地球观测卫星过去通常只负责采集图像，再把大批原始数据回传地面，由分析师或算法筛选重点区域。如今，这一流程开始出现变化：卫星本身已经能够在轨完成初步识别。

　　 首次公开在轨演示

　　 这次演示发生在 2026 年 4 月。美国航天基础设施公司 Loft Orbital 表示，其 Yam-9 卫星搭载的软件在轨完成了目标识别任务，无需地面分析师逐张筛查图像。TechCrunch 称，这是首次有公开报道显示，视觉语言模型被用于轨道上的地球观测任务。

　　 自然语言直接识别地表目标

　　 执行此次演示的软件由 NASA 喷气推进实验室开发，所用模型为 Google DeepMind 的 Gemma 3。该模型属于视觉语言模型，既能理解文字指令，也能分析图像内容，适合算力和带宽都受限的边缘设备。

　　 研究人员向卫星发出自然语言查询，例如识别自然环境与人类开发区域交界处，或寻找铁路枢纽周边的基础设施。卫星随后在轨对传感器数据进行分类，并找出对应区域。

　　 先做数据筛选再谈实时巡检

　　 这意味着，卫星未来不必再把所有原始数据完整传回地面，而是可以先在轨完成一轮筛选，只把更有价值的内容发送给分析人员。短期看，这有助于减少遥感数据回传和人工初筛压力。

　　 Loft Orbital AI 负责人 Paul Lasserre 表示，这类能力为“持续巡检”式的太空监测打开了空间。按照他的设想，用户未来可以直接向卫星下达类似“监测这段边境，发现异常就通知我”的任务，并与卫星持续交互。

　　 更多公司开始布局在轨算力

　　 Yam-9 于 2025 年秋季发射，是 Loft Orbital 轨道 AI 项目的验证平台之一。该卫星搭载了 Nvidia Jetson AGX Orin GPU。Loft Orbital 目前在轨运营 12 颗卫星，公司称若要实现接近实时的全球覆盖，可能需要部署 50 到 100 颗类似卫星。

　　 其他公司也在推进类似方向。Planet Labs 已在部分卫星上使用 Jetson Orin 处理器，目前主要用于较简单的目标检测，并表示也在研究视觉语言模型等更多 AI 用途。Kepler Communications 则称，其在轨计算环境自今年 1 月投入使用后，已出现多项未公开应用。