1. 引言：对地观测的“数据堰塞湖”与范式转移的必然性

自Landsat-1于1972年发射以来，全球对地观测卫星的数量与单星数据产出能力均呈指数级增长。根据Union of Concerned Scientists (UCS) 卫星数据库2024年1月的更新数据，全球在轨活跃卫星已达约7,560颗，其中对地观测卫星占比超过15%。欧洲航天局（ESA）的Sentinel系列卫星每天向地面回传约10TB的原始数据，而中国高分辨率对地观测系统（高分专项）自2013年启动以来，已形成由数十颗卫星组成的星座体系，日均数据获取能力超过20TB（据中国资源卫星应用中心公开报告）。本文评述：这种“数据洪流”在创造巨大应用价值的同时，也催生了一个被业界称为“数据堰塞湖”的困境——星地链路带宽的增长速度远远落后于星上传感器数据产生速度，导致大量有价值的影像数据因无法及时下传而被丢弃或压缩，信息提取的时效性从“小时级”退化到“天级”甚至更长。

传统的遥感数据处理范式遵循“星上采集—数传下地—地面处理—分发应用”的串行流水线。在这一模式下，从卫星过顶拍摄到最终用户获得有用信息，通常需要数小时到数天的时间。对于灾害应急响应、海上目标监视、战场态势感知等时敏应用场景，这种延迟是不可接受的。美国国家地理空间情报局（NGA）在2022年发布的技术战略中明确指出，未来情报优势的核心在于将“决策速度”压缩到秒级，而这必须依赖在轨处理能力的根本性突破。笔者认为，这一判断揭示了遥感技术发展的深层逻辑：信息获取的物理速度已不再是瓶颈，信息提取的认知速度才是真正的竞争焦点。

正是在这一背景下，“在轨智能处理”（On-Orbit Intelligent Processing）应运而生，成为近年来航天遥感领域最活跃的研究前沿。其核心理念是将人工智能算法——尤其是深度学习模型——直接部署到卫星上，在数据产生的源头完成辐射校正、几何精纠正、目标检测、变化发现、语义分割等信息提取任务，仅将结构化信息或压缩后的关键数据下传地面。这一理念的工程实现涉及算法、硬件、软件架构与天地协同机制的多维度创新，构成了本文的核心讨论域。

从全球研究格局来看，美国在星载AI芯片与在轨实验方面起步较早。NASA的SpaceCube系列处理器已在多项在轨任务中验证了星上实时图像处理能力；美国国防高级研究计划局（DARPA）的“Blackjack”项目明确将星上自主决策作为核心技术目标。欧洲方面，ESA的“Phi-Sat”任务于2020年成功将英特尔Movidius Myriad 2视觉处理单元送入轨道，首次验证了深度学习模型在轨推理的可行性。中国在这一领域同样进展迅速，“天智一号”、“天智二号”等试验卫星先后完成了在轨智能处理验证；2023年发射的“珞珈三号01星”搭载了高性能星载AI计算平台，实现了在轨实时目标检测与变化发现。

笔者认为，当前在轨智能处理研究存在一个显著的结构性缺陷：大量工作集中于单一算法在特定硬件上的部署验证，缺乏从系统层面审视“感知-认知-决策”全链条的成熟度演进规律。本文试图弥补这一空白，以“算力上移、智能前移”为主线，构建一个贯穿算法、硬件、架构与应用的分层分析框架，并对未来十年的技术演进做出基于科学推理的预判。

2. 星载计算环境的约束空间与在轨处理分级模型

2.1 极端约束的四维空间

星载计算环境与地面数据中心存在本质差异，这种差异可以归纳为四个维度的极端约束。首先是功率约束：一颗典型的小型对地观测卫星（如CubeSat 6U规格）可分配给计算载荷的功率通常不超过15-30W，而大型卫星的计算功率预算也鲜有超过100W。作为对比，地面上一块NVIDIA A100 GPU的功耗就高达400W。其次是体积与质量约束：星载计算板卡需要在极小的空间内集成，且必须承受发射过程中的剧烈振动。第三是热控约束：太空真空环境下散热困难，计算芯片的结温管理成为关键瓶颈。第四是辐射约束：高能粒子导致的单粒子翻转（SEU）和总剂量效应（TID）会严重影响计算结果的可靠性。

