近日，航天圈有几个热点，不仅有SpaceX星舰5“筷子夹火箭”成功，更有我国成功实现全球首颗AI卫星升空。当AI进入太空后，如何让卫星变得更"聪明”？未来我们可能会用上AI卫星技术带来的哪些便利？还有就是马斯克的火星计划是不是要提前了？
10月16日晚19:00氪星直播间邀请到了商汤智能产业研究院院长及《田丰说》创始人 田丰、丝路天图CEO韦文怡、未来宇航创始人兼CEO牛旼，和我们一起聊聊当卫星遇到AI ，会产生什么火花？
在这场直播中三位嘉宾主要讨论了以下问题：
1.2024年9月24日，全球首颗AI大模型科学卫星成功发射入轨。此次AI卫星的试验成功，对于卫星技术有什么重要的意义？
2.卫星应用本来就需要考虑能耗，大模型更是个烧算力的应用，怎么平衡AI算力和卫星应用的能耗问题？
3.AI 的价值确实很大，在太空中AI是如何让卫星变得更加聪明？
4.卫星在太空中采集到的数据是庞大且复杂的，当有了 AI 的加持后，卫星在数据的获取上会有什么不一样吗？
5.现在商业航天的应用在C端市场还是比较空白，AI卫星的验证成功是否为我们打开新的商业机会？
6.卫星应用是属于缓慢增长的，在当前的市场环境下，商业航天公司应该更专注于深化已经验证过的商业应用深耕，还是应该积极探索未知的新应用，寻找更多增长点？
36氪：2024年9月24日，全球首颗AI大模型科学卫星成功发射入轨。此次AI卫星的试验成功，对于卫星技术有什么重要的意义？田丰：卫星技术的悠久历史以及钱学森老先生对于卫星和人工智能的早期设想。从1950年代苏联成功发射第一颗卫星开始，美苏之间的卫星科技竞争便拉开了序幕。钱学森老先生在那个时代已经预见到卫星组成的“星际码头”（即太空站）概念，与航天系统结合的“第五代计算机”或“智能机”。随着时代的发展，AI技术逐渐成熟，并与卫星技术实现了深度融合。这种融合带来了卫星自主性和任务协同能力的显著提升。卫星在太空中的运行环境复杂多变，信号传输延迟长，使得实时地面操作变得困难。因此，卫星需要具备一定的自主性，以应对通信延迟或故障等情况。AI大模型的应用为卫星提供了这种自主性。当卫星与地面联系较慢或需要处理复杂的新任务时，AI大模型能够指导卫星进行自主决策和调整，确保任务的顺利完成。此外，通过AI技术，多个卫星可以形成一个星座联合体，利用群体智能进行复杂的操作。这种协同不仅提高了卫星的工作效率，还增强了卫星系统的整体稳定性和可靠性。
韦文怡：在当前的航天领域，AI技术的应用正在改变数据处理的方式。传统的卫星数据处理过程需要大量的人工参与，包括数据接收、预处理、标注等，这些工作不仅耗时耗力，而且效率低下。然而，随着AI技术的引入，这一状况得到了显著改善。AI技术通过自动化和智能化的方式，将原本需要人工处理的数据流程化、机器化，从而大大提高了数据处理效率。韦文怡提到，现在从数据接收到预处理，再到最终的分析和解释，整个过程都可以形成一个流程化的梳理模式，使得数据处理时间从过去的数天甚至数周缩短到数小时。此外，AI技术还解决了多模态数据融合处理的难题。在卫星对地感知的过程中，需要融合来自地面、空中和太空的多源数据。然而，这些数据往往具有不同的格式、分辨率和精度，传统的处理方法很难实现有效地融合。而AI技术通过学习和理解数据的内在规律和关联，能够实现对多模态数据的精准融合，从而提供更全面、更准确的信息。
