本文来自微信公众号： 太空与网络 ，作者：老谭
第一篇梳理了国外在卫星自主运行、空间态势感知和星座组网方面的主要探索。这一篇继续追问：这些技术到底在卖什么？谁愿意付钱？它能不能成为一门可持续的生意？
先说明一点。本文所说的“管星AI”，不是指用一个大模型接管卫星，而是一个更宽泛的概念：利用机器学习、自动规划、优化算法和规则系统，辅助完成状态监测、异常诊断、任务调度、碰撞规避和星间组网。
换句话说，它不是给卫星装上一个会聊天的大脑，而是让原本依赖大量人工盯屏、计算和下指令的工作，逐步变得自动化。
···
一、卫星越多，运营问题越值钱
欧洲航天局发布的《2025年太空环境报告》显示，当前被空间监视网络跟踪的在轨物体约有4万个，其中活跃载荷约1.1万个。与此同时，尺寸超过1厘米、足以对航天器造成严重破坏的碎片，估计超过120万个。
这意味着，卫星运营面对的已经不是“偶尔看一眼轨道是否安全”，而是持续处理大量预警、轨道变化和任务冲突。欧洲航天局也明确指出，碰撞规避已经成为低轨卫星的常规运营工作，未来需要更多自动化决策、交通协调和信息共享能力。
更麻烦的是，管理卫星并不只是防碰撞。运营团队每天还要回答一连串问题：卫星现在是否健康？哪颗卫星最适合执行任务？有限的电量、存储和通信窗口该怎么分配？某颗卫星出现故障后，其他卫星能不能自动补位？
单颗卫星时代，这些工作可以靠经验丰富的工程师逐项处理。到了数百颗、数千颗卫星组成的星座，单纯增加人手很难解决问题。因为任务、链路和资源之间会相互影响，复杂度增长得比卫星数量更快。
因此，管星AI真正解决的不是“少雇几个人”，而是让大规模星座在现实中能够运转。
···
二、客户买的不是AI，而是三个结果
从客户视角看，“算法精度更高”并不是一个足够有吸引力的采购理由。运营商真正愿意付钱的，通常是三个可以感知的结果。
第一，少出事故
空间态势感知系统会持续更新卫星和碎片的轨道，筛选需要重点关注的接近事件，并帮助运营人员判断是否机动。AI可以参与风险排序、异常识别和方案推荐，但最终价值不是生成一份更漂亮的报告，而是减少误报、漏报和不必要的机动。
对运营商而言，一次机动会消耗燃料，也可能打断正常任务；一次错误判断，则可能威胁整颗卫星。安全服务的价值，来自它帮助客户降低这种高损失、低概率风险。
第二，用更少的人管更多的星
卫星会不断产生遥测数据，包括温度、电压、姿态和设备状态。传统做法依赖值班人员监控参数、识别异常并查找原因。欧洲航天局正在推进的A²I路线图，已经把异常检测、任务规划、地面站监测等列为AI辅助航天任务运营的重点方向。
用人话说，就是让系统先把海量数据筛一遍：哪些变化只是正常波动，哪些情况值得工程师立即介入。这样做不是彻底取消人工，而是把人从重复盯屏中释放出来，集中处理真正复杂的故障和决策。
第三，让星座自己协同
当多颗卫星共同执行任务时，系统需要判断由谁观测、何时传输、经过哪条星间链路转发，以及卫星失效后如何重新分配任务。DARPA的Blackjack项目就曾验证低轨分布式卫星网络、自主任务管理和星间通信等关键能力。
这类系统更像一个运行在星座背后的“调度大脑”。它不只关心一颗卫星是否正常，还要让整个网络在资源有限、链路变化和局部故障的情况下继续工作。
···
三、三种生意，用通俗的话说
围绕上述需求，市场上大致形成了三类生意。它们经常被放在“管星AI”这个篮子里，但卖法和客户完全不同。
第一类：提供太空交通数据和安全提醒
这类公司通过雷达、望远镜和多源数据建立轨道目录，向政府和商业运营商提供目标跟踪、接近预警与风险分析。LeoLabs、Slingshot Aerospace等公司都在这一领域布局。
客户买到的可以理解为一套“太空导航和交通预警服务”：系统告诉你附近有什么、未来可能发生什么，以及哪些风险需要优先处理。
这类业务的壁垒不只是算法，更重要的是传感器覆盖、数据质量、持续更新能力，以及能否接入客户现有的运营流程。拥有更多数据并不自动等于拥有更好的产品，只有把数据变成及时、可信、能执行的建议，客户才愿意持续付费。
第二类：把卫星控制室里的重复工作自动化
这类产品负责遥测监控、异常告警、任务计划和地面站调度。它像是给卫星运营团队配了一套自动化助手：先完成重复检查和初步分析，再把少数重要问题交给工程师。
欧洲航天局已经公开真实卫星遥测异常数据集，用于推动机器学习在任务运营中的应用。这也说明，行业正在从“用演示数据证明算法可行”，走向“用真实任务数据验证系统是否可靠”。
