【热点】云原生边缘计算在太空成功验证,助力卫星进入智能时代

摘要:近期,全球首颗云原生边缘计算卫星“天算星座”试验卫星“宝酝号”在成功成功验证,将计算精度提升了 50% 以上,卫星回传数据量可减少 90%,卫星将进入云原生时代。

【热点】云原生边缘计算在太空成功验证,助力卫星进入智能时代

摘要:近期,全球首颗云原生边缘计算卫星“天算星座”试验卫星“宝酝号”在成功成功验证,将计算精度提升了 50% 以上,卫星回传数据量可减少 90%,卫星将进入云原生时代。

2020年,卫星互联网首次被明确纳入国家“新基建”范畴,卫星通信成为继有线互联、无线互联之后第三代互联网基础设施革命。随着应用领域的不断延伸,全球卫星产生的数据量首次超过卫星传输的数据量,因此在卫星上进行数据通信、融合、预处理的需求越来越强烈。

01、云原生边缘计算,打破在轨计算壁垒

自1957年太空中升起第一颗人造地球卫星以来,如今太空中的卫星已超3000颗。由于卫星平台的特殊性,其计算能力、通信能力、维护能力、平台能力相对较弱,每一颗在太空中正常运行的卫星,都会产生大量的数据。可传统的卫星都缺乏运算的“大脑”,它们只会记忆,不会运算,需要把海量的原始数据传输回地面中心处理,因此占据大量资源,卫星亟需实现“智能化”。

当卫星拥有了自己的“大脑”,能够在太空中计算处理数据后,会发生什么样嬗变?或许全球首颗云原生边缘计算卫星“天算星座”试验卫星“宝酝号”将提供一些答案。

据天算星座首席科学家、北京邮电大学教授王尚广教授介绍,“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,将成为我国卫星领域的一支重要力量,也将作为全球卫星网络科技创新基地之一,应对世界科技变革。

其“宝酝号”实现了在轨计算上“零的突破”,是全球首颗具备云原生与边缘计算能力的智能卫星。利用云原生边缘计算技术,卫星在太空中先对数据进行计算处理,可减少大量传输压力,实现“业务上天、服务在轨”,满足航空航天领域多样化的需求。

以通信、遥感为代表的传统卫星,只有储存能力,只能将存储的数据回传到地面,不具备星上处理能力。“宝酝号”上搭载的“天算星座”计算平台载荷,可实现卫星在轨计算处理,提高分布式应用协同能力和在轨AI推理能力。结合北邮开发的卫星网络系统、基础通信组件,还可为空天实验提供按需使用的计算能力。

云原生边缘计算平台的出现,有效降低了空天计算的实验门槛,使得天上卫星的管理,像地面服务器的管理一样简单,“地面鼠标点点,天上卫星颤颤”。

02、计算精度提升 50% ,卫星进入云原生时代

过去的卫星在研制时就有相应的任务,发射升空之后也只能完成特定任务,而有了云原生后,基于云原生的环境,可以在卫星上实现服务生成、更新或应用上注,将原来的任务A,升级或变更为任务B任务C。

也就是说,当卫星有了云原生边缘计算平台之后,科研人员可以在卫星上构建一个对所有资源进行统一管理的环境,像手机一样可以装各种各样的APP,分门别类用于环境监测或是科研实验,功能更强大,也就是智能卫星。

过去发生洪水时,需先在地面将“拍摄灾区图像”的指令传输给卫星,卫星再将拍摄到的影像回传。待卫星将影像回传后,地面再统一进行云检测和水域提取,到最终生成监测报告通常需要1天。由于卫星没有筛选处理能力,所有的数据还是要传到地面才能进一步应用,而分析回传的数据时发现,很大部分影像都有云层遮挡,是没有用的,因此卫星的在轨计算功能是迫切需求。

然而,当卫星有了云原生边缘计算能力后,卫星可以在轨进行AI推理,将被云层覆盖超50%的低质量图像数据丢弃,减少传输无效数据,降低传输压力。有效图片回传后,在地面再利用高精度AI模型进行运算,进一步缩短影像预处理、水域提取、监测报告生成的时间,最终生成监测报告只需1小时左右。显著提升应急响应时间。