牛旼：传统的人工标注工作不仅劳动密集，而且需要专业知识。遥感数据的标注尤其如此，因为它需要识别和理解各种地理特征和物体。然而，随着AI技术的发展，这种繁琐而复杂的工作正在被逐步替代。AI通过学习和训练，能够自动识别和标注遥感数据中的特征，从而大大提高了数据处理效率和准确性。卫星实际上更像是一个具有动力系统的“车”，它有自己的“大脑”（即控制系统），但目前这个“大脑”更像是一个“小脑”，主要负责控制卫星的姿态和轨道调整。然而，随着AI技术的引入，卫星的“大脑”将变得更加智能和强大。AI在卫星上的主要应用是在遥感信息的处理上，这类似于智能监控中的边缘计算。通过将AI部署在卫星上，可以实现数据的实时处理和决策，从而减少了数据传输和处理的延迟。未来，随着更多卫星上天并形成星座网络，星间连接和云的形成将成为关键。AI卫星组成的算力星座将具有更大的实际应用价值。
田丰：我再补充一个小故事。商汤科技在AI遥感领域的第一个场景就是，客户公司买过来大量卫星照片数据，但其中很多照片因为云层覆盖而无法使用。因此，当时开发的第一个算法就是用来识别和筛选掉这些有云的照片，以便剩下的照片可以用于进一步的分析。有些照片可以通过算法处理去除云层，但有些因为云层覆盖面积太大而无法处理。
牛总还提到了遥感技术在观测地球物体方面的两个概念。首先是感知对象，以前卫星可能只能识别特定的物体，比如舰船。但现在，大型AI模型具有泛在智能的能力，可以识别从塔吊到建筑物，再到水文、森林，甚至大型动物等多种物体。这种大型AI模型可以视为一种通用的感知能力，这是非常有价值的。因为这些模型可以在地面上训练好，然后缩小参数量，比如将10亿参数量或几亿参数量的大模型压缩成适合卫星搭载的小模型。
另一个重要概念，即识别和分类。例如，识别一个景区或建筑物需要分类，并用不同颜色进行标注。过去，这种分类和标注工作需要人工完成，工作量非常大。但现在，随着大模型时代的到来，大模型可以自动进行标注。例如，植物可以用绿色标注，水文用蓝色标注，路网用紫色标注，这样就可以快速地将图层和对象分类出来。这大大便利了后续的处理工作。总的来说，AI技术在遥感领域的应用，不仅提高了数据处理的效率，还扩展了卫星的感知能力，使得卫星能够识别和分类更多的地球物体。
36氪：卫星应用本来就需要考虑能耗，大模型更是个烧算力的应用，怎么平衡AI算力和卫星应用的能耗问题？牛旼：卫星技术的发展与汽车工业的演变有着相似之处，就像燃油车向电动车的转变一样，卫星技术也在经历着能源一体化的变革。过去，许多卫星依赖化学推进剂来调整轨道和姿态，卫星的寿命往往不是由于硬件损坏，而是燃料耗尽，导致无法维持轨道而失效。这与燃油车的局限性相似，需要定期加油。
现在，卫星技术正朝着电推进系统发展，这类似于电动车的电动机。电推进系统需要电力供应来保持轨道，这就需要卫星配备高效的能源系统。对于算力卫星来说，能耗是一个急切需要解决的问题。在太空中，太阳能是唯一的能源来源，但近地轨道的卫星在绕地球运转时，会有一段时间处于地球的阴影中，这时就需要消耗卫星自带的电池能量。目前，许多卫星携带锂电池来提供能量储备。
未来，有两个技术解决方案可能会被采用。一是进一步降低卫星的功耗，二是进行能源技术的革新，比如使用钙钛矿太阳能电池或开发能量密度更高的储能电池。此外，随着算力卫星的出现，未来可能会出现专门用于储能的新型航天器，类似于电力卫星。这些卫星可以负责收集太阳能并储存起来，然后通过激光或微波传输的方式为高能耗的卫星提供能量。
总的来说，卫星技术的未来发展将朝着降低能耗和提高能源效率的方向发展，这与汽车工业从燃油车向电动车的转变有着相似的轨迹。
田丰：牛总刚才提到的算力问题非常有趣，这确实是我们很多人的知识盲区。现在卫星的算力已经非常强大，比如，如果一个机器人的算力是100T，那么自动驾驶汽车的算力也能达到100T。卫星算力甚至能达到200T以上，最新型卫星还能配置1000T的算力。有的卫星甚至以算力来命名，显示了其强大的计算能力。