根据NASA JPL在2021年发表的综述（来源：IEEE Transactions on Aerospace and Electronic Systems, Vol.57, No.4），典型的低地球轨道（LEO）星载处理器需要承受约10-50 krad(Si)的总剂量辐射，而未经加固的商用器件在超过5 krad(Si)后即可能出现功能失效。本文评述：这四维约束并非彼此独立，而是构成了一个紧密耦合的约束空间。例如，提高计算性能通常意味着更高的功耗，进而要求更大的散热面积和更重的热控结构，这又挤占了本已紧张的质量预算。在这种多约束耦合条件下，简单的“堆料”策略在航天领域行不通，必须寻求系统级的优化方案。

2.2 在轨处理的三级分级模型

为了建立清晰的技术讨论框架，本文提出一个在轨智能处理的三级分级模型，该模型综合了ESA的On-Board Processing Classification和中国科学院空间应用工程与技术中心的相关研究框架：

L1级别的处理已经在大多数现代遥感卫星上实现，例如Sentinel-2搭载的基于FPGA的云检测模块可以在星上实时标记云像素，从而减少无效数据的下传量。L2级别是当前研究的热点，也是本文重点讨论的范畴。L3级别则代表了在轨智能的终极愿景——卫星不再仅仅是被动的数据采集器，而是具备自主感知、推理和决策能力的“智能体”。笔者认为，L2到L3的跃迁并非简单的算力堆叠问题，而需要在软件架构层面引入不确定性量化、贝叶斯推理和元学习等机制，使卫星能够在信息不完备的条件下做出稳健决策。

3. 轻量级模型设计：从手工剪枝到神经架构搜索的星载适配

3.1 模型压缩技术的在轨适用性分析

将深度学习模型部署到星载平台面临的首要挑战是模型规模与计算资源之间的巨大鸿沟。一个标准的ResNet-50模型包含约2,550万个参数，在ImageNet上完成一次推理需要约4 GFLOPs的计算量。对于功耗预算仅有数十瓦的星载处理器而言，直接部署此类模型几乎不可行。因此，模型压缩技术成为在轨AI的使能技术。

当前主流的模型压缩技术包括剪枝（Pruning）、量化（Quantization）、知识蒸馏（Knowledge Distillation）和低秩分解（Low-Rank Factorization）四大类。其中，量化技术在星载场景中应用最为广泛。英特尔Movidius Myriad 2视觉处理单元支持FP16半精度推理，相比FP32可将模型体积减少约50%，推理速度提升2-3倍，而精度损失通常控制在1%以内（来源：Intel Movidius Myriad 2 Hardware Datasheet, 2020）。更为激进的INT8量化可以将模型体积压缩至原始的四分之一，但精度损失可能达到2-5%，这对于某些高精度遥感应用（如地物精细分类）可能是不可接受的。

本文评述：量化技术在星载场景中面临一个独特挑战——辐射环境下的比特翻转。在FP32表示中，单个比特翻转对数值的影响相对有限；但在INT8表示中，最高有效位的翻转可能导致数值发生剧烈变化。因此，星载量化方案需要结合纠错编码或冗余计算机制，这在已有文献中讨论较少，值得深入研究。

3.2 MobileNet与EfficientNet系列的星载适配

MobileNet系列网络凭借其深度可分离卷积（Depthwise Separable Convolution）设计，在计算效率与精度之间取得了良好平衡。MobileNetV2在ImageNet上达到约72%的Top-1准确率，而计算量仅为约300 MFLOPs，相比ResNet-50减少了超过90%。2021年，ESA Phi-Sat-1任务在轨验证了基于MobileNetV2的云检测模型，在Myriad 2处理器上实现了约2.5 FPS的推理速度，功耗控制在1.5W以内（来源：ESA Phi-Sat-1 Mission Report, 2021）。