智能卫星的投入使用,将给防灾减灾领域带来巨大变革。除了将应急响应时间从“天级”降低到“小时级”外,卫星边缘任务还可按需更新,通过在轨AI推理,比较暴雨前后图片,推测山体坍塌风险,提前预判地质灾害隐患,并发出预警。

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。这意味着卫星将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,可最大限度提升效率和响应速度。

据了解,此次云原生边缘计算在太空成功验证后,将继续部署“天算星座”一期的6颗卫星,在太空中形成协同计算网络,更好地服务航空航天、应急通讯、生态监测、防灾减灾和城市建设等。

Read more

PPIO发布Agent Runtime:让Agent部署像Serverless一样简单

PPIO发布Agent Runtime:让Agent部署像Serverless一样简单

近期,PPIO 发布了基于 Sandbox(沙箱)自研的新产品:Agent Runtime,一个轻量级的 Agent 运行时框架。 Agent Runtime 是为了顺应 Agent 的专属需求而推出,其定位与 AWS AgentCore Runtime 类似。AgentCore 是 AWS 在 2025 年推出的专为 Agent 设计的基础设施平台,AgentCore Runtime 则是其中一个子产品,是基于 Firecracker 微虚拟机的 Serverless 运行时环境,旨在解决 Agent 低成本、高效率的部署问题。 PPIO Agent Runtime 通过简单易用的 SDK 与强大的沙箱运行环境来简化 Agent 的部署过程。用户无需关心基础设施配置、

By PPIO
当Agent计算规模扩大100倍,我们需要什么样的Agentic Infra?

当Agent计算规模扩大100倍,我们需要什么样的Agentic Infra?

近期,PPIO Sandbox(沙箱)发布了一个重要功能:沙箱克隆。 沙箱克隆旨在助力提高 Agent 的并行计算能力,也就是经典的“Scale up”规模扩展问题。 今年最流行的 Agent 产品是 Deep Research,它可以看作对单个研究问题持续追踪、推演、迭代直到形成洞察的长链路串行推理过程。 那么,如果将 Deep Research 的能力 Scale up 一百倍会发生什么?像 Manus 这样的 Agent 正在解决这类挑战,并将这种并行计算架构的 Agent 称之为 Wide Research。 从 Agent 的串行计算到并行计算,离不开“沙箱克隆”这一核心技术的助力,这是 PPIO 在 Agentic Infra

By PPIO
PPIO上线Kimi K2 Thinking,兼容Anthropic协议

PPIO上线Kimi K2 Thinking,兼容Anthropic协议

今天,PPIO 上线 Kimi K2 Thinking,这是 Kimi 最新、功能最强大的开源思考模型。 Kimi K2 Thinking 基于 Kimi K2 后训练而来的混合专家模型(MoE),总参数达 1T,激活参数 32B,上下文长度 256K。该模型支持深度思考、Function Call、结构化输出、json_schema、json_object 等功能。 现在,你可以到 PPIO 官网在线体现 Kimi K2 Thinking,也可以将 PPIO 的模型 API 部署到 AI 应用中。 PPIO 在线体验地址: https:

By PPIO
PPIO独家上新GPU实例模板,一键部署Kimi-Linear

PPIO独家上新GPU实例模板,一键部署Kimi-Linear

昨晚,月之暗面发布了混合线性注意力架构新模型 Kimi-Linear,旨在解决大语言模型在长上下文推理中的计算瓶颈。 Kimi-Linear 的核心亮点: * Kimi Delta Attention(KDA),一种通过细粒度门控机制改进门控规则的线性注意力架构。 * 混合架构:采用 3:1 的 KDA 与全局 MLA 比例,在保持甚至超越全注意力质量的同时降低内存占用。 * 卓越性能:在 1.4T Token 的训练规模下,经公平对比,KDA 在长文本与类强化学习基准等多项任务上均优于全注意力。 * 高吞吐:在 1M 上下文中实现最高 6 倍的解码吞吐量,显著缩短单输出 Token 耗时(TPOT)。 今天,PPIO 独家上新 GPU 实例模板,可一键部署 Kimi-Linear-48B-A3B-Instruct 的专属模型。 PPIO 算力市场的

By PPIO