然而，这么大的算力是否能够由现有的锂电池供电，这是一个问题。这里我们可以从另一个角度来思考，即芯片的发展符合摩尔定律。摩尔定律指出，大约每18个月，芯片的性能会翻一番，而成本会降低。这意味着，今年的200T算力芯片与明年的200T算力芯片相比，后者的成本和能耗可能会更低。
因此，我们可以展望，也许在未来一两年内，大型AI模型将变得更加节能，而芯片的算力会更强，但其能耗和成本并没有显著上升。这实际上是摩尔定律带给我们的指数级红利。总的来说，随着技术的进步，我们可以期待卫星的算力会持续增长，同时能耗和成本会得到更好的控制。这将为卫星技术的发展带来巨大的潜力和机会。
韦文怡：我们刚才提到的就是在星上怎么样用算力的问题，其实不光在星上， AI在遥感领域的应用需要的算力，在地面上都非常大。例如，我今天刚遇到一个案例，有一个农业大模型需要计算全国所有县市某种作物的整个生产周期，这本身就是一个巨大的挑战。在遥感领域，每种作物都有其独特的区域特征，因此不能简单地将一个区域的模型应用到另一个区域。这就意味着，如果要使用一个大模型来统一处理这些问题，需要非常强大的耦合机制，这在地面上已经非常困难。
以西电1号卫星为例，该卫星于2022年发射，搭载了高光谱和模型定义载荷。这些载荷用于目标识别和轮廓提取，对于可见光图像来说，它们能够识别目标；而对于高光谱卫星，它们能够感知并识别出不同作物的光谱特征。由于每一景数据量非常大，大约有10GB，所以在数据传输过程中压力很大。为了减轻这种压力，卫星上搭载了一个在轨压缩载荷，可以在卫星上直接对数据进行压缩处理，然后再将压缩后的数据传回地面，这样就大大减轻了传输压力。如果能够将AI大模型直接部署到卫星上，那么卫星就可以直接处理数据并传输处理结果，这将更加便捷。或者，只传输特征值，这样数据量会小很多。这样，卫星可以帮助我们筛选出所需的数据，而无需处理无用的数据。
此外，卫星上的传感器也非常重要，例如红外传感器可以直接看到地下的东西，具有很高的价值。像SAR卫星这样的设备可以穿云透雨，对于遥感应用来说非常有用。总的来说，随着技术的发展，我们可以期待卫星上的传感器和AI模型将更加高效和智能，能够更好地满足我们的需求。
36氪：AI 的价值确实很大，在太空中AI是如何让卫星变得更加聪明？牛旼：我举一个自动驾驶汽车的例子，它帮助我们理解了未来太空交通治理可能面临的挑战。目前，自动驾驶汽车装备了众多传感器，能够实现从L3到L5级别的自动驾驶功能，其中最基本的功能就是避免碰撞。同样，太空中的卫星数量在过去几年里已经大幅增加，尤其是星链计划的实施，预示着未来卫星数量可能会再增加一个数量级。这就像早期汽车刚出现时，道路上车辆稀少，不需要考虑交通拥堵和碰撞风险。但随着车辆数量的增加，交通管理和规则制定变得至关重要。
对于卫星而言，未来太空交通治理也将面临类似的挑战，包括如何制定规则以规避碰撞。卫星也需要具备类似自动驾驶汽车的碰撞预警和自主规避功能。例如，如果两颗卫星有轨道交汇的风险，它们可以调整轨道角度以避免碰撞。未来，每个卫星都可能具备这样的功能，这需要AI技术赋能卫星的自主控制和轨道调整能力。这类似于将自动驾驶汽车的AI模型算法应用到无人机控制技术，并进一步扩展到太空领域。
目前，尽管卫星在天上看不见、摸不着，但仍有专门的团队通过地面站控制卫星，接收遥测参数。如果卫星降轨，可以发送指令让它升轨。许多自动化策略已经开始实施，减少了人工观测、处理和发送指令的需求。未来的发展方向是将这些策略进一步集成到卫星上，实现自主测控，最终达到无人化管理。这意味着卫星将能够在没有地面干预的情况下，自主执行任务和调整轨道，大大提高了效率和安全性。随着AI技术的发展，我们有望看到卫星在太空中的自主性和智能化水平不断提高，以应对日益增长的太空交通挑战。
