把AI推理塞进纳米卫星：不传图片，只传结论

前两天翻arXiv看到一篇有意思的preprint，标题很长但痛点一句话就能说清楚——纳米卫星拍了一堆航空影像，但传不回来。

不是设备坏了，是设计逻辑的问题。传统叫法叫「bent-pipe」架构：卫星只管对着地面拍照、存盘，等飞经地面站上空时再一股脑往下倒。一颗6U立方星，成像分辨率上去了，但下行带宽就那么点，传完一张高清图可能得等下一个过境窗口。决策延迟几个小时算少的，碰到需要实时响应的场景根本没法用。

这篇论文（arXiv:2607.28470）提了一个更干脆的解法——不传原始图，直接在星上做推理，只往下传结论。具体是把训练好的目标检测模型压缩量化之后，塞进一颗6U立方星搭载的低功耗边缘AI加速芯片里，让卫星在天上自己看、自己判。

这个方案有两个发力点。

一个是在轨推理。检测器做了量化压缩之后，刚好塞进芯片的片上存储，实测跑到25-30帧/秒。对于低轨道盯飞机这个场景，这个帧率已经够用——不需要每帧都回传高清图，只需要知道「某时某刻某坐标有目标出现」。这就把下行带宽的需求从「传图片」降到了「传文本」，差距是几个数量级。

另一个是数据增强，针对一个老问题——公开的星载飞机数据集不光少，类别还严重不平衡。常见机型样本一大把，少见机型几乎没几张。训练出来的检测器对稀有类别基本是盲的。

他们的做法是用扩散模型做生成式数据增强，LoRA微调之后专门合成分数样本的合成图。合成图像由中间检测器自动标注伪标签，再和传统增强样本合并训练。结果很直接：平衡后的数据集把全局mAP从77.9%推到82.2%，少数类的F1从0.683涨到0.811。对稀有类别来说，这是从「基本不可用」到「可以用」的跨越。

当然，这套流程目前还是计算验证阶段，论文原文写的是「computational tests support the proposed workflow as a decision-support tool」，不是已经在轨跑起来了。从仿真到真上天，中间还有供电、散热、辐射、星上实时调度一堆工程关要过。我比较好奇的是，在真实过境窗口和能量预算约束下，这个25-30 FPS能不能稳住——仿真是一回事，轨道上是另一回事。

但方向是对的。把算力送到数据产生的地方，这个逻辑适用于任何下行带宽受限的边缘场景——无人机巡查、深海探测、野外监测，都一样。

相关链接：
- 论文页面：https://arxiv.org/abs/2607.28470