36Kr Exklusivveröffentlichung | Jiadu Technology steigt in das Segment des intelligenten Weltraumcomputings ein, und sein von ihr ausgebrütetes Unternehmen sichert sich eine Finanzierung im 100-Millionen-Yuan-Bereich.

Autor | Qiao Yujie

Redakteur | Yuan Silai

Dieser Artikel umfasst etwa 2600 Wörter, die empfohlene Lesezeit beträgt 7 Minuten

Laut Hard Krypton hat Yusu Xinghe Technology Co., Ltd. innerhalb von zwei Monaten eine Finanzierung im Wert von mehreren hundert Millionen Yuan in der Angel-Runde und der Pre-A-Runde abgeschlossen. Die Runde wurde von Lingge Venture Capital angeführt, gefolgt von Haizhu Urban Development, Qingxin Capital, Gaojie Capital, Knowledge City Group und Jifu Capital.

Yusu Xinghe wurde im Mai dieses Jahres gegründet und wird strategisch von dem an der A-Aktie notierten Unternehmen Jia Du Technology (600728) ausgebrütet. Es handelt sich um ein Unternehmen für Weltraumberechnung, das sich auf das Segment „Himmelsdaten, Himmelsberechnung“ spezialisiert. Sein Kerngeschäft ist das „raumgestützte Großmodell“, das im Orbit betrieben werden kann. Es soll das Echtzeittraining, die Inferenz und die geschlossene Verarbeitung von Fernerkundungsdaten im Weltraum ermöglichen und eine native intelligente Modellfähigkeit für die Berechnung im Orbit bereitstellen.

Derzeit befindet sich die inländische Weltraum-Rechenleistungsindustrie in einer beschleunigten Phase, die von der Verifizierung im Orbit zur kommerziellen Umsetzung übergeht. Mit der massiven Vernetzung von Niedrig-Erd-Umlauf-Konstellationen, der fortlaufenden Iteration von KI-Chips für die Satellitennutzlast und dem stetigen Rückgang der Startkosten wird die Nachfrage nach Berechnungen im Orbit rasch freigesetzt. Mehrere experimentelle Weltraum-Rechenleistungskonstellationen wurden nacheinander in Betrieb genommen, und das Tempo der Finanzierung sowie der technischen Umsetzung entsprechender Projekte hat sich ebenfalls deutlich beschleunigt.

Nachdem die Rechenleistungssatelliten in den Orbit gelangt sind, stellt sich jedoch ein noch praktischeres Problem: Welche Modelle sollen ausgeführt werden und wie können die begrenzten Rechenressourcen an Bord von Satelliten effizienter zur Datenverarbeitung genutzt werden? Genau hier setzt Yusu Xinghe mit seinem Ansatz an.

Die Kernmitarbeiter von Yusu Xinghe stammen von Jia Du Technology, einem führenden Unternehmen im Bereich intelligenter Verkehr. Der Mitbegründer Wang Kai ist ein gemeinsam von der Tsinghua-Universität und dem California Institute of Technology ausgebildeter Doktor, der früher als Chef-KI-Wissenschaftler und Direktor der Zentralen Forschungsakademie der Jia Du Technology Group tätig war. Aufbauend auf der 30-jährigen Erfahrung von Jia Du Technology in der Industrie für intelligente Städte hat das Team eine integrierte Hard- und Soft-Fähigkeit von Rechenleistungssatelliten über künstliche Intelligenz bis hin zu branchenspezifischen Anwendungsdiensten aufgebaut.

Im Mai 2025 hat ADA Space die erste Branchen-Großkonstellation für Rechenleistungssatelliten mit 12 Rechenleistungssatelliten in den Orbit gebracht. Seitdem arbeitet das Team von Yusu Xinghe mit ADA Space gemeinsam an der Entwicklung von Großmodellen für den Einsatz an Bord von Satelliten.

Wang Kai erläuterte gegenüber Hard Krypton, dass die meisten aktuellen Versuche zur Ausführung von Modellen im Orbit darin bestehen, bereits auf der Erde vorhandene Modelle zu komprimieren und dann auf Satelliten zu deployen. Modelle, die wirklich auf Weltraumdaten trainiert sind, existieren bisher noch nicht.

Nach Ansicht von Wang Kai bedeutet Weltraumberechnung nicht einfach, dass man die auf der Erde genutzten Großmodelle „in den Himmel verlegt“. Im Gegensatz zu den generischen Modellen auf der Erde verarbeiten Satelliten Daten, die aus dem Weltraum stammen, wie zum Beispiel Fernerkundungsdaten. Ihre Modellarchitektur, Rechenressourcenkonfiguration und Datenverarbeitungsmethoden müssen alle neu auf die Weltraumszenarien abgestimmt werden. „Das Doubao-Großmodell kann kein Auto fahren, wenn es in ein Fahrzeug eingebaut wird. Ebenso kann das Doubao-Großmodell auch keine Verständnis- und Vorhersageaufgaben für die Erdbeobachtung übernehmen, wenn es im Weltraum eingesetzt wird“, erklärte Wang Kai.