田丰：哨兵卫星，以及清洁工卫星的概念，都非常有趣。清洁工卫星是指那些专门设计用来处理太空垃圾或者维修故障卫星的航天器。当卫星进入故障状态需要维修，或者已经退役时，如果它们配备了AI，它们可以自动进入墓地轨道。墓地轨道是太空中一个特定的区域，用于存放不再使用的卫星，以减少它们与其他在轨卫星发生碰撞的风险。
牛总提到的智能化体现在，卫星可以通过AI进行自我学习和改进。AI中的强化学习是一个关键概念，它允许卫星通过与环境的交互来学习，而不仅仅是依赖于人类的指导。这类似于AlphaZero，它们通过自我对弈来学习棋谱。当卫星在执行特定任务时失败，这些失败的数据非常宝贵，可以用来在终端上自我改进。如果算力足够，卫星可以通过自我强化学习变得更加智能。
此外，如果一个卫星学会了新技能，它可以将这些技能广播给其他卫星。这样，整个卫星星座就可以共享这种知识，使得整个网络的智能升级速度比单个卫星的单体智能升级快得多。这类似于自动驾驶汽车的情况，比如特斯拉可能有300万辆车，如果一辆车学会了如何在一个危险路段驾驶，其他车辆也可以迅速学会。人工智能的这种群体智能和自我学习的能力，是其最强大的特点之一。通过这种方式，卫星星座可以不断自我改进，提高效率和安全性，同时减少对地面控制的依赖。
36氪：卫星在太空中采集到的数据是庞大且复杂的，当有了 AI 的加持后，卫星在数据的获取上会有什么不一样吗？韦文怡：在获取数据时，卫星可以进行初步的数据处理，比如数据压缩，这样可以在卫星上对最初采集到的原始数据进行粗加工，然后以粗加工的产品形式传回地面。在地面上，这些经过初步处理的数据可以用于各种不同的应用场景，带来很多革新。例如，在农业领域，以前每个地区都有自己的算法来处理遥感数据，林业和其他领域如生态环保等也是如此，因为每个地区都有其独特的地域特征。但现在，如果所有这些领域都能使用统一的数据预处理方法，那么在一个大的模型体系中处理后，可以得到一个更加规范和统一的结论。这样的结论可以填补遥感应用领域中的一些空白，比如在精度标准等方面的不一致问题。
此外，AI和大模型的应用还能实现以前无法做到的事情。例如，在地质灾害管理方面，传统的方法是事后处理，比如发现火灾后再进行应对。但现在，通过AI处理，可以在应用层面提前预警。美国有专门监测野火的卫星，它们主要通过红外技术来监测。中国科学家王建宇院士也在红外遥感领域做出了领先工作，通过红外监测，我们可以迅速捕捉到森林中的异常热度，即使它不一定真的发生了火灾。通过综合考虑当地的落叶堆积、树种、温度、湿度等多种因素，我们可以建立一个机理模型，预测火灾发生的可能性，并迅速通知应急部门，甚至调度无人机到现场进行处置。这种能力在以前是难以实现的，因为即使火灾发生，也不一定有卫星正好拍到了火灾现场。现在通过AI和大模型的应用，遥感数据的处理和应用变得更加高效和智能化，能够提前预警并快速响应各种灾害和环境问题。
牛旼：AI与遥感技术的结合不仅仅是图像处理那么简单，除了获取图像外，还包括高光谱、SAR（合成孔径雷达）图像等，这些图像包含的信息是肉眼无法直接分辨的。另外一点，AI+遥感领是要赋能各个行业的，需要结合行业知识和遥感数据以外的其他信息佐证，可能包括多种数据源和地物的基础属性信息。相当于各种信息与遥感AI处理融合在一起，通过整个AI系统进行处理，得出分析结果。虽然这些分析结果目前还无法达到100%的准确率，但已经取得了显著的进步，以前准确率可能低于50%，但现在许多应用场景的准确率已经达到70%-90%。