EfficientNet系列通过神经架构搜索（NAS）自动发现最优的网络宽度、深度和分辨率缩放比例，在同等精度下计算效率进一步提升。EfficientNet-B0在ImageNet上达到76.3%的Top-1准确率，计算量仅为390 MFLOPs。笔者认为，NAS方法在星载场景中具有独特价值：它可以针对特定的星载传感器特性（如特定的空间分辨率、光谱波段数）自动搜索最优网络结构，避免人工设计的主观性。然而，NAS的搜索过程本身计算开销巨大，通常需要数百GPU小时，这限制了其在任务快速迭代场景中的应用。

3.3 视觉Transformer的轻量化与在轨前景

自Dosovitskiy等人于2021年提出Vision Transformer（ViT）以来，Transformer架构在遥感影像分析中展现出强大的全局建模能力。然而，标准ViT的计算复杂度与输入图像块数量的平方成正比，对于高分辨率遥感影像而言计算开销极为庞大。近年来，一系列轻量化ViT变体被提出，包括MobileViT、EdgeViT和EfficientFormer等，这些模型通过引入卷积归纳偏置、分层注意力机制和令牌压缩策略，将计算复杂度降低到可与CNN竞争的水平。

2023年，武汉大学的研究团队在“珞珈三号01星”上验证了基于轻量ViT的在轨场景分类模型，在约8W的功耗预算下实现了每秒1帧的推理速度，分类准确率达到92%以上（来源：武汉大学测绘遥感信息工程国家重点实验室公开报告，2023）。本文评述：Transformer架构在遥感在轨处理中的核心优势在于其天然的“多模态融合”能力——通过统一的注意力机制，可以无缝融合光学、SAR、高光谱等多源遥感数据，这为未来多传感器协同在轨处理提供了统一的算法框架。然而，注意力机制的平方复杂度仍然是星载部署的主要障碍，线性注意力（Linear Attention）和状态空间模型（如Mamba）可能是值得关注的替代方向。

3.4 脉冲神经网络：超低功耗的第三条道路

脉冲神经网络（Spiking Neural Network, SNN）被誉为第三代神经网络，其通过离散的脉冲序列传递信息，具有事件驱动和稀疏计算的特性，理论上可以实现比传统人工神经网络低数个数量级的功耗。这一特性使其在星载超低功耗场景中极具吸引力。2022年，新加坡南洋理工大学的研究团队在IEEE Transactions on Neural Networks and Learning Systems上发表了基于SNN的遥感场景分类工作，在DVS（动态视觉传感器）数据集上实现了与CNN相当的分类精度，而理论功耗仅为后者的约1/50（来源：TNNLS, Vol.33, No.8, 2022）。

笔者认为，SNN在星载场景中的应用仍面临三个关键瓶颈：第一，SNN的训练算法（如替代梯度法）尚不如反向传播成熟，在复杂遥感任务上的收敛性和泛化能力有待验证；第二，当前主流遥感传感器输出的是帧式数据而非脉冲式数据，需要额外的编码转换层；第三，支持SNN的专用神经形态芯片（如英特尔的Loihi系列）尚未经过航天级加固认证。尽管如此，SNN代表了在轨AI“能效比”的极限追求方向，值得持续关注。

4. 星载AI加速硬件：GPU、FPGA与存算一体芯片的轨道博弈

4.1 星载GPU的演进与辐射加固挑战

GPU凭借其大规模并行计算能力，是地面AI训练和推理的主力硬件。然而，将GPU搬上卫星面临严峻的辐射效应挑战。商业级GPU（如NVIDIA Jetson系列）的SRAM和寄存器文件对单粒子效应极为敏感。根据NASA Goddard Space Flight Center的辐射测试报告（2020），NVIDIA Jetson TX2在LEO辐射环境下的平均无故障时间（MTBF）约为数百小时，远不能满足长寿命卫星任务的需求。

