过去几十年，卫星承担的主要任务是“采集数据”。
拍摄地球影像、收集遥感信息、监测环境变化……但这些数据往往需要经过一个漫长过程：卫星采集 → 数据下传 → 地面处理 → AI分析 → 输出结果。
这种模式正在遇到新的瓶颈。
随着卫星数量快速增长，以及高分辨率遥感、智能导航、空间自主任务需求不断提升，单纯依靠地面处理已经越来越难满足实时性需求。
卫星产生的数据越来越多，但通信链路有限。于是，一个新的方向正在成为产业共识：让卫星自己完成部分AI计算。
也就是说，卫星不再只是“数据采集器”，而是逐渐成为具备感知、分析和决策能力的智能边缘节点。
从“传数据”到“传结果”：AI计算正在走向轨道边缘
在传统卫星系统中，图像数据通常需要传输回地面，由大型计算中心完成分析。
但对于很多任务而言，真正需要的并不是完整原始数据，而是经过AI处理后的结果。
例如：
- 目标识别；
- 地理定位；
- 灾害监测；
- 船舶车辆检测；
- 空间态势感知。
如果卫星能够直接在轨完成AI推理，就可以大幅减少数据传输压力，同时提升响应速度。
以卫星地理定位为例：过去，需要将拍摄图像传回地面，再利用算法计算卫星位置。而通过边缘AI方案，卫星可以直接利用机载计算平台运行AI模型，根据实时图像完成定位。
这意味着：计算能力正在从地面数据中心迁移到距离数据源最近的位置。
这也是近年来“Edge AI”从工业、汽车、机器人走向航天的重要原因。
太空AI最大的挑战：不是算力，而是“确定性”
很多人认为，卫星AI最核心的问题是算力不足。但实际上，太空环境对计算系统提出了更苛刻的要求。
因为卫星不像地面服务器：
可以增加电源；
可以安装大型散热系统；
可以随时维护升级。
空间计算必须同时满足：
- 低功耗；
- 高可靠；
- 长生命周期；
- 稳定实时响应。
尤其对于AI推理任务而言，系统不仅要“算得快”，更要“每一次都稳定地算出来”。这也是为什么FPGA在空间边缘计算领域受到关注。
相比传统CPU，FPGA能够通过硬件并行结构加速AI计算，同时保持较低功耗和确定性的实时响应。
FPGA+AI框架：卫星智能计算的新组合
在此次案例中，Klepsydra Technologies与瑞苏盈科（Enclustra）合作，将Klepsydra AI软件框架与瑞苏盈科（Enclustra） Mercury+ XU1 SoM结合。核心任务是运行KamNet卷积神经网络模型，实现卫星图像实时地理定位。
整个系统采用异构计算方式：AI模型 → Klepsydra AI框架 → FPGA加速单元 → Mercury+ XU1 SoM → 卫星端实时推理
其中，大量计算密集型任务被转移到FPGA可编程逻辑中执行。
这样做带来的优势非常明显：
1. CPU压力降低
CPU无需承担全部AI计算任务，可以负责系统控制、通信管理等工作。
2. 并行计算提升吞吐
FPGA天然适合数据流处理，可以同时执行大量并行计算。
3. 延迟更加可控
对于卫星、自主系统等任务而言，“什么时候得到结果”非常重要。
FPGA硬件加速能够提供更稳定、更确定的响应时间。
Mercury+ XU1：一块面向极端环境的AI计算底座
作为此次方案的硬件核心，瑞苏盈科（Enclustra） Mercury+ XU1 SoM采用AMD Zynq UltraScale+ MPSoC架构。
它将：
- FPGA可编程逻辑；
- 四核ARM Cortex-A53；
- 双核ARM Cortex-R5；
- Mali-400 GPU；
集成在一个仅74 × 54 mm的小尺寸模块中。
对于卫星、无人机、机器人等空间受限设备来说，小型化非常关键。
同时，Mercury+ XU1提供：
- 最高4GB DDR4；
- Gigabit Ethernet；
- USB 3.0；
- PCIe Gen2；
- DisplayPort；
能够满足复杂边缘AI系统的数据处理需求。
更重要的是，它具备较长产品生命周期和工业级可靠性，更符合航空航天、国防等领域对供应稳定性的要求。
从卫星，到机器人，再到工业现场
卫星只是边缘AI落地的一个缩影。实际上，这类“AI+FPGA边缘计算”架构正在向更多领域扩展。
例如：
航空航天
无人机实时目标识别、自主导航、故障检测。
国防
智能装备、无人系统、目标检测与态势感知。
工业自动化
设备预测维护、生产过程实时分析。
IoT
减少数据上传，仅传输关键结果。
医疗设备
设备端实时处理数据，提高响应速度并保护隐私。
这些应用有一个共同特点：数据越来越多，但网络、功耗和响应时间成为限制。
因此，把AI能力推向数据产生的位置，将成为未来智能系统的重要方向。
未来的卫星，不只是“拍照设备”
过去，卫星竞争的核心是：“谁能拍得更清楚。”
未来，竞争可能变成：“谁能更快理解自己看到的东西。”
这背后推动的是一次计算架构变化：
从：卫星采集数据 → 地面分析
走向：卫星感知 → 本地AI推理 → 自主决策
而FPGA正在成为这一变化中的关键技术路线。
它不像GPU追求极致通用算力，也不像ASIC需要长期固定设计，而是在性能、功耗、灵活性之间找到了一种平衡。
对于未来越来越多的智能边缘设备而言，真正重要的不只是“拥有AI”，而是：能否在资源有限、环境复杂的地方，让AI稳定运行。
这正是边缘AI进入太空之后带来的最大价值。
文章来源：瑞苏盈科