Das „raumgestützte Großmodell“, das Yusu Xinghe umsetzen möchte, nimmt Weltraumdaten als Kernpunkt, trainiert das Modell im Weltraum und nutzt gleichzeitig Weltraumdaten als Eingabe für die Inferenz, um schließlich eine vollständig im Orbit betriebene geschlossene Modellschleife zu bilden.

Die herkömmliche Fernerkundungsanalyse erfordert normalerweise Schritte wie atmosphärische Strahlungskorrektur, Geometrie- und Orthokorrektur, Rauschmaskierung und Bildmosaizierung, bevor Algorithmen wie YOLO zur Erkennung eingesetzt werden. Die Verarbeitungskette ist sehr lang. Yusu Xinghe möchte durch ein Ende-zu-Ende-Großmodell direkt Ergebnisse aus den ursprünglichen Fernerkundungsbildern ableiten, um die Zwischenschritte im herkömmlichen Fernerkundungsverarbeitungsprozess zu reduzieren.

Um sich an die Szenarien der Weltraumberechnung anzupassen, verwendet das „raumgestützte Großmodell“ von Yusu Xinghe eine dynamische Rechenarchitektur, die von „gleichmäßigen Gittern“ zu „Latent-Raum-Extrapolation“ übergeht. Durch ein adaptives Multiskalen-Rechenparadigma wird die Verarbeitung von der Wahrnehmung bis zur Kognition mit begrenzten Rechenressourcen abgeschlossen. Gleichzeitig wird das Modell mehrere physikalische Randbedingungen aus verschiedenen Quellen für die gemischte Modellierung integrieren, um die zukünftige dynamische Darstellung im Prädiktor des Latent-Raums unter Einhaltung von Randbedingungen zu entwickeln, sodass die Vorhersage zukünftiger Zustände eine gewisse physikalische Interpretierbarkeit aufweist. Im Bereich der modalitätsübergreifenden Erfassung von Erdfeldern wird das Modell zudem von der reinen Fernerkundungserkennung zu einer einheitlichen Modellierung der makroskopischen und mikroskopischen Zustände der Erde weiterentwickelt.

Am 22. September 2025 hat das Team von Yusu Xinghe im Rahmen des 4. Pazhou Algorithm Competition den Betrieb des selbst entwickelten Großmodells im Orbit realisiert und ist damit das weltweit erste Team, das ein multimodales Großmodell auf einem Weltraum-Rechenleistungssatelliten deployt und kommerzielle Aufgaben abgeschlossen hat.

Das Team präsentiert öffentlich das Konzept „Himmelsdaten, Himmelsberechnung“ bei der Preisverleihung des Pazhou Algorithm Competition 2025

Derzeit führt Yusu Xinghe gleichzeitig die Verifizierung jedes einzelnen Schrittes des Betriebs des raumgestützten Großmodells im Weltraum durch.

Wang Kai erläuterte, dass Yusu Xinghe von der Seite des im Orbit betriebenen Großmodells ausgehen möchte, um die Anforderungen an Rechenleistungssatelliten rückwirkend zu definieren und so die Anpassung zwischen Rechenleistungssatelliten und Modellen weiter zu verbessern. Das Unternehmen plant den Bau von 24 ersten Rechenleistungssatelliten, die ein „Orbit-KI-Labor“ bilden, um die Inferenz- und Trainingsarchitektur des raumgestützten Großmodells zu verifizieren, das ursprünglich für die Weltraumumgebung entwickelt wurde, und die Infrastruktur für die nachfolgende Anwendung des raumgestützten Großmodells bereitzustellen.

In diesem Jahr arbeitet das Unternehmen weiter mit ADA Space zusammen. Beide Seiten planen, die Verifizierung der ersten Satelliten im Orbit noch in diesem Jahr durchzuführen.

Im Hinblick auf die Kommerzialisierung bietet Yusu Xinghe derzeit hauptsächlich zwei Arten von Diensten an. Die eine ist MaaS (Model as a Service), die Branchenplattformen Modell-Token-Schnittstellen bereitstellt. Die andere ist SaaS (Software as a Service), die direkt Branchenkunden aus Bereichen wie Verkehr, Finanzen und Versicherung bedient und Analyseergebnisse über eine Dialogschnittstelle ausgibt. Wang Kai enthüllte, dass einige Kunden bereits die Gebühren für Dienstleistungspakete im Voraus bezahlt haben, um die entsprechenden Dienste des raumgestützten Großmodells zu nutzen, sobald die Satelliten im Orbit in Betrieb genommen sind.

Im Folgenden finden Sie Auszüge aus dem Gespräch zwischen Hard Krypton und Dr. Wang Kai, dem Gründer von Yusu Xinghe:

Hard Krypton: Warum benötigt das Weltraum-Rechenleistungsszenario ein spezielles raumgestütztes Modell?