为解决这一问题，美国NASA与NVIDIA合作开发了辐射加固的GPU解决方案。SpaceCube v3.0处理器集成了经过加固的GPU内核，在30W功耗下可提供约1 TFLOPS的FP16算力，并已在多项在轨任务中得到验证（来源：NASA SpaceCube Program Overview, 2022）。中国方面，中国科学院计算技术研究所研制的“天智”系列星载智能处理器采用了基于RISC-V架构的定制化AI加速单元，在约20W功耗下可实现约0.5 TFLOPS的INT8推理算力。

4.2 FPGA的灵活性与在轨可重构优势

FPGA（现场可编程门阵列）在星载处理中具有独特的优势：其硬件逻辑可以在轨重配置，使得卫星在发射后仍能更新处理算法。这一特性对于长寿命卫星任务尤为重要——一颗设计寿命10年的遥感卫星，在发射时搭载的AI模型很可能在3-5年后就已过时，而FPGA的可重构能力使得“硬件不变、算法常新”成为可能。

Xilinx（现AMD）的Zynq系列SoC将ARM处理器与FPGA逻辑集成在单一芯片上，已成为星载智能处理的主流选择之一。ESA的Phi-Sat-1任务即采用了基于Zynq的处理器板卡。2023年，AMD发布了经过辐射加固认证的Versal AI Core系列自适应SoC，在约25W功耗下可提供约3 TFLOPS的INT8 AI推理算力（来源：AMD Space-Grade Product Brief, 2023）。本文评述：FPGA的主要技术挑战在于开发门槛较高——传统的HDL编程方式与AI开发者熟悉的Python/TensorFlow生态存在巨大鸿沟。高层次综合（HLS）工具和Vitis AI等开发框架正在弥合这一差距，但易用性仍远不及GPU平台。

4.3 存算一体：突破冯·诺依曼瓶颈的星载新范式

存算一体（Processing-in-Memory, PIM）架构将计算单元嵌入存储器内部，从根本上消除了数据在处理器与存储器之间频繁搬运带来的能耗开销——即所谓的“冯·诺依曼瓶颈”。对于遥感影像这种数据密集型应用，存算一体的能效比优势尤为突出。2022年，三星电子与韩国科学技术院（KAIST）联合展示了基于HBM-PIM的AI加速方案，在特定推理任务上实现了相比传统GPU约2.5倍的能效比提升（来源：ISSCC 2022 Proceedings）。

在航天领域，存算一体芯片的辐射敏感性是一个需要审慎评估的问题。基于SRAM的存算一体单元对单粒子翻转较为敏感，而基于RRAM（阻变存储器）的非易失性存算一体方案具有天然的抗辐射潜力。笔者认为，RRAM存算一体芯片可能是未来星载AI加速的“理想形态”：其非易失性意味着断电后模型权重不会丢失，无需每次上电重新加载；其模拟计算特性可以实现极高的能效比；其物理机制对辐射的敏感度低于电荷存储型器件。然而，RRAM器件的耐久性和一致性仍需进一步提升，距离航天级应用尚有距离。

5. 高光谱影像在轨实时解混与目标检测

5.1 高光谱在轨处理的独特挑战

高光谱遥感影像以其数百个连续光谱波段提供了丰富的地物诊断性信息，但也带来了数据量激增的挑战。一颗典型的高光谱卫星（如德国的EnMAP或中国的珠海一号高光谱卫星）单景影像的数据量可达数GB，远超同空间分辨率的多光谱影像。在星地链路带宽受限的条件下，高光谱影像的星上处理需求尤为迫切。

高光谱在轨处理的核心任务包括：端元提取与光谱解混（Spectral Unmixing）、亚像素目标检测（Subpixel Target Detection）和光谱异常检测（Spectral Anomaly Detection）。这些任务的计算密集型特征——尤其是涉及大规模矩阵运算的解混算法——对星载处理器的算力提出了严峻挑战。本文评述：高光谱在轨处理面临一个独特的“维度灾难”问题：数百个光谱波段提供了丰富信息，但也使得许多经典算法（如基于凸几何的端元提取）的计算复杂度随波段数呈超线性增长。因此，波段选择与特征提取的星上自动化是高光谱在轨处理的首要步骤。

