2026年4月，一颗商业卫星在轨道上做了一件小但很要紧的事：它不是把图像全传回地面再等人看，而是在星上先按自然语言任务找目标。

这颗卫星叫Yam-9，由Loft Orbital建造。它运行NASA喷气推进实验室（JPL）的NAVI-Orbital软件框架，并把Google DeepMind的Gemma 3视觉语言模型搬到了轨道上。

我更在意的不是“卫星是不是会思考”。这个说法太容易跑偏。真正的变化是，遥感数据的入口正在往前挪：从地面机房和分析师屏幕，挪到卫星自己的计算单元里。

Yam-9做成了什么：星上按任务找图

Yam-9在2025年秋发射，星上搭载Nvidia Jetson Orin AGX GPU。这个配置不等于数据中心，但已经足够支撑一部分边缘AI任务。

JPL开发的NAVI-Orbital，作用更像一个在轨运行支架。它让Gemma 3这个现成的视觉语言模型，能在卫星受限环境中工作。

受限是重点。

Gemma 3本来面向边缘设备，但上星仍要精简。依赖库、内存占用、运行稳定性，都要重新取舍。轨道上没有宽裕的服务器集群，也没有随时可插的工程师。

这次演示的任务包括两类：识别自然环境与人类开发区域的交界地带；识别铁路枢纽周边基础设施。它的特别之处在于，任务可以用接近自然语言的方式描述，而不是只靠事先写死的目标检测流程。

这仍然是概念验证。它没有证明卫星具备通用自主决策能力，也没有证明任何自动打击能力。它证明的是另一件事：卫星可以在轨道端先做一层图像理解和筛选。

维度传统遥感流程Yam-9演示里的变化现实影响
数据处理位置原始图像大量下传到地面星上先做目标筛选减少无效下传和人工初筛
任务表达固定算法、人工判读为主可用自然语言描述目标临时查询更灵活
技术状态地面流程成熟在轨VLM概念验证不能当成规模化服务
主要约束带宽、地面人力、处理时效功耗、内存、模型稳定性工程化难度仍高

变化不在“拍得更多”，而在“先筛一遍”

遥感行业不缺图像。真正卡住的，是哪些图像值得看、什么时候看、由谁先看。

卫星分辨率、重访频率和传感器能力都在提升。问题也跟着变大：地面系统要吞下越来越多原始数据，分析师要从里面找变化、找异常、找线索。

如果卫星先回答一句“这里可能有你关心的东西”，后面的工作就不一样了。

农业监测、灾害评估、物流节点、能源基础设施巡检，这些场景未必总需要每一张原始影像。很多客户先要的是提醒：哪片地变了，哪条线附近有新设施，哪个区域值得复核。

对遥感服务商来说，产品会从“交付影像”往“交付线索”靠。影像仍然重要，但不再是唯一商品。

对企业客户来说，短期更现实的动作不是立刻替换现有采购，而是要求供应商提供试点：同一片区域，星上初筛能不能少传图、早报警、少漏报。没有这三项，采购部门很难为“太空AI”单独买单。

对地面分析团队来说，工作也会迁移。更多时间会花在复核、解释和交付上，而不是从大量原始图像里大海捞针。这个变化不浪漫，但省人力、抢时间。

行业里并不是第一次把AI送上卫星。Planet Labs等公司已经在搭载Jetson Orin处理器的卫星上做过较简单的目标检测，并研究更多AI应用。Kepler Communications也运营带GPU的在轨计算资源，但没有披露是否部署了VLM。

所以，Yam-9的意义要放准：它不是所有卫星AI的起点，而是一次公开的在轨VLM遥感演示。边界说清，价值反而更清楚。

从12颗到近实时覆盖，中间是工程账

Loft Orbital目前运营12颗在轨航天器。公司称，要实现全球近实时覆盖，大约需要50至100颗类似Yam-9的卫星。

这个数字很有用。它把想象拉回工程账。

单星能演示，不代表服务能稳定卖。要形成商业能力，还要看星座规模、任务调度、下传链路、模型更新、异常处理，以及客户愿不愿为更快结果付费。

更远的方向，是持续监测型卫星网络和太空AI算力。Loft AI负责人Paul Lasserre提到，VLM可以让用户与卫星交互，比如要求卫星监测某一区域并提示可疑变化。

这个想法有吸引力，但现在还不能写成现实。没有公开准确率、误报率、漏报率、带宽节省比例，也没有足够证据说明它已成为规模化商业服务。

接下来最该看三件事。

  • Yam-9上的能力能否扩展到更多卫星，而不是停在单星验证。
  • VLM在云层、光照、季节变化、不同传感器条件下是否稳定。
  • 客户最终买的是原始影像、筛选结果，还是近实时告警。

这三件事会决定它的商业形态。卖影像、卖线索、卖告警，是三门不同生意。听起来相近，成本结构和客户预期差很多。

回到开头那件小事：卫星在轨道上按自然语言找目标。它还没有把遥感行业翻过来，但已经把一个老问题推到台前——既然图像越来越多，谁来先看第一眼？