例如，韦博士提到的舰船识别，因为船只在海上的背景相对单一，所以识别起来相对简单。只要前期拍照清晰，没有云层遮挡，就能获得较好的识别效果。此外，像机场飞机的识别，因为机场通常经过特定标注，飞机在小尺度图像上更容易被识别和计数；包括道路上的车辆，这些场景的识别率相对较高，能达到90%以上。要将一个好的模型算法真正应用到一个行业中，需要将多种模型算法和不同结果综合分析，才能得出真正有效的行业知识。这意味着AI在遥感领域的应用是一个复杂的过程，需要跨学科的知识和技术支持。
田丰：AI遥感软件为卫星提供了强大的工具，可以满足各种行业需求。以东北农业大田管理为例，他们需要管理大量的农作物。当地政策鼓励农民种植大豆，以减少中国对大豆进口的依赖。以往，农业部门需要派遣人员实地考察，但效率低下。现在，通过AI遥感技术，可以直接从卫星图像中识别出哪些区域已经种植了大豆，从而提高工作效率。
此外，AI遥感技术还可以识别农田中的非农建筑，保护耕地红线。在农业领域，AI算法还能预测作物长势和产量，这在中国的许多产粮区都有应用。现代的农民可以通过手机查看农田情况，而无人机可以在发现问题时直接进行喷药等操作。
在防灾减灾方面，卫星遥感可以监测洪水等灾害，通过分析水线变化预测洪水趋势，从而保护人民的生命财产安全。
在能源领域，例如美国的卫星可以监测能源管线上的甲烷泄漏，确保安全巡检。中国光伏产业的快速发展也得益于AI遥感技术，可以快速识别适合安装光伏设施的屋顶和无人区域。
AI遥感技术的应用不仅限于农业和能源领域。在疫情期间，山东农业企业利用AI遥感技术监控农作物大棚，通过训练模型自动识别大棚情况。
动物保护也是AI遥感技术的一个有趣应用。例如，通过分析卫星图像中的粉色排泄物，可以发现南极企鹅的聚集地。
商汤科技开发的遥感大模型“地界”能够自动识别40多种不同的地物对象，这大大降低了成本，并提高了效率。随着技术的进步，未来可能还会有更多的对象能够被自动识别。
总的来说，AI遥感技术的应用非常广泛，它正在改变多个行业，提高效率，降低成本，并为环境保护和灾害预防提供了新的解决方案。
韦文怡：目前在遥感数据处理领域中，人们对于数据量的抱怨似乎没有以前那么强烈了，这可能是因为数据处理的方式正在发生变化。例如，合成孔径雷达（SAR）卫星需要历史数据积累来监测地表形变，这些数据对于监测路桥、大型基础设施等的微小位移（甚至达到毫米级）至关重要。但这种监测需要大量的历史图像数据，以建立时序数据集，这对数据的要求非常高。
今年开始，人们逐渐采用多种智能处理手段，结合多模态数据处理技术，以及历史数据和专家数据集的积累。这种结合可能正在推动遥感数据处理的进步。多模态智能处理手段可能包括使用不同类型的传感器数据，如光学图像、雷达数据、高光谱数据等，以及应用先进的算法来分析和解释这些数据。而专家数据集则是指由领域专家标注和验证的数据集，它们对于提高遥感数据的解释精度非常有帮助。
随着这些技术的发展和应用，我们可以期待遥感数据处理的准确性和效率提升。这些进步不仅能够提高我们对地表变化的监测能力，还能够为各种应用提供更加丰富和精确的数据支持。遥感数据处理领域正在经历一场变革，通过结合多模态数据处理技术和专家知识，我们有望在未来看到更多的创新和进步。
36氪：现在商业航天的应用在C端市场还是比较空白，AI卫星的验证成功是否为我们打开新的商业机会？牛旼：我们未来宇航一直在探索面向消费者（ToC）的市场，因为只有当一个产业真正面向消费者，它才能成为一个持久且巨大的产业。从遥感技术的角度来看，人工智能（AI）是实现这一目标的必经之路或必要手段。传统的遥感数据处理依赖于地面站接收数据，然后由人工进行预处理、分析，再结合行业知识，最终生成报告。这个过程最快也需要一到两周的时间，但当我们得到分析结果时，相关事件可能已经过去了两周，我们只能考虑如何补救或总结。