5.2 轻量化解混网络的在轨部署

近年来，基于深度学习的盲源分离方法在高光谱解混中展现出优于传统非负矩阵分解（NMF）的性能。然而，标准深度解混网络（如Deep Unfolding Network）通常包含数百万参数，难以直接部署到星载平台。2022年，中国科学院空天信息创新研究院的研究团队提出了一种基于知识蒸馏的轻量化解混网络，将教师网络（约500万参数）的知识迁移到学生网络（约50万参数），在模拟星载处理器上实现了实时解混，丰度估计的均方根误差（RMSE）仅比教师网络增加了约0.015（来源：IEEE TGRS, Vol.60, 2022, Art. No.5523414）。

在轨高光谱目标检测方面，基于约束能量最小化（CEM）和自适应余弦估计（ACE）的传统方法因其计算简单而长期占据主导地位。然而，这些方法对背景统计特性的假设在复杂场景中往往不成立。2023年，哈尔滨工业大学的研究团队在IEEE TGRS上发表了基于轻量级自编码器的在轨异常检测方法，在模拟星载FPGA平台上实现了每秒处理约10万像素的吞吐量，检测AUC达到0.93以上（来源：IEEE TGRS, Vol.61, 2023, Art. No.5510214）。

5.3 珠海一号在轨处理实践与启示

中国的“珠海一号”高光谱卫星星座（OHS系列）是目前全球在轨规模最大的高光谱卫星星座之一，截至2024年初已有8颗高光谱卫星在轨运行。根据珠海欧比特宇航科技股份有限公司公开的技术资料，OHS卫星搭载了星上辐射校正与波段选择模块，可在星上完成初步的光谱数据筛选，将数据量压缩至原始数据的约30%后再下传地面。

笔者认为，珠海一号的实践揭示了一个重要的工程洞察：在轨处理不必追求“全流程智能化”，分阶段、分级别的渐进式智能化升级策略更为务实。先实现L1级别的数据筛选与压缩，再逐步向L2级别的信息提取演进，这种“小步快跑”的策略可以有效控制技术风险，同时持续积累在轨运行经验。

6. SAR影像在轨成像与变化检测的智能化演进

6.1 SAR在轨成像算法的硬件加速

合成孔径雷达（SAR）的成像算法——尤其是高分辨率的后向投影（Back-Projection, BP）算法和距离多普勒（Range-Doppler, RD）算法——是星载计算中最具挑战性的任务之一。以一颗典型的C波段SAR卫星为例，生成一景10km×10km、分辨率1m的SAR影像，需要约10^11次浮点运算。传统上，SAR原始数据需要下传地面后进行成像处理，这导致了巨大的数据下传压力。

星上SAR成像处理的核心在于将成像算法映射到并行计算硬件上。FPGA因其流水线并行能力在这一领域具有天然优势。2021年，德国航空航天中心（DLR）的研究团队在IEEE TGRS上报道了基于Xilinx Zynq FPGA的星载SAR实时成像系统，在20W功耗下实现了10km×10km场景、分辨率3m的实时成像处理（来源：IEEE TGRS, Vol.59, No.6, 2021）。中国电子科技集团公司第三十八研究所也在2022年公开了基于国产FPGA的星载SAR成像处理成果，处理效率达到传统DSP方案的约8倍。

6.2 在轨SAR变化检测：从相干性分析到深度学习

SAR变化检测是灾害评估、城市扩张监测和军事侦察中的核心应用。传统的SAR变化检测方法基于相干性估计或恒虚警率（CFAR）检测，计算相对简单，适合星上实现。然而，这些方法在低信噪比或复杂场景下的虚警率较高。近年来，基于深度学习的SAR变化检测方法（如ChangeNet、SNUNet等）在精度上显著优于传统方法，但计算开销也大幅增加。

