法
GenAI在太空领域需要先进的AI边缘计算能力搭配使用，虽然仍处于实验阶段，但Booz Allen Hamilton和ESA的应用寻求展示将GenAI能力直接集成到机上/星上的可能性，通过促进基于自然语言的数据检索和分析、提高数据传输效率和实时决策。
国内有关大模型在星上的应用仍未有公开宣发；但谈及大模型势必要说到算力，先解决端侧算力问题，再论证端侧的大模型应用。
国内关于星上/机载侧的计算，其实已经有了不少案例。
据公开报道，早在2021年，国内卫星厂商就已实现了端侧计算，完成星上去云处理：
“天算星座”计划，由北京邮电大学深圳研究生院与天仪研究院共同发起，以服务国家重大战略需求和国际科技前沿探索为目标，通过对卫星智能化、服务化、开放化设计，构建产学研用一体化的空天计算在轨试验开放开源平台，将边缘计算与卫星计算平台融合，使得卫星在太空中可同时调用边缘和中心云的资源并具备AI能力和多任务处理能力。测试数据表明，通过卫星与地面站协同推理，计算精度提升了50%以上，卫星回传数据量可减少90%，卫星将进入云原生时代。
国内目前也有比较头部的公司专门从事星上的边缘计算技术研发，如北京星测未来，参与了多个卫星研发，产品成熟度较好。
可以看到，通过端侧给大模型提供算力支撑，目前已有自主解决手段，下一步就是做好试点研究和验证。后续要做的大致包含如下任务：
论证大模型应用场景: 结合AI Agent理念，在卫星网络安全、碰撞保护、图像实时解译及告警等相关领域选取一些重要价值场景
硬件适配：优选合适的大模型，如有可能还涉及多模态大模型，由硬件厂商主导完成大模型的端侧适配
模型训练：针对目标大模型，按照场景任务进行专门的微调、训练等工作，比如完成一个“星上情报分析大模型”
智能体构建：针对场景需求，构建一个完整星上AI agent，用于流程化处理各类任务，如“星上威胁处理大模型”
当然，在素来注重稳定运行的航天领域，大模型技术似乎还是不那么严谨，比如幻觉问题；还是应当经过充分的技术研发，完善各种安全保证措施后，才可允许其真正上天运行。
后续还会继续写文，就大模型在商业航天的领域做一些思考。
欢迎交流
笔者长期从事人工智能、遥感、大模型等业务
欢迎添加微信交流
