深度｜Starcloud创始人：未来最便宜的AI算力在太空中，我们要把数据中心搬上太空；推理很快就会占到整个算力市场的99%

图片来源：Sequoia  Capital

在红杉资本AI Ascent2026峰会的舞台上，Starcloud联合创始人兼CEO Philip Johnston带来了一场堪称“戴森球雏形”的震撼演讲，论证了为什么“AI 计算的未来在地球轨道上”。Philip Johnston被视为“太空AI计算”这一前沿领域的开拓者，致力于通过向地球轨道部署卫星数据中心，解决地球上 AI 算力带来的能源瓶颈。

Z Highlights

• 首先，在太空里我们不需要为土地审批付费，所以最大的成本直接消失了。其次，我们不需要电池储能和备用电源，因为我们24小时都处于阳光之下，所以第二大的成本也消失了。然后，你所需的太阳能电池板会减少到八分之一，因为太空中1平方米太阳能板产生的能量，是地球上1平方米太阳能板的八倍。所以，在太空中的主要额外成本，其实只剩下发射成本。

• 而这实际上会成为史上最大的基础设施项目的开端。仅仅这个由88,000颗卫星组成的星座系统，我们谈论的资本支出就已经达到1000亿美元。但实际上，这依然比在地面建设同等规模设施更便宜。

• 这几乎完全——至少在可预见的未来——都会是用于推理的。原因之一是，推理很快就会占到整个算力市场的99%。所以即便我们未来不想运行大型训练任务，从5到10年后的AI工作负载来看，大规模训练也只会占总量中的很小一部分。

在太空运行最先进的GPU

Philip Johnston：非常感谢大家邀请我来。我的名字是Philip Johnston，我是Starcloud的联合创始人兼CEO。就像上一家公司一样，我们也一直在以GPU原本并非被设计用于的方式“疯狂压榨”它们的能力。是的，我们正在太空中建造数据中心，主要是为了利用我们能够获取的能源。接下来的5分钟里，我会解释为什么很快在太空建数据中心会比在地球上建更合理，然后我会留5分钟回答问题。所以请大家开始想一些问题。

这件事之所以意义重大，是因为在此之前，很多人认为你根本无法在太空中运行最先进的地面数据中心级GPU，主要有两个原因。第一是散热。它们的功率密度非常高，会产生大量热量。第二是抗辐射能力。人们认为它们会以过高频率发生比特翻转。

所以，借助这块芯片，我们首次在太空中训练了模型。我们实际上训练了Andrej Karpathy的nanoGPT。随后，我们也是首个运行Gemini版本的人，也是首个在SAR数据（也就是卫星数据）上进行高功率推理的人。

所以，这是一个非常重要的里程碑，它证明了我们确实能够在太空中运行最先进的地面级技术。

太空可能成为最便宜的算力来源

Philip Johnston：不过，为了说明为什么从能源成本角度来看，在太空中建数据中心很快会更合理，我想先快速和地球上的太阳能项目做一个对比，因为太阳能已经是地球上最便宜的能源形式。如果你想建一个太阳能项目来给新的数据中心供电，你会有三个主要成本。第一个是土地审批成本。事实上，在北美，这甚至是大多数新太阳能项目中最大的成本。第二个是电池储能和备用电源的成本，因为我们每天只有大约4小时处于峰值发电状态，所以夜晚需要依靠白天充好的电池。最后一个则是太阳能电池板本身的成本。

那么，把一个同等规模的太阳能项目建在太空里又会怎样呢？首先，在太空里我们不需要为土地审批付费，所以最大的成本直接消失了。其次，我们不需要电池储能和备用电源，因为我们24小时都处于阳光之下，所以第二大的成本也消失了。然后，你所需的太阳能电池板会减少到八分之一，因为太空中1平方米太阳能板产生的能量，是地球上1平方米太阳能板的八倍。所以，在太空中的主要额外成本，其实只剩下发射成本。

