第112章_技术拆解（1/2）

从蓝湾通信出来，左城没有直接回公司，而是让沈一鸣和方泽先回去。

他一个人走在街上，秋风有些凉。

5瓦。

这个数字在他脑海里反覆迴荡。卫星上的功耗预算只有5瓦，而他们要跑的是一套完整的ai调度系统。

晚上九点，左城推开402办公室的门。沈一鸣和方泽都在，他们面前摆著厚厚一叠技术文档。

“城哥，你来了。“沈一鸣抬起头，眼里带著一丝疲惫，“我和方泽已经开始拆解技术需求了。“

左城点点头，在他们对面坐下。

沈一鸣把一张手绘的架构图推过来：“天穹四期的核心需求是卫星间自主协同组网。每颗卫星都要具备边缘ai能力，能根据周围卫星的状態动態调整自身行为。“

“关键难点不是算法，是算力。“方泽接过话头，“卫星的功耗预算只有5瓦，而传统ai模型的最低功耗也要30瓦以上。“

30瓦。

超標六倍。

左城沉默了一会儿：“有没有可能用多卡协同？“

沈一鸣愣了一下：“多卡协同？“

“把一个复杂的ai任务拆分成多个简单的子任务，分布到不同卫星上。“左城说，“每颗卫星只负责一小部分，通过星间链路进行通信协调。“

沈一鸣的眼睛亮了起来。他快步走到白板前，开始画新的架构图。

“如果用多卡协同的话，单颗卫星的算力需求可以大幅降低。“他边画边说，“比如原来需要一个30瓦的gpu，现在可能只需要几个5瓦的低功耗晶片。“

方泽皱起眉头：“但这样对星间通信的带宽和延迟要求会很高。“

“没错。“沈一鸣点头，“所以我们需要一套高效的通信协议，確保分布式任务之间的同步和协调。“

左城看著白板上的新架构，心中已经有了思路。

“一鸣，你觉得这个方向可行吗？“

沈一鸣沉吟片刻：“理论上可行，而且……“他顿了顿，“我们之前在联邦学习上积累的技术，恰好可以用在这里。“

联邦学习。

那是他们刚刚在智慧城市项目上验证过的技术。通过分布式训练，在不暴露原始数据的情况下完成模型优化。

现在，同样的思路可以应用在卫星协同上。

“不过有个问题。“方泽开口，“即使把算力分散，每颗卫星还是要跑一个精简版的ai模型。这个模型的压缩比能做到多少？“

沈一鸣调出测试数据：“目前的压缩技术可以把模型体积压缩到原来的三十分之一，但准確率会下降到70%左右。“

“70%不够。“左城摇头，“卫星控制需要高可靠性，准確率至少要90%以上。“

会议室里安静了几秒。

沈一鸣揉了揉太阳穴：“我需要再想想办法。“

101看书 读小说就上 101 看书网，????????????.??????超顺畅 全手打无错站

左城站起身，走到窗边。窗外是杭城的夜景，灯火辉煌。

他想起刚才在周鹤年办公室的场景。天穹四期的难度確实比三期高了不止一个量级。

但他有系统。

他有別人没有的优势。

关键是，如何在不暴露系统存在的情况下，把这个优势发挥出来。

“城哥。“沈一鸣的声音打断了他的思绪，“我有个想法。“

左城转过身。

“联邦学习不只是可以用於训练。“沈一鸣说，“如果把它扩展一下，变成一种协同推理的框架，效果可能会更好。“

“协同推理？“

“每颗卫星不只运行自己的模型，还会把自己的推理结果分享给其他卫星。“沈一鸣解释道，“其他卫星接收到结果后，会结合自己的观测做出最终决策。这样就相当於把多颗卫星的智慧匯聚在一起。“

方泽眼睛一亮：“这不就是分布式计算吗？“