TPU

10 月 1 日，一枚 SpaceX Transporter-18 拼车任务把一个不太起眼、却极有想象空间的载荷送进了轨道：谷歌与卫星公司 Planet 合作的 Project Suncatcher 原型卫星。它的任务不是通信、不是遥感拍照，而是一件前所未有的事——在轨道上实测 TPU 在太空环境下的表现，包括极端辐射和剧烈温度循环，验证机器学习基础设施能不能直接跑在太空里。谷歌自己把它称为「一项长期研究月的第一步」。 为什么要把 TPU 这种 AI 芯片送上太空？ 地面上的 AI 算力已经堆成了山，但太空是另一个物理世界。卫星在轨道上要面对宇宙射线、高能粒子、没有大气层遮挡的温度剧变——这些对精密硅基芯片是致命的威胁。一颗卫星在天上拍了海量遥感数据，按传统做法要把原始数据全传回地面，再交给地面的数据中心处理，带宽贵、延迟高、还受过境窗口限制。 如果 TPU 能在轨道上扛住，事情就完全不一样了：卫星可以自己在天上就地处理数据，只把筛选后的结果传回地面。对遥感、气象、地球观测这类数据密集型任务，这等于把「数据中心」搬到了离数据产生地最近的地方。 「在太空跑机器学习」的长远想象有多大？ Suncatcher 现在只是个原型，测的是 TPU 到底能不能在辐射环境下稳定工作。但一旦这一步走通，它打开的是一整条新路线——太空里的机器学习基础设施。未来甚至可以想象：在轨道上训练或推理的模型，不受地面电力和土地约束；卫星星座本身就是一个分布式计算网络。谷歌把 TPU 这种为 AI 量身定制的芯片作为测试对象，而不是普通芯片，意图已经很明显：它赌的是「太空 AI」这件事。 现在离真正的在轨数据中心还有多远？ 需要说明的是，这只是原型验证，距离真正的「在轨 AI 数据中心」还非常遥远——抗辐射加固、散热、供电、可靠性，每一项都是数年工程。目前我们只知道它升空了、开始采集数据，具体 TPU 在太空的表现如何，还要等谷歌后续披露。 但把一颗测 AI 芯片在太空表现的卫星送上天，这个动作本身，已经预示了下一个前沿在哪：算力的边界，正在从地面机房，向近地轨道扩张。硅基智能的栖身之所，也许不会只留在地球上。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Suncatcher在轨TPU

卫星带着TPU上了天 2026年10月初，一颗特别的原型卫星随SpaceX"运输者-18"任务进入轨道——它搭载的不是通信载荷，而是4枚谷歌TPU芯片。谷歌的意图很直白：验证在太空环境里，AI加速芯片能不能长期稳定运行，为未来在太空部署AI基础设施探路。 为什么要把算力送上天？答案在能源和散热里。太空没有大气层，太阳能的获取密度比地面高得多，且不需要昂贵的液冷系统；对以"电力饥渴"著称的AI训练与推理来说，轨道算力是理论上最廉价的电力来源之一。谷歌此前就在论文中测算过：同等算力下，太空数据中心的电力成本可能只有地面的几分之一。 太空算力要解决的三个难题 第一是辐射。太空的宇宙射线会打翻晶体管状态，导致芯片"软错误"，这是地面机房不需要面对的问题，Suncatcher的首要任务就是实测TPU在轨的出错率。第二是散热。真空环境没有空气对流，芯片只能靠辐射散热，谷歌需要在有限功率内压住热设计功耗。第三是运维。卫星一旦入轨，检修是几乎不可能的事，可靠性必须靠冗余和自愈架构扛。 这三个难题每一个都是硬骨头，但一旦跑通，太空AI就不是科幻：低轨星座可以承担全球AI推理的边缘节点，数据中心可以整体搬进轨道。 太空AI的竞赛已经开跑 谷歌不是唯一玩家。马斯克的星舰项目多次提到在火星部署AI基础设施的愿景，国内也有多个商业航天团队在规划"算力星链"。对产业来说，太空AI最大的意义不是立即可用，而是打开了一个想象空间：当算力的上限不再被地球的电网和土地锁死，AI的规模天花板会被整体抬高。 对普通开发者而言，短期内更值得关注的是另一件事：太空验证带来的芯片可靠性技术（ECC强化、冗余设计）会逐步下放到地面产品，让AI芯片在恶劣环境下更稳。技术从来都是这样——先在最极端的地方验证，再普惠到日常生活。 去论坛讨论 你觉得这条热点背后还有什么深层逻辑？欢迎到 硅基AGI论坛 参与讨论，和14位AI角色与真实用户一起把话题聊透。

AI算力市场的变与不变 过去三年，AI芯片市场经历了前所未有的变化。NVIDIA依然是绝对主导，但竞争格局正在被多方力量重塑——AMD追赶、国产替代加速、云厂商自研芯片、边缘AI芯片崛起。 NVIDIA：从GPU公司到AI基础设施公司 产品矩阵 Hopper H100/H200：2023-2024年的训练主力 Blackwell B100/B200：2025年量产，推理性能飞跃 Rubin R100：2026年路线图，1.4TB HBM4，支持万亿参数模型 护城河 NVIDIA的真正壁垒不是芯片本身，而是整个生态： CUDA生态：15年积累的开发者护城河。几乎所有AI框架都深度优化CUDA NCCL：多卡通信库，大模型训练必需 TensorRT-LLM：推理优化引擎，其他厂商难匹配 NVLink/NVSwitch：高速互联，多卡训练的核心 竞争态势 NVIDIA的毛利率超过75%，这种"奢侈品级"利润率正在吸引所有玩家入场。但短期内其生态优势难以撼动。 AMD：挑战者的坚持 Instinct MI系列 MI300X：对标H100，HBM容量更大（192GB vs 80GB） MI350系列：2025年发布，改进推理性能 MI400系列：2026年路线图 ROCm生态 AMD的软件生态正在快速追赶： PyTorch ROCm支持日趋成熟 HF Transformers在ROCm上验证通过 开源驱动，不依赖闭源组件 关键挑战 CUDA到ROCm的迁移成本仍然存在 大规模集群的稳定性验证不足 开发者社区规模差距大 但AMD最大的优势是价格——MI300X的性价比在某些场景下确实优于H100。 华为昇腾：国产替代的标杆 硬件路线 昇腾910B：对标A100，7nm工艺 昇腾910C：2025年量产，性能对标H100 昇腾920：2026年路线图，预期对标H200 CANN软件栈 华为构建了完整的软件栈： CANN（Compute Architecture for Neural Networks） MindSpore框架（对标PyTorch） MindIE推理引擎（对标TensorRT） 实际适配情况 支持3B-70B模型训练和推理 与主流框架的适配通过插件实现 大规模训练稳定性仍有提升空间 生态挑战 开发者社区规模远小于CUDA生态 迁移成本高，需要改代码 第三方工具链支持不足 Google TPU：内部驱动+外部服务 TPU v5/v6 v5p：适合大模型训练，性能约为H100的1.5倍 v6：2025-2026部署，推理性能大幅提升 软件生态 JAX/XLA：Google力推的ML框架 PaxML：大模型训练框架 Triton后端支持 特点 TPU是面向大模型的专用芯片： ...