Google Suncatcher 衛星：TPU 上太空一次只能算 15 分鐘

2026 年 10 月 1 日，一台冰箱大小的衛星搭著 SpaceX Falcon 9 的 Transporter-18 共乘任務離開地面。它沒有相機、不做遙測、也不轉發通訊訊號。它上去的唯一任務，是證明一件在地面上早就不成問題的事：Google 自家的 AI 晶片，能不能在軌道上正常算完一段運算。

這是 Google 的 Project Suncatcher 第一顆原型衛星，與衛星影像公司 Planet Labs 合作打造。酬載是四顆第六代 Trillium TPU，整體算力大約相當於一台資料中心伺服器——放在地面機房裡，這是毫不起眼的規格。但它現在在約 650 公里高的太陽同步軌道上，而這顆衛星回傳的資料，會決定「把 AI 算力搬到太空」這個想法接下來還有沒有路走。

Photo by Mara F on Unsplash

為什麼有人想把機房送上天

這件事的起點不是浪漫，是電。

過去兩年，AI 訓練與推論的用電需求成長速度，遠快於電網新增容量的速度。資料中心業者遇到的瓶頸常常不是買不到晶片，而是找不到能在合理時間內供上足夠電力的地點——併網排隊、變電站擴建、地方政府審核，每一關都以年為單位計算。算力的成長曲線撞上了電力基礎設施的成長曲線。

太空提供了一個繞過這條曲線的可能性。在晨昏型的太陽同步軌道上，衛星幾乎永遠面向陽光，不必經歷日夜循環，也沒有雲層與大氣衰減。依 Google 公布的估算，同一規格的太陽能板放在這種軌道上，發電量可以達到地面的八倍左右。發電這件事，太空確實贏得很乾淨。

所以 Suncatcher 的提案邏輯是：如果電是地面的天花板，那就去一個電不是問題的地方。

Photo by Red Zeppelin on Unsplash

上去之後，瓶頸換了一個

這顆原型衛星最值得注意的數字，不是它的算力，而是它的工作時間：連續運算大約 15 到 20 分鐘，就必須停下來降溫。

原因是散熱。地面機房處理廢熱的方式有很多種——風扇把熱帶走、冷卻水把熱帶走、空調把熱排到戶外空氣裡。這些方法都依賴一個條件：周圍有東西可以接收熱量。真空裡沒有空氣，也沒有水，熱只剩一條路可走，就是以紅外線輻射的形式發散出去。

而輻射散熱的效率取決於散熱面積。要把高密度晶片產生的熱即時排掉，輻射板的面積必須遠大於晶片本身的面積，這意味著又大又重的板子。質量直接換成發射成本，於是散熱面積成了一個被預算綁住的參數。

這顆衛星的可用電力只有大約 1 千瓦。Google 自己也承認，真正有意義的太空運算叢集可能需要 50 到 100 千瓦等級，而這個級距的廢熱要怎麼排掉，目前沒有現成答案。換句話說，把算力搬上太空並沒有解決限制，只是把限制從「電力從哪裡來」換成了「熱要排到哪裡去」。

Photo by Andrey Soldatov on Unsplash

大家原本擔心的輻射，反而先過關了

有趣的是，太空運算最常被提出的疑慮——宇宙輻射會不會把商用晶片打壞——在發射前的地面測試裡表現得比預期好。

Google 用 67 MeV 的質子束模擬低地球軌道約五年的累積劑量，對 Trillium 世代 TPU 與 AMD CPU 進行照射，晶片在測試中沒有出現損壞；公布的資料也提到晶片承受了遠超任務預期的劑量水準。這個結果之所以重要，是因為傳統太空任務習慣使用經過抗輻射強化、但效能落後市面產品好幾個世代的專用處理器。如果商用規格的 AI 晶片能直接上天，整個成本結構才有討論空間。

但測試也標出了一個弱點：高頻寬記憶體（HBM）子系統對輻射比運算單元更敏感，會出現無法自動修正的錯誤。Google 的說法是，這類錯誤「對推論任務可能是可接受的」，但對訓練任務的影響仍需進一步研究。這個區分其實很關鍵——推論算錯一個 token 可以重算，訓練過程中累積的數值污染卻可能毀掉整次訓練。