有了AI之后，它改变了我们对遥感数据应用的范式。AI可以自动化地为卫星下达任务，自动化地完成拍摄，然后接管数据处理。这类似于以前的摄像头监控，现在不再需要保安时刻监视，而是由AI来处理。以后我们的卫星都是全轨开机工作。以前是人得判断这个信息有用，才让卫星去拍；以后就是卫星一直在扫描， AI会把一些有效的信息、关键的信息及时推送给你，让你去关注它，然后再去进一步处理它。
另外一个距离大众稍微有点远的案例，例如，炒股票或期货。美国有家公司叫Orbital Insight，它使用卫星遥感数据进行时序观测，比如监测特斯拉总部门口的车辆变化来预测销售情况，或者监测苹果供应商的交通情况来预测股价。现在有很多公司在做AI遥感，其实都是在对标这家公司。遥感技术不仅仅是关注事件本身，而是观测到一些关联事件或衍生事件，并利用这些相关性进行反推。例如，遥感技术在找矿方面的应用，并不是直接探测地球深处，而是通过地表植被的变化来推断矿物的存在。
未来，对这种相关性的挖掘将是一门学科和话题，我们可以不断挖掘遥感数据的有效性。例如，在农业领域，遥感技术与保险相结合，可以帮助农民在作物遭受灾害后获得赔偿，或者在作物生长不达预期时获得保险赔偿。保险公司的赔偿机制和费率计算依赖于AI遥感技术，这与农民的生活息息相关，也关系到整个国家的民生。
田丰：我最近在研究SpaceX的一些资料，发现了马斯克背后的科技哲学，觉得非常有趣，想和大家分享一下。马斯克认为，产品越简单，就越可靠；越可靠，就越容易复用。这三者之间形成了一个循环关系，因此他致力于简化产品。例如，SpaceX的助推器就是通过将多个部件捆绑在一起，并使用铝合金逐节增加，以达到简化设计的目的。
马斯克的这种第一性原理思维是值得借鉴的。在美国，商业航天的发展一直受到政策的推动，其理念是：如果某个项目与国防或敏感事务无关，就应该交给商业航天去做。但是商业航天能否将成本压缩到传统成本的十分之一？这确实是一个挑战，需要许多科学家运用第一性原理不断探索和测试。马斯克在SpaceX的早期也面临过财务困境，差点破产。我认为，中国在这方面也应该更加包容，给予试错和失败的空间，这样更有利于创新和发展。
36氪：卫星应用是属于缓慢增长的，在当前的市场环境下，商业航天公司应该更专注于深化已经验证过的商业应用深耕，还是应该积极探索未知的新应用，寻找更多增长点？牛旼：目前，许多专家和技术人员可能更倾向于不断提升产品性能指标、降低成本以及扩大应用范围。这不仅包括卫星遥感处理，也包括卫星制造，大家都在朝着这个目标努力。我认为目前更需要的是像商汤科技这样在AI识别领域非常成功的公司，能够反向跨界进入航天界。这些带有互联网和AI基因的企业更贴近用户大众，更了解用户需求。
以一个简单的例子来说，目前许多AI遥感应用的目标离大众生活较远，如农田、海洋、飞机等。但如果从AI和互联网的角度出发，我们会从城市生活、人们的活动和经济相关的角度来考虑遥感数据的应用，遥感和AI的融合是殊途同归的。我们需要更多的新应用场景来激发新需求，这些需求反过来会推动技术的发展。例如，遥感卫星目前无法24小时拍摄，晚上无法工作，这就提出了如何使用红外技术进行融合拍摄的问题。另外，目前的遥感技术在时效性上还不够，比如在交通领域，遥感服务无法提供实时的交通状况，只能提供特定时间的数据。
因此，我认为需要有新的应用场景和从消费者角度提出的需求，来推动基础设施的新要求。现在的遥感卫星只能拍摄照片，但未来我们是否可以拍摄视频，像监控摄像机一样实时监控？这些需求将推动遥感卫星，特别是卫星遥感技术的发展，并指明未来的方向。我建议卫星制造公司或运营公司在接到一些新奇的需求时，不要直接拒绝，而是应该考虑如何实现这些需求，推动技术的创新和进步。
