星上计算范式的历史性转折：从数据搬运到认知压缩

1.1 传统中继模式的瓶颈与“智能边界”迁移

自遥感卫星诞生以来，其核心工作流长期遵循“采集-下传-地面处理-分发”的直线型管道。在这一模式下，星上处理能力仅限于基本的辐射校正、几何粗校正及无损或有损压缩。随着高分辨率对地观测系统在空间、时间、光谱维度上的急剧膨胀，数据速率已远超微波链路的下行能力。例如，WorldView Legion星座单星日采集量可达数十TB级别，而典型X波段下行速率通常被限制在Gbps量级以下。这种“漏斗效应”迫使系统必须做出取舍，大量潜在的高价值信息在星上即被丢弃或延迟下传。

本文评述：传统观念将星上处理视为一种不得已的妥协，即通过牺牲数据保真度换取时效性。然而，笔者认为，这种视角忽略了信息论层面的本质转变。将原始像素视为唯一真理的执念，实际上是将卫星降格为昂贵的空间相机。真正的转折点在于将“智能边界”从地面站前移至轨道边缘，使卫星不再搬运数据，而是直接萃取知识。这不仅是工程效率的提升，更是对地观测认识论的一次跃迁。

1.2 在轨智能处理的三阶段演进模型

回顾过去二十年的技术轨迹，可以清晰地划分出三个代际特征。第一代为特征提取代（约2000-2015年），以EO-1卫星的自主科学实验（ASE）为代表，星上搭载了基于支持向量机（SVM）的简易分类器，能够依据预设规则触发对火山喷发、洪水等事件的快速响应。第二代为深度学习嵌入代（约2016-2022年），随着Jetson TX2、Intel Movidius等商用货架（COTS）AI芯片的抗辐射测试与星载改造，卷积神经网络（CNN）开始进入轨道。PhiSat-1任务首次演示了基于CNN的云检测，将无用数据直接滤除，实现了数据量减少约30%。第三代为认知与基础模型代（2023年至今），以NASA JPL的Onboard AI研究及中国“珞珈三号”等科学试验星为代表，开始尝试将轻量化Transformer、视觉提示（Visual Prompting）乃至多模态对齐模型部署于星上环境。

值得警惕的是，上述代际划分并非泾渭分明。当前多数业务化星座仍处于第一代与第二代之间的混合状态。笔者认为，第三代认知智能面临的核心矛盾已从“能否跑得动模型”转化为“模型是否值得信赖”。在无地面人工标注反馈的极端条件下，模型的错误预测可能导致不可逆的科学误判，这是当前学术界亟待正视的深层风险。

资源博弈：极端环境下的模型轻量化与存算一体架构

2.1 空间辐射与热约束下的计算范式选择

在轨计算环境具有独特的物理刚性约束。与地面数据中心不同，星载处理器不仅受限于功耗（通常分配给AI载荷的功率不超过50W），更受制于单粒子效应（SEE）和总电离剂量（TID）引发的不可预测的比特翻转。传统的三模冗余（TMR）加固方式会带来200%以上的面积开销，这对于本就紧张的逻辑资源而言代价高昂。近年来，基于FPGA的细粒度动态可重构架构展现出独特优势。Xilinx的Zynq UltraScale+ MPSoC系列经过筛选与加固后，已被广泛应用于星载AI加速。例如，NASA的SpaceCube v3.0基于该平台实现了高达数TOPS的定点推理能力。

本文评述：单纯追求峰值算力（TOPS）在空间应用中具有误导性。由于辐射导致的频繁重配置和回滚，有效算力往往远低于标称值。笔者更倾向于关注“能效比”与“算法鲁棒性”的乘积。在此维度上，神经形态计算（Neuromorphic Computing）展现出颠覆性潜力。英特尔Loihi 2芯片的异步脉冲神经网络（SNN）天然具有事件驱动特性，其稀疏计算模式与遥感场景中“背景冗余、目标稀疏”的特征高度契合。相关模拟实验表明，在基于事件的角点检测任务中，SNN的能耗仅为同等精度CNN的千分之一（数据源自模拟对比实验）。

