隨著全球朝著第六代移動網絡（6G）邁進，真實的競爭戰場可能不僅僅是在地球上，而是位於太空中。根據預測，6G 商業化將在2030年左右實現，研究人員已經開始重新思考人工智能（AI）如何在全球範圍內運作。國際電信聯盟（ITU）已經確定了未來 6G 的使用案例，例如整合人工智能與通信，以及無所不在的連接，這標誌著網絡功能的轉變，不再僅僅是數據的傳輸。
然而，仍然存在一個主要障礙：如何在遼闊、偏遠和服務不足的地區提供無縫的 AI 服務。僅依靠地面網絡可能無法滿足這些需求，尤其是隨著 AI 工作負載的增長及其對延遲的敏感性。最近的一項研究提出了一個超越地面的解決方案。來自香港大學和西電大學的研究人員推出了一個框架，將邊緣 AI 與空地一體化網絡（SGINs）相結合，將衛星變成通信樞紐和計算伺服器。
這一名為「空地流動 AI」的方案旨在克服快速移動的衛星和有限的空地鏈接容量所帶來的挑戰，這兩個問題長期以來限制了 AI 在軌道系統中的應用。這一框架受到水流無縫跨越邊界的啟發，允許 AI 模型和數據在衛星和地面站之間持續流動。研究人員將其描述為將傳統的二維邊緣 AI 架構擴展到太空。
該框架基於三個核心技術：流動學習、流動推斷和流動模型下載。每一個技術都旨在克服衛星移動性和間歇性連接帶來的限制，確保 AI 服務的平穩運行。流動學習通過引入一種無基礎設施的聯邦學習方案來解決長時間訓練的問題。該系統不再依賴昂貴的衛星間鏈接或密集的地面站，而是利用衛星的運動來混合和擴散模型參數，從而使衛星的運動成為一種優勢，促進更快的收斂和更高的測試準確性。
流動推斷則專注於優化實時 AI 決策。神經網絡被劃分為分佈於衛星和地面節點的級聯子模型，這使得推斷任務可以根據可用的計算資源和鏈接質量動態調整，並使用提前退出策略來平衡延遲和準確性。
第三個支柱是流動模型下載，該技術解決了如何有效地將 AI 模型傳遞給地面的最終用戶。衛星不是存儲整個模型，而是緩存選定的參數區塊，這些區塊可以通過衛星間鏈接進行遷移，從而提高緩存命中率並減少下載延遲。多播可重用的模型參數進一步提高了效率，允許多個設備同時接收相同的 AI 组件，同時節約頻譜資源。
然而，將 AI 部署到太空中也面臨著一系列挑戰。衛星在惡劣的輻射條件下運行，並依賴有限的、間歇性的電力供應。為了解決這一問題，研究人員強調了輻射抗干擾硬件、容錯計算和能量感知任務調度的重要性。
展望未來，團隊概述了未來的研究方向，例如能源高效的流動 AI、低延遲的流動 AI 和安全的流動 AI，每一項都針對性能、可靠性和安全性之間的關鍵權衡。通過利用可預測的衛星軌跡和重複的軌道運動，空地流動 AI 可能在未來的 6G 時代中發揮重要作用，實現真正的全球邊緣智能。