2023年，意大利比萨大学的研究团队提出了一种面向星载部署的轻量级SAR变化检测网络，通过引入差分特征增强模块和通道剪枝策略，将模型参数量从约800万压缩到约80万，在模拟星载ARM处理器上实现了每景约15秒的推理速度（来源：IEEE JSTARS, Vol.16, 2023）。本文评述：SAR变化检测在轨部署的一个关键难点在于“变化”定义的上下文依赖性——同一地理区域在不同季节、不同湿度条件下的SAR后向散射特性可能发生显著变化，而这些变化并不对应实际的地物变化。因此，在轨SAR变化检测需要结合多时相先验信息和环境辅助数据，这对星上数据库的容量和检索能力提出了额外要求。

7. 天地协同认知架构：联邦学习、边缘推理与星间链路

7.1 从单星智能到星座协同的范式跃迁

单颗卫星的在轨处理能力终究受限于其物理尺寸和功率预算。当我们将视野从单星扩展到星座乃至“星云”（Satellite Swarm）时，一种全新的天地协同认知范式开始浮现。在这一范式中，多颗卫星通过星间链路（Inter-Satellite Link, ISL）共享计算任务和中间结果，地面站则负责模型的持续更新与全局任务调度。

SpaceX的Starlink星座已经验证了大规模星间激光链路的可行性，其第二代卫星配备了工作频率为200Gbps的激光通信终端。虽然Starlink的主要功能是通信而非遥感，但其星座架构为遥感卫星的星间协同提供了重要参考。笔者认为，星间链路的引入将从根本上改变在轨智能处理的设计空间：当多颗卫星可以共享计算负载时，单星的计算约束被大大放宽；但同时，任务分配、数据同步和一致性维护等分布式系统问题成为新的技术挑战。

7.2 联邦学习在卫星星座中的应用前景

联邦学习（Federated Learning, FL）是一种分布式机器学习范式，允许多个参与方在不共享原始数据的前提下协同训练模型。这一特性与卫星星座的场景高度契合：每颗卫星可以在本地使用自己采集的数据更新模型，仅将模型梯度或参数更新通过星间链路或星地链路上传至参数服务器，从而避免了大量原始影像数据的传输。

2023年，英国萨里大学的研究团队在IEEE Transactions on Aerospace and Electronic Systems上发表了首个面向卫星星座的联邦学习框架FedSat，在模拟的8星LEO星座上验证了基于联邦学习的在轨模型更新，相比传统的集中式训练方案，通信开销减少了约95%，而模型精度仅下降约2%（来源：IEEE TAES, Vol.59, No.3, 2023）。本文评述：联邦学习在卫星星座中面临的一个独特挑战是“非独立同分布”（Non-IID）问题——不同卫星过顶的地理区域不同，其数据分布可能存在显著差异（例如，一颗卫星主要拍摄海洋，另一颗主要拍摄城市），这会导致联邦聚合时的梯度冲突。个性化联邦学习（Personalized FL）和聚类联邦学习可能是缓解这一问题的有效策略。

7.3 天地协同推理：任务分割与延迟优化

天地协同推理（Space-Ground Collaborative Inference）是一种介于“全星上处理”和“全地面处理”之间的折中方案。其核心思想是将深度学习模型在逻辑上分割为两部分：靠近输入的前几层在星上执行，完成初步的特征提取和数据压缩；靠近输出的后几层在地面执行，完成高精度的分类或检测。这种方案可以在保持较高精度的同时，大幅减少星地数据传输量。

2022年，清华大学的研究团队在ACM MobiCom会议上发表了面向卫星边缘计算的协同推理框架SatEdge，通过对DNN模型的分层延迟建模和最优分割点搜索，在模拟LEO通信环境下实现了端到端延迟相比全星上方案减少约40%、相比全地面方案减少约60%的效果（来源：ACM MobiCom 2022 Proceedings）。笔者认为，天地协同推理的工程落地需要解决一个关键问题：星地链路的可用窗口具有间歇性和不确定性，模型分割点需要根据实时链路质量动态调整，这对星载推理引擎的灵活性提出了更高要求。

8. 在轨智能成熟度模型与未来十年技术预判

8.1 “感知-认知-决策”三级成熟度模型

基于前文的技术分析，本文提出一个面向在轨智能的“感知-认知-决策”三级成熟度模型（Perception-Cognition-Decision Maturity Model, PCD-MM），以系统化评估在轨智能处理技术的发展阶段：