Wang Kai: Ein erheblicher Teil der Daten, die von Fernerkundungssatelliten erzeugt werden, kann nicht rechtzeitig zur Erde zurückübertragen werden. Deshalb möchten wir die im Weltraum erzeugten Daten nutzen, um das Großmodell direkt im Weltraum zu trainieren. Gleichzeitig werden die Eingaben für die Inferenz ebenfalls aus den im Weltraum vorhandenen Daten entnommen, sodass die gesamte geschlossene Schleife im Weltraum abläuft und ein wirklich natives „raumgestütztes Großmodell“ entsteht.

Der größte Wert des Trainings im Weltraum liegt in der Echtzeitfähigkeit. In Zukunft können mehrere Satelliten Daten über Laserkommunikation übertragen und das Modell rechtzeitig aktualisieren, sodass das Modell die neuesten dynamischen Vorgänge auf der Erde kontinuierlich wahrnimmt. Wenn alle Daten zur Erde zurückübertragen und dann trainiert und analysiert werden, treten Probleme wie die begrenzte Datenübertragungskapazität und die Verzögerung bei der Rückübertragung von Notaufnahmedaten auf.

Derzeit gibt es nur sehr wenige Großmodelle, die speziell für das Vortraining von großen Mengen an Fernerkundungsdaten entwickelt wurden. Googles AlphaEarth ist eher wissenschaftsorientiert und erfordert, dass Benutzer Daten hochladen, um ein sekundäres Feinschliff-Training durchzuführen. Es ist nicht für die Interaktion mit normalen Benutzern ausgelegt. Unser Ziel ist es, dass Benutzer wie bei der täglichen Nutzung von Großmodellen über natürliche Sprache mit dem raumgestützten Großmodell interagieren können.

Hard Krypton: Das frühe Konzept „Himmelsdaten, Himmelsberechnung“ konzentrierte sich hauptsächlich auf Bildsegmentierung und -erkennung. Was ist das Besondere am raumgestützten Modell von Yusu Xinghe?

Wang Kai: Wir haben uns von der reinen Bilderkennung zu einem echten Verständnis der räumlichen und zeitlichen Dimensionen der Erde weiterentwickelt.

Die früheren Großmodelle für Fernerkundung ähnelten eher dem „Bilder betrachten und beschreiben“: Man gibt ein Bild ein und lässt das Modell Klassifizierung, Segmentierung oder Erkennung durchführen. Unser raumgestütztes Großmodell deckt jedoch das gesamte räumliche Gitter der Erde ab. Benutzer müssen nicht einmal aktiv ein Bild hochladen, sondern können direkt Fragen in natürlicher Sprache stellen. Wenn ein Benutzer beispielsweise fragt „Wie groß ist die Aussaatfläche von Baumwolle in Xinjiang in diesem Jahr?“, kann das raumgestützte Großmodell die Frage direkt auf Basis seines Verständnisses des Zustands der Vegetation auf der entsprechenden Erdoberfläche beantworten.

Das ist auch ein Unterschied zu den Weltmodellen für Roboter. Die Weltmodelle für Roboter decken hauptsächlich die von Menschen genutzten Gebiete ab, während unser raumgestütztes Großmodell die gesamte Erde abdecken muss, einschließlich Wüsten, Wälder und anderer Gebiete mit geringer menschlicher Aktivität. Im nächsten Schritt werden wir zudem die zeitliche Dimension einbeziehen. Beispielsweise können wir nicht nur das Wachstum der Kulturpflanzen in den letzten fünf Jahren beurteilen, sondern auch in Kombination mit historischen Daten die Ernte in diesem Jahr vorhersagen.

Wir planen, im September eine Version des raumgestützten Großmodells zu veröffentlichen und im November weitere Veröffentlichungen in Übereinstimmung mit dem entsprechenden Zeitplan vorzunehmen, einschließlich eines Weißbuchs und weiterer technischer Details.

Hard Krypton: Derzeit ist die Hardware noch nicht in der Lage, groß angelegte Modelltrainings im Weltraum durchzuführen. Was unternimmt das Unternehmen in der aktuellen Phase?

Wang Kai: In der aktuellen Phase nutzen wir zunächst Offline-Daten, um die fortschrittlichste native Großmodell-Technologielösung auf Basis von Fernerkundungsdaten zum Laufen zu bringen und gleichzeitig die Vorbereitungen für das Training im Orbit abzuschließen. Beispielsweise planen wir, im Oktober dieses Jahres die erste Gruppe von Rechenleistungssatelliten zu starten, um die Fähigkeit zur Datenübertragung zwischen Satelliten und zur kooperativen Arbeit zu verifizieren. Die Gesamtplanung des Unternehmens sieht vor, 24 Rechenleistungssatelliten zu starten, um eine Rechenleistungssatellitenkonstellation zu bilden. In jeder Phase werden zunächst die grundlegenden Fähigkeiten verifiziert, um schließlich eine vollständige Trainings-Pipeline im Orbit zu realisieren.

Die Rechenleistungssatelliten werden von uns gemeinsam entwickelt und beschafft. Das ähnelt dem Vorgehen von Zhipu in der frühen Phase, das zum Training von Großmodellen zunächst eigene GPU-Cluster beschafft hat, um ein Musterbeispiel aufzubauen, die