所以你可以很清楚地看到一个盈亏平衡点：当发射成本低于土地审批、电池和太阳能板的综合成本时，太空方案就会更划算。我们认为这个盈亏平衡点大约是每公斤500美元。也就是说，相比今天大约还需要下降10倍。

但这完全在即将上线的新型运载火箭能力范围内。举个例子，Starship的设计目标发射成本大约是每公斤10到20美元。所以最后我想再给大家放一个概念视频。这展示的是我们现在正在建设的一个卫星星座系统。我们刚刚向SEC提交申请，准备部署一个由88,000颗卫星组成的星座系统。每颗卫星大约拥有200千瓦功率。这将使我们能够部署约20吉瓦的新算力容量。而这其实还只是开始。

这个系统基本可以支持所有推理工作负载。比如——我直接开始播放视频，你们会更容易理解。在这个例子中，它是在生成一个3D视频，但它同样可以用于后台业务处理Agent、代码生成Agent等等。这些请求会通过光链路连接到这个处于晨昏太阳同步轨道中的卫星星座。也就是说，它始终处于阳光之下，拥有24小时供电，并且到地球任意地点的延迟都低于50毫秒。所有节点之间都通过光学链路连接。而这实际上会成为史上最大的基础设施项目的开端。仅仅这个由88,000颗卫星组成的星座系统，我们谈论的资本支出就已经达到1000亿美元。但实际上，这依然比在地面建设同等规模设施更便宜。

而且，这不仅仅是最大基础设施项目的开始。在我看来，这也是Kardashev II型文明、戴森球式文明，甚至可能是Kardashev III型文明的开端。

我就在这里结束演讲吧。我们还有大约4分钟时间回答问题。

太空算力的工程挑战

Audience Member：太阳能持续可用这一点很好理解。你能不能再简单讲一下散热器方程的大致计算逻辑？因为热量散出去这件事听起来总是很难。另外也请讲讲晨昏轨道的可用性。那个轨道本身是有限的，对吧？

Philip Johnston：对，这是个很好的问题。因为太空是真空环境，所以实际上散热会更困难。太空环境温度只有大约3开尔文，非常低。但正因为是真空，正如你所说，热量实际上很难被散出去，因此你需要非常大的表面积，才能通过红外辐射把热量释放掉。所有有温度的东西，其实一直都在发射红外线。如果你现在拿红外摄像机对着我的脸拍，你会看到我正在发光。

粗略来说，太阳能板每平方米大约能产生200瓦功率，而如果散热器维持在50摄氏度左右，它每平方米大约能散掉800瓦热量。这意味着，散热器所需面积大约是太阳能板面积的四分之一。比如，如果你有一块400平方米的太阳能板，你大约需要额外100平方米的散热器来散热。有一个非常漂亮的公式，叫Stefan–Boltzmann方程。它基本上说明：热量散失速率与温度的四次方成正比。

所以，如果你能把温度从50摄氏度提高到80摄氏度——换算成开尔文大约只提升了10%——那么你实际上就能把散热器面积减少接近一半。这也是我们现在和Nvidia正在合作的方向。如果有人参加了GTC，你应该看到Jensen在Starcloud 1的部署视频之后上台，并花了5分钟介绍我们正在合作的新型太空Rubin1芯片。这块芯片被设计成可以在更高温度下运行，同时不会提升故障率。而之所以希望它在更高温度下运行，就是为了降低散热器质量。

AudienceMember：凯斯勒综合征（Kessler syndrome），大家最喜欢的话题，对吧？现在我们会发射越来越多卫星，而且会有更多卫星进入那些凯斯勒轨道，因为所有人都会想要这些轨道。那之后会发生什么？

Philip Johnston：是的，这是个非常好的问题，而且它也和刚刚关于太空环境的问题有关。我认为这是我们极其认真对待的一件事。每个人都必须成为负责任的太空使用者。我们如此，其他人也一样。我们非常希望确保太空能够永远保持可使用状态。