所以這顆衛星真正要驗證的，不是輻射，而是熱循環。晶片每算 15 分鐘、停一段時間降溫，再開始算，這個循環會讓硬體反覆經歷超過 100 度的溫差。熱管在這種反覆之下能不能持續有效運作、矽與封裝在數百次循環後會不會出現疲勞，都是地面測試不容易完整模擬的部分。

發射成本是另一道門檻

即使技術全部走通，這件事還要過一道算數題。

目前把一公斤物品送上低地球軌道，成本大約在 1,500 到 2,900 美元之間。Google 在研究報告裡提出的門檻是 200 美元一公斤——如果到 2035 年前後發射成本能降到這個水準，把發射費用攤提到設備生命週期內，每千瓦的成本就有機會跟地面資料中心的能源成本相提並論。

這個數字成立的前提，是 SpaceX 的 Starship 能達成高頻率、低成本的常態發射。這本身就是一個尚未兌現的假設，而且是 Google 無法控制的變數。把一個基礎設施路線的經濟性押在另一家公司的下一代火箭上，風險並不小。

此外還有維運問題。地面機房的硬碟壞了可以換，軌道上的衛星壞了只能靠設計階段預留的冗餘撐著，或是整顆報廢。硬體的汰換週期與 AI 晶片的世代更新速度之間，也存在明顯的張力：地面機房可以兩三年換一輪加速器，軌道上的設備要怎麼跟上？

從一顆到八十一顆

Suncatcher 的長期構想在規模上拉得很遠。研究報告裡描述的叢集，是 81 顆衛星在半徑約一公里的範圍內維持編隊，平均高度 650 公里，靠衛星間的光學鏈路把彼此連成一個運算整體；報告估算每條鏈路可以用商用現貨的 DWDM 技術聚合到 10 Tbps 等級。

要讓這種架構運作，衛星必須保持在幾百公尺到一公里的相對距離內——這是為了讓光學鏈路的功率預算成立。但高密度編隊同時意味著軌道維持、碰撞風險與燃料消耗都要重新計算。

2027 年計畫再發射兩顆衛星，重點是測試衛星之間的雷射通訊，以及更長時間的運行。從一顆孤立的測試件，到兩顆能互相通訊的衛星，再到 81 顆維持編隊的叢集，中間每一步都不是等比例放大。

該怎麼看這件事

Google 自己把 Suncatcher 定位為研究型的登月計畫，並明確說「仍有重大挑戰尚未解決」，也強調它不是地面 AI 基礎設施的替代方案。這個自我定位值得照字面理解——這顆衛星不是太空資料中心的第一塊磚，它是一次用來否證或保留可能性的實驗。

從產業觀察的角度，有兩件事比「AI 上太空」這個標題更值得記住。

第一，算力的競爭已經推進到物理層面。當模型規模的成長開始受制於電網排隊、土地取得與廢熱處理，突破口就不再只是演算法或晶片架構，而是能源與熱力學。Suncatcher 是這個趨勢比較極端的一個切面，但同一邏輯也出現在核能供電協議、液冷改造、以及把機房蓋到寒冷地區或電價窪地的各種決策裡。

第二，實驗的價值常常在於它標出了限制的位置。這顆衛星最有用的產出，可能不是「成功在太空完成運算」，而是「15 分鐘」這個數字——它把散熱從一個工程細節，變成了決定整個路線可行性的核心參數。在這之前，太空運算的討論大多圍繞輻射與發射成本；現在輻射暫時退居次位，熱成了主角。

對一般企業來說，軌道上的 TPU 短期內不會改變任何採購決策。但它提醒了一件比較實際的事：AI 算力的價格與供給，接下來幾年會受能源與散熱這類傳統基礎設施因素牽動，而不只取決於模型或晶片本身的進展。評估任何以 AI 算力為前提的長期規劃時，這個變數值得放進來一起看。

這顆冰箱大小的衛星會在軌道上運作一段時間，每次算 15 分鐘，然後停下來等熱散掉。它回傳的不是什麼驚人的運算結果，而是一組關於溫度、誤差與耐久性的數據。那組數據會告訴產業，這條路是暫時擱著，還是真的可以往下走。