这一市场的客户范围更广，从大型星座到中小型卫星运营商都有需求。但它也更考验产品兼容性，因为不同卫星的接口、参数和操作流程往往并不相同。谁能降低接入和改造成本，谁才更容易规模化。
第三类：让多颗卫星自主分工和组网
这类能力包括任务分配、链路选择、在轨协同和故障后的自动重构。它技术门槛更高，也更贴近国防、应急通信和实时遥感等高价值场景。
客户购买的不是一个单独的软件功能，而是“网络在复杂情况下仍然能够完成任务”的保证。由于这类系统会直接影响任务成败，采购方通常要求较长的测试、仿真和在轨验证周期。
这也决定了它的商业化节奏：前期投入大、销售周期长，但一旦嵌入客户的任务体系，替换起来也更困难。
···
四、谁在买单，决定这门生意怎么长大
管星AI的客户大致可以分为政府与国防部门、大型星座运营商，以及中小型运营商。
政府与国防部门往往是早期的重要买家。原因并不复杂：它们对空间态势感知、网络韧性和快速响应的需求最迫切，也更愿意为尚未完全标准化的能力支付验证费用。LeoLabs在2024年上半年宣布获得超过2000万美元的新合同，客户包括美国太空军、美国商务部以及多个国家的政府机构。这是公司披露的数据，至少说明政府需求正在为商业空间态势感知提供真实订单。
大型星座运营商的需求最大，但往往倾向于自研核心系统。对它们来说，任务调度、卫星控制和用户网络高度耦合，很难把整套运营“大脑”完全交给外部供应商。因此，外部公司的机会更多集中在补充数据、专业工具和非核心模块。
中小型运营商则处在另一端：它们更需要现成工具，却没有足够预算和团队从头建设系统。对这类客户，按卫星数量或服务等级收费的平台化产品更有吸引力。前提是产品足够标准化，不能每接入一颗新卫星都重新做一遍项目。
所以，这个行业真正的分水岭，不是谁做出了一个更聪明的模型，而是谁能把一次性的工程项目，变成可以重复交付的产品。
···
五、这门生意的护城河在哪里
管星AI常被描述成一门“数据越多，模型越强”的生意。这个判断只说对了一部分。
数据当然重要。没有长期、真实的轨道和遥测数据，系统很难理解正常变化与异常之间的区别。但航天运营的核心数据通常分散在不同机构和企业手中，格式也不统一。即使拿到数据，还要理解卫星的工程约束、任务规则和安全边界。
因此，更完整的护城河由四部分组成：持续可靠的数据来源、经过任务验证的算法、连接不同卫星和地面系统的接口，以及客户愿意纳入正式流程的信任。
其中最难复制的，往往是最后两项。一个模型可以重新训练，一套深度嵌入客户控制中心、经过安全审查和长期运行验证的工作流程，却很难被迅速替换。
这也是为什么管星AI不会完全按照互联网软件的速度增长。它需要在真实任务中逐步积累可信度，先辅助人，再承担更多自动决策。增长可能没有消费级AI那么快，但客户一旦形成依赖，关系也会更稳定。
···
六、产业判断：先成为基础设施，再谈市场想象力
现阶段，很难用一个统一、可信的数字概括“管星AI市场规模”。不同报告会把空间态势感知、任务运营软件、地面系统、网络调度和国防能力装进不同的统计口径，直接比较容易产生误导。
比市场规模数字更值得关注的，是三个已经出现的信号：
第一，在轨卫星和碎片持续增加，安全运营正在从辅助需求变成日常刚需。
第二，欧洲航天局、DARPA等机构已经把自动化运营、自主组网和AI异常检测纳入长期技术路线，这说明需求不再停留在概念层面。
第三，商业公司已经从试验项目走向持续合同，但政府订单仍然是重要支撑。商业市场能否真正打开，取决于产品是否足够标准化，以及中小运营商是否能用得起。
管星AI不是一门单纯“卖算法”的生意。它卖的是安全、效率和星座韧性：让更多卫星由更少的人管理，让风险更早被发现，让局部故障不至于拖垮整个网络。谁能把这些能力做成可信、可接入、可重复交付的基础设施，谁才可能掌握这个市场的定价权。
下一篇，我们把视角转回中国：国内已经具备哪些技术基础？从单项验证走向开放平台和规模化运营，还缺哪几块拼图？
主要参考资料
欧洲航天局：《ESA Space Environment Report 2025》
欧洲航天局：A²I Roadmap、卫星遥测异常数据集及自动碰撞规避相关资料
DARPA：Blackjack项目公开资料
LeoLabs：2024年合同与业务进展公告
Loft Orbital：Cockpit与卫星运营平台公开资料