对于最初几批卫星，其实有几种办法来解决这个问题。如果你把卫星部署在相对较低的轨道高度，那么发生凯斯勒效应的概率会非常低。我们的第一颗卫星运行在大约400公里高度。这意味着它会在几个月内自然脱轨坠落。所以即使在那个高度发生碰撞，当它运行到下一圈轨道时，它其实已经下降了几百米，因此发生凯斯勒综合征的概率非常非常低。当轨道更高时，那些高轨道实际上非常空旷，因为再往上就会逐渐接近范艾伦辐射带（Van Allen radiation belt）。不过其实我们已经有一个很好的现实案例，那就是SpaceX现在已经在近地轨道运行大约一万颗卫星，而且从未发生过一次碰撞。而做到这一点的方法，就是使用相当先进的碰撞规避系统。另一个我认为人们会高估这个问题的原因，是大家低估了太空到底有多大。当你看到那些卫星分布图时，地图上的每一个点，其实都差不多有加利福尼亚州那么宽，而你实际上表示的物体可能只有这么一点点宽。

所以人们会觉得太空已经非常拥挤，但实际上并不是。仅仅在这种晨昏太阳同步轨道中，我们就可以轻松容纳太瓦级别的计算能力，而不会遇到严重的碰撞规避问题。还有其他问题吗？

为什么太空AI会优先发展推理？

Audience Member：像辐射导致的比特翻转这种问题，是你们真的需要考虑的吗？它会怎么影响系统？

Philip Johnston：是的，这是我们必须认真考虑的问题。我们解决它的方法，就是进行大量的地面测试。我们已经在Knoxville的回旋加速器进行了四轮测试。那是一个高速质子粒子加速器。

我们会收集所有这些遥测数据，然后据此决定该采用什么样的屏蔽方案。而对于重离子，我们则需要去Brookhaven National Lab，基本上就是让所有芯片都经历一遍太空环境。所以在24小时内，你可以让它承受相当于5年的辐射剂量，然后我们再利用这些数据来决定屏蔽方案，同时也会影响软件开发上的选择。

Audience Member：你们是在做连续计算吗？还是别的什么形式？

Philip Johnston：这几乎完全——至少在可预见的未来——都会是用于推理的。原因之一是，推理很快就会占到整个算力市场的99%。所以即便我们未来不想运行大型训练任务，从5到10年后的AI工作负载来看，大规模训练也只会占总量中的很小一部分。

第二个原因是，这件事本身非常困难。我们需要把一个5吉瓦的大型结构对接在一起。其实我这里还有一段相关视频，不过我不想浪费大家时间。

除非有人真的想看一个“太空中的5吉瓦数据中心”视频。你们想看吗？我们制作这个视频，是因为我们不希望别人说：“哦，你永远不可能在太空里训练模型。”所以，这就是一个5吉瓦、4公里×4公里的太空结构会是什么样子。

这会是一枚Starship运载火箭，上面搭载一个40兆瓦模块——这是每一枚Starship运载火箭能够携带的规模——然后它会连接到中央主结构，再连接到这块巨大的太阳能板。后方则是一块1公里×4公里的散热器。这就是你训练大型模型的方式。但正如我所说的，我们距离真正做到这种程度，可能至少还需要15年。我想还能再回答一个问题。我们时间还够吗？还有40秒？好。

Audience Member：你觉得大多数数据中心会在什么时候搬到太空里？

Philip Johnston：哦，这是个很棒的问题。其实我也想问问大家。我们来做个投票吧。我想问的问题是：你们认为，对任何公司来说，在太空运行算力什么时候会比地球上更便宜？可能是SpaceX，也可能是我们。

选项有四个：未来5年内会更便宜；5到10年内会更便宜；10年以后；或者永远不会。那么，谁认为未来5年内，在太空运行算力会比地面更便宜？挺有意思。谁认为是5到10年？谁认为会超过10年？又有谁认为永远不会？真勇敢。好的，这个结果对我来说挺有意思的。

原视频：Starcloud's Philip Johnston on the Path to a Dyson Spherehttps://youtu.be/94b6i5jI1nE?si=tJPYCpYTxExykYDX

文章来自于微信公众号 “Z Potentials”，作者 “Z Potentials”