2.2 模型压缩技术的在轨适用性边界

将地面成熟的压缩技术直接迁移至轨道面临“精度-鲁棒性”的再平衡。结构化剪枝虽然能有效降低MAC操作数，但可能破坏网络对随机比特翻转的容错能力。量化方面，INT8甚至INT4精度推理已成为星载标配，但混合精度策略（如HAWQ-V3的变体）在轨自动搜索仍属空白。知识蒸馏（Knowledge Distillation）则提供了一条更优雅的路径：通过在地面用大模型教导星上小模型，使小模型不仅学习硬标签，更学习类别间的软相似度分布。PhiSat-2任务中采用的深度可分离卷积加蒸馏方案，在云掩膜分割任务上将参数量压缩至原始U-Net的1/20，而IoU仅下降不到3个百分点（数据来源：ESA PhiSat-2任务公开报告）。

感知-认知闭环：在轨基础模型的空间适配与幻觉抑制

3.1 遥感基础模型的星上迁移悖论

随着SAM（Segment Anything Model）、GPT-4V等多模态基础模型在地面取得突破，将其能力迁移至轨道成为研究热点。然而，直接部署存在不可逾越的鸿沟：基础模型的参数规模动辄数十亿，而星载内存通常限制在8GB至16GB以内。更关键的是，遥感影像的正射视角、多谱段特性与地面自然图像存在显著的域差异（Domain Gap）。近期研究表明，通过“适配器”（Adapter）或“低秩适应”（LoRA）技术，仅需微调不到1%的参数量，即可将冻结的预训练视觉编码器适配至遥感场景。例如，武汉大学团队在珞珈三号01星上验证了基于MobileSAM的轻量化分割，通过解耦图像编码器与掩膜解码器，将推理延迟控制在秒级以内。

本文评述：笔者认为，当前在轨基础模型的研究过于侧重“分割一切”或“检测一切”的通用性，而忽视了遥感任务的物理先验。卫星并非被动拍摄，其轨道参数、太阳高度角、大气参数等物理元数据构成了极强的上下文约束。将这些物理先验注入提示机制（例如，将太阳方位角编码为位置嵌入的偏置项），有望在保持模型灵活性的同时，显著抑制违背物理规律的“幻觉”输出。这是单纯依靠数据驱动难以达成的。

3.2 多模态对齐与视觉-语言导航

在轨智能的终极形态之一是自然语言交互式感知。设想地面用户发送指令“寻找港口中所有疑似受损的船只”，卫星即可自主完成检测、定位与裁剪下传。这依赖于视觉编码器与语言模型的跨模态对齐。CLIP（Contrastive Language-Image Pre-training）及其遥感变体（如RemoteCLIP）为此提供了基础框架。通过在星上部署轻量级文本编码器，将地面指令转化为高维语义向量，并与实时影像特征进行余弦相似度匹配，可实现零样本（Zero-shot）开放词汇检测。然而，星上文本编码器的词表库必须高度压缩，且需针对军事、灾害、资源等专业术语进行微调，以避免语义漂移。

星地协同的数字影子：基于数字孪生的持续学习框架

4.1 灾难性遗忘的轨道破解方案

在轨模型面临的最大挑战之一是概念漂移（Concept Drift）。季节更替、传感器老化、新类别物体的出现，都会导致模型精度随时间衰减。然而，由于上行带宽限制，频繁回传全量参数进行重训并不现实。持续学习（Continual Learning）为此提供了理论支撑，但经典的弹性权重巩固（EWC）或记忆重放（Memory Replay）方法在星上存储和计算开销较大。近年来兴起的“提示式持续学习”（Prompt-based Continual Learning）为在轨场景开辟了新思路。通过为不同时相或不同地域学习一组轻量级的视觉提示向量，而冻结庞大的预训练骨干网络，可将新增知识的学习成本降低至KB级别。

本文评述：笔者认为，单纯依赖星上稀疏样本进行无监督持续学习风险极高，极易陷入“确认偏误”。必须构建一个星地协同的“数字影子”系统。即在地面云端维护一个与在轨模型结构完全一致的数字孪生体，利用地面积累的海量历史数据对星上回传的梯度或提示向量进行安全校验与修正，再将经过净化的更新包上传。这种“星上提议，地面审议”的闭环机制，是保障在轨模型安全迭代的关键。

4.2 联邦学习在星座中的轻量化实现

对于由数十甚至数百颗卫星组成的低轨星座，将每颗卫星视为联邦学习的一个客户端，在星座内部进行模型聚合，可以极大提升学习效率。然而，星间链路（ISL）的带宽通常仅有几Mbps，且拓扑高度动态。传统的FedAvg算法需要传输完整模型权重，通信开销难以承受。近期研究探索了基于“隐式联邦学习”的方案，即各星仅交换模型的预测logits而非权重，通过知识蒸馏在本地完成知识迁移。模拟实验显示，在CIFAR-10风格的遥感场景分类任务中，该方法可将通信量降低两个数量级，同时保持收敛精度。

