文章背景与核心概要
随着低地球轨道（LEO）计算在实现低延迟、全球分布式AI服务方面的应用日益广泛，其环境可持续性已成为一个至关重要的问题。本文指出了现有碳排放估算框架（如ESpaS）的局限性，这些框架依赖于通用的数据中心模型，无法准确反映现代轨道AI硬件在功耗、质量和计算需求方面的独特性。
作者引入了一种感知加速器的建模方法，用于评估两种不同系统的碳足迹： * 轻量级系统： 针对小型卫星采用 Jetson AGX Orin。 * 高性能系统： 采用 DGX H100，并由大载荷发射平台提供支持。
研究表明，火箭发射排放表现为固定的碳消耗成本。虽然低质量系统能够最大限度地减少绝对排放量，但高性能系统在分摊这些成本方面表现得更为高效，从而降低了单位计算的整体碳强度。这些发现强调了太空与地面可持续性之间的权衡高度敏感于硬件的选择，因此未来的轨道AI部署需要更具细粒度、且感知加速器的基准测试。
Orbital AI Computing: Carbon Tradeoffs Across Satellite Scale
arXiv: 2608.14557
Authors: Nisha Sarwar, Lei Jiang, Fan Chen
Submitted: 14 May 2026
Subjects: Distributed, Parallel, and Cluster Computing (cs.DC); Artificial Intelligence (cs.AI)
轨道AI计算：不同卫星规模下的碳排放权衡
arXiv: 2608.14557
作者： Nisha Sarwar, Lei Jiang, Fan Chen
提交时间： 2026年5月14日
学科： 分布式、并行与集群计算 (cs.DC)；人工智能 (cs.AI)
Summary
As Low Earth Orbit (LEO) computing gains traction for low-latency, globally distributed AI services, its environmental sustainability has become a critical concern. This paper addresses the limitations of existing carbon-estimation frameworks (like ESpaS), which rely on generic datacenter models that fail to account for the unique power, mass, and compute requirements of modern orbital AI hardware.
摘要
随着低地球轨道（LEO）计算在实现低延迟、全球分布式AI服务方面的应用日益广泛，其环境可持续性已成为一个至关重要的问题。本文指出了现有碳排放估算框架（如ESpaS）的局限性，这些框架依赖于通用的数据中心模型，无法准确反映现代轨道AI硬件在功耗、质量和计算需求方面的独特性。
The authors introduce an accelerator-aware modeling approach to evaluate the carbon footprint of two distinct systems: * Lightweight Systems: Utilizing the Jetson AGX Orin for small satellites. * High-Performance Systems: Utilizing the DGX H100, supported by large-payload launch platforms.
作者引入了一种感知加速器的建模方法，用于评估两种不同系统的碳足迹： * 轻量级系统： 针对小型卫星采用 Jetson AGX Orin。 * 高性能系统： 采用 DGX H100，并由大载荷发射平台提供支持。
The research demonstrates that launch emissions function as a fixed carbon overhead. While low-mass systems minimize absolute emissions, high-performance systems prove more efficient at amortizing these costs, thereby reducing the overall carbon intensity per unit of compute. The findings underscore that the space-ground sustainability tradeoff is highly sensitive to hardware selection, necessitating more nuanced, accelerator-aware baselines for future orbital AI deployments.
该研究表明，火箭发射排放表现为固定的碳消耗成本。虽然低质量系统能够最大限度地减少绝对排放量，但高性能系统在分摊这些成本方面表现得更为高效，从而降低了单位计算的整体碳强度。这些发现强调了太空与地面可持续性之间的权衡高度敏感于硬件的选择，因此未来的轨道AI部署需要更具细粒度、且感知加速器的基准测试。
Access the Paper
获取论文
Metadata & References
- DOI: 10.48550/arXiv.2608.14557
- Related DOI: 10.1145/3787109.3815323
- External Links: NASA ADS | Google Scholar | Semantic Scholar
元数据与参考文献
- DOI: 10.48550/arXiv.2608.14557
- 相关 DOI: 10.1145/3787109.3815323
- 外部链接： NASA ADS | 谷歌学术 | Semantic Scholar