田丰：我之前与一位援藏干部聊天，他提到很多驴友，无论是开房车还是SUV去西藏无人区，都特别愿意使用华为卫星手机进行通信。他们发现，与传统的卫星电话相比，华为手机的通信效果更好。这就是一个民用的ToC（面向消费者）卫星应用的例子。如果手机能够与卫星进行通信，那么未来我们开的每一辆车是否也可以与卫星进行通信呢？这将大大提高安全性。在驾驶过程中，司机不需要停下来打电话，而是可以全程得到保护和导航，即使在没有手机信号的地区也没关系。这种技术是中国许多野外工作群体特别需要的，无论是在偏远地区驾驶还是在登山等户外活动中。它提供了一种无需依赖地面信号的通信方式，对于在没有网络覆盖的地区进行户外活动的人来说，这是一个非常有价值的工具。
韦文怡：我们需要理性地看待卫星技术及其应用。目前，大众普遍认为卫星和卫星数据非常昂贵，这种观念在一定程度上阻碍了ToC（面向消费者）市场的开发。但实际上，尽管卫星的初期投资可能很高，但在治理和社会经济运行中，卫星技术是一种非常经济有效的手段。卫星提供了大尺度、常态化的监测能力，这种能力在分配到每个小地块或小经济体时，成本并不高。与无人机相比，卫星监测的成本要低得多，因为无人机需要频繁地进行飞行作业。
因此，我们需要改变对卫星成本的偏见，卫星技术并不像人们想象的那么昂贵，它在很多应用场景中可以提供成本效益高的解决方案。随着技术的进步和成本的降低，卫星数据和应用将越来越普及，成为我们日常生活中不可或缺的一部分。 田丰：我再举一个实际的例子来证明两位的观点，这个例子与城市治理有关。许多城市都有国家园林，这些园林需要日常的巡查和维护。我们与青岛西海岸新区合作，利用卫星遥感技术来巡检整个区域，这个区域非常大。通过卫星遥感技术，我们可以直接拍摄一张照片来完成巡查，这个过程非常快速，每天进行，这样就不需要工作人员亲自去现场巡查，大大减轻了他们的工作负担。这种技术不仅提高了效率，还降低了成本，因为它减少了人力和时间的消耗。这个例子清楚地展示了卫星遥感技术在实际应用中的价值，它是一种经济有效的手段，可以用于城市治理和其他领域。
实际上，刚才讨论的数据主要来自地面基站，但还有一部分数据来自天基感知，也就是太空中的数据，这部分数据我们目前还没有完全掌握。在轨维修就是一个例子，牛总和韦总肯定了解，现在有一种叫做在轨维修的技术正在逐渐兴起。这种技术利用具有AI能力的机器人不断监测各个卫星，检查它们是否有问题。例如，一个即将退役的卫星可能因为某个连接故障而无法正常工作。通过在轨维修，机器人可以对接并修复这个问题，使得卫星能够再服务5年。这种技术目前在欧空局、美空局以及中国都在发展，未来可能会成为一种增值服务。随着技术的进步，我们对太空数据的掌握将更加全面，而在轨维修等技术的发展将为卫星服务带来新的可能性，提高卫星的使用寿命和效率。
牛旼：我们确实在相关技术领域有所涉猎。客观来说，正如田院长刚才提到的，目前很多卫星并没有为可扩展或可维修性设计统一的标准接口。因此，要实现在轨维修，首先面临的挑战就是对接的难度非常高，因为卫星都在高速运转，交汇对接本身就充满了风险。但要实现真正的对接和维修，如果未来所有卫星都有统一的接口，那么维修工作就会像给汽车充电一样简单，知道该抓哪里，该往哪里对接。目前，美国的方法是为那些没有燃料的卫星打上燃料包，相当于给卫星提供了动力系统，然后进行对接和加油。如果卫星出现故障，通常的做法是将其拖走，高轨卫星拖到墓地轨道，低轨卫星则拖到大气层烧毁，这是一种太空清洁垃圾服务。
「CEO锦囊」商业航天专场是由36氪未来宇航共同策划，接下来还有更多商业航天主题直播，我们希望嘉宾们的真知灼见和实战经验能为创业者们提供更多解法，共同书写中国商业航天的新篇章。