笔者认为，从认知级向决策级的跃迁是在轨智能处理的“奇点时刻”：一旦卫星具备了自主决策能力，整个对地观测系统的运行范式将发生根本性变革——从“地面规划、星上执行”的指令驱动模式，转向“星上感知、自主行动”的事件驱动模式。这一跃迁的技术前提包括：在轨学习能力的突破、多星协同决策机制的成熟、以及可解释AI技术在星载场景中的部署。

8.2 未来十年关键技术预判

基于当前技术发展趋势和本文的系统分析，笔者对未来十年（2025-2035）在轨智能处理的关键技术演进做出以下预判：

预判一：星载算力将进入“百TOPS时代”。随着3D堆叠芯片、存算一体和先进制程（如7nm及以下）的航天级加固技术成熟，单星AI算力有望在2030年前后突破100 TOPS（INT8），这将使L2级别的信息提取成为标配能力。本预判基于AMD Versal AI Core已实现约3 TOPS航天级算力（2023年），以及半导体工艺约每2-3年翻一番的历史趋势外推。

预判二：基础模型（Foundation Model）的星载轻量化部署将成为研究热点。随着遥感基础模型（如NASA-IBM的Prithvi、中国科学院空天院的RingMo等）的快速发展，如何将这些包含数亿乃至数十亿参数的大模型压缩到可在星载平台上运行，将成为未来五年的核心研究课题。知识蒸馏、模型量化和稀疏化技术的组合创新将是关键使能技术。

预判三：星间光通信将催生“分布式星载计算集群”。随着星间激光链路从Gbps向Tbps演进，多颗卫星之间将能够共享计算、存储和模型资源，形成虚拟的“轨道数据中心”。这将从根本上改变在轨智能处理的设计约束，使得原本需要单星承载的计算任务可以分布到多星协同完成。

预判四：在轨持续学习（On-Orbit Continual Learning）将从概念走向工程验证。当前在轨AI模型均为地面训练后上传，无法在轨适应数据分布的变化。随着弹性权重巩固（EWC）、渐进式神经网络等持续学习算法的轻量化，以及星载存储容量的提升，卫星有望在轨持续更新模型，适应季节变化、传感器老化和新类别涌现等动态场景。

9. 结论与展望

本文以“算力上移、智能前移”为核心分析主线，系统梳理了遥感影像在轨智能处理从算法轻量化、专用加速硬件到天地协同认知架构的完整技术链条。通过构建在轨处理三级分级模型和“感知-认知-决策”成熟度模型，本文为理解这一快速演进领域的技术格局提供了结构化的分析框架。

从技术现状来看，L1级别的星上数据预处理已基本成熟，L2级别的星上信息提取正处于从试验验证向业务化运行过渡的关键阶段，而L3级别的星上自主决策仍处于概念探索期。在算法层面，轻量级CNN和视觉Transformer的星载部署已有多项成功验证，但脉冲神经网络和基础模型的星载适配仍面临重大挑战。在硬件层面，FPGA凭借其可重构性和抗辐射能力在短期内仍将是主流选择，而存算一体芯片代表了中长期的技术方向。

笔者认为，在轨智能处理的终极目标不是简单地“将AI搬上卫星”，而是构建一种全新的天地一体化认知范式。在这一范式中，卫星不再是数据的被动采集者，而是信息的主动提取者和决策的自主执行者；地面系统不再是计算的垄断者，而是模型的持续训练者和任务的全局调度者。这种范式的实现需要算法、硬件、架构和应用四个层面的协同创新，需要航天工程与人工智能两个领域的深度融合，更需要学术界、工业界和航天机构的长期持续投入。

展望未来，随着星载算力的持续提升、星间链路的广泛部署和遥感基础模型的快速发展，在轨智能处理有望在未来十年内实现从“可用”到“好用”再到“必用”的跨越式发展。这一进程将深刻重塑对地观测的技术体系和应用模式，为灾害应急、全球变化监测、海洋态势感知和行星科学探索等领域带来前所未有的机遇。

主要参考文献