arXiv cs.AI· Zheng Lin, Zhanwei Wang, Yuxin Zhang, Yafei Wang, Ons Aouedi, Zihan Fang, Jinfeng Xu, Jing Yang, Vu Nguyen Ha, Yuanwei Liu, Mohamed-Slim Alouini, Symeon Chatzinotas·· 14 小时前AI 评分31
卫星智能：LEO 星座中的分布式训练、协同推理与 LLM 适配
Satellite Intelligence: Distributed Training, Collaborative Inference,and LLM Adaptation in LEO Constellation
AI 导读
一篇综述首次将 LEO 卫星网络中的分布式训练、协同推理与在轨 LLM 适配服务三者统一纳入讨论，此前相关综述均只单独考察其中某一方面。文章提出约束感知的设计原则，梳理了联邦学习与拆分学习支撑的星地协同训练、单星/多星/星地三类协同推理架构，以及在 SWaP 受限条件下部署和资源感知服务 LLM 的前沿挑战。
正文 · AI 翻译
作者：Zheng Lin、Zhanwei Wang、Yuxin Zhang、Yafei Wang、Ons Aouedi、Zihan Fang、Jinfeng Xu、Jing Yang、Vu Nguyen Ha、Yuanwei Liu、Mohamed-Slim Alouini、Symeon Chatzinotas
摘要：轨道感知数据的激增与新兴全球服务的实时需求，正推动低地球轨道（LEO）卫星网络从弯管式中继转向星上智能处理。这一转变面临一个根本性矛盾：现代人工智能（AI）训练范式需要密集计算、充足内存和稳定连接，而这些在卫星网络动态拓扑、间歇链路以及严苛的尺寸、重量和功耗（SWaP）约束下都极为稀缺。解决这一矛盾需要以约束感知的设计理念重新思考 AI 工作流，从训练、推理到新兴的大语言模型（LLM）部署。据我们所知，本文是首个同时涵盖这三方面的综述，而此前的综述仅孤立地考察这些方面。我们首先识别卫星智能（SI）的部署挑战，并推导 SI 的设计原则。随后我们考察三种不断发展的范式：i）分布式训练，其中联邦学习（FL）和拆分学习（SL）使卫星-地面在资源受限下协同训练；ii）协同推理，利用单星、多星和星地架构满足实时服务需求；iii）在轨 LLM 适配与服务，应对在严苛轨道约束下部署 LLM 及资源感知服务的前沿挑战。最后，我们指出开放挑战与未来方向。通过连接 AI 与卫星网络，本文为空间原生 AI 技术的实现提供了研究路线图。
| 评论： | 38 页，16 幅图 |
| 主题： | 网络与互联网架构（cs.NI）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.35282 [cs.NI] |
| （或本版本的 arXiv:2610.35282v1 [cs.NI]） | |
| https://doi.org/10.48550/arXiv.2610.35282 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Lin Zheng [查看邮箱]
[v1]
2026年10月26日星期一 11:55:41 UTC（5,589 KB）
来源：arXiv cs.AI · arxiv.org