自主科学发现：多智能体协同与在轨知识生成

5.1 从被动感知到主动探测

当前绝大多数遥感卫星的工作模式是“指令-采集”的被动响应。在轨智能的高级阶段是实现“好奇心驱动”的自主科学发现。这要求卫星具备元认知能力，即不仅知道“看到了什么”，还能评估“还有什么不知道”。基于贝叶斯神经网络（BNN）的不确定性估计为此提供了数学工具。当模型对某个区域的分类置信度低于阈值，或预测方差高于阈值时，可自主触发高分辨率详查或调整成像参数。NASA的ASEMA（Autonomous Sciencecraft Experiment for Machine-learning and Analytics）概念验证项目已初步演示了基于不确定性的重访策略。

笔者认为，真正的自主科学发现需要引入因果推理框架。相关性不等于因果性，深度学习提取的纹理特征可能仅仅捕捉了与季节相关的伪相关。将结构因果模型（SCM）轻量化后嵌入星上推理流，有助于卫星区分“由于洪水导致的植被减少”与“由于季节更替导致的植被减少”。这是从统计智能迈向真正科学智能的关键一步，尽管目前相关研究仍处于非常早期的阶段。

5.2 异构星座的任务自组织协商

未来的在轨智能将不仅存在于单星内部，更体现在星群之间的群体智能。当一颗宽幅普查星检测到疑似油污泄漏时，它可以通过星间链路直接“雇佣”一颗具备高光谱详查能力的卫星进行协同确认，而无需经过地面任务规划中心。这种去中心化的任务协商基于合同网协议（Contract Net Protocol）的变体，将计算资源、能源储备、成像机会作为协商筹码。北京理工大学等团队在“星溪”仿真平台上验证了基于深度强化学习的多星任务分配算法，相比传统地面集中规划，响应延迟从分钟级降低至秒级。

工程实践与前沿预判：从试验验证到业务化运行

6.1 国内外典型在轨智能项目对标

国际上，ESA的Φ-sat系列和NASA的Onboard AI项目代表了最高水平。Φ-sat-2搭载了Intel Myriad X视觉处理单元，运行超分和云检测网络。美国Capella Space的合成孔径雷达（SAR）卫星已实现星上变化检测与快速回传。国内方面，“天智”系列、“珞珈”系列以及“吉林一号”星座均开展了卓有成效的在轨验证。尤其值得关注的是，长光卫星技术股份有限公司公开的“吉林一号”星座数据表明，通过在轨云量评估与智能裁剪，其系统有效数据获取率提升了近40%（数据来源：长光卫星公开技术报告）。

6.2 前沿预判：具身智能与在轨服务

展望未来十年，在轨智能将与在轨服务（On-Orbit Servicing）深度融合。具备机械臂的维修卫星或碎片清除卫星，需要利用视觉智能实时重建非合作目标的三维位姿。这属于“具身智能”（Embodied AI）的范畴。神经辐射场（NeRF）及其快速推理变体（如Instant-NGP）有望被部署至星上，实现从稀疏视图到高精度三维模型的实时重建。此外，随着SpaceX星链等巨型星座的部署，天基边缘计算网络将初具雏形。在轨智能体将不再孤立，而是可以调用星座内其他节点的空闲算力进行分布式推理，形成真正的“轨道云计算”环境。

结论与展望

本文以“从比特传输到知识涌现”为主线，系统梳理了遥感在轨智能处理的技术脉络。我们论证了，在轨智能的本质并非简单地将GPU搬上太空，而是对地观测系统认知架构的重构。从压缩感知到特征提取，再到基于基础模型的开放词汇理解，每一次范式跃迁都伴随着信息熵的急剧降低与价值密度的指数级提升。当前，我们正处于从“感知智能”向“认知智能”跨越的关键临界点。

笔者认为，未来的突破将不再单纯依赖于更强大的算力芯片，而在于构建“物理-数据-知识”三元融合的混合驱动模型。这要求我们解决三大核心挑战：其一，在极端资源约束下实现基础模型的在轨适配与幻觉抑制；其二，建立星地数字孪生闭环，实现模型的可信持续进化；其三，赋予卫星初步的因果推理与自主科学发现能力。唯有如此，遥感卫星才能真正从人类感官的延伸，蜕变为探索地球乃至深空的自主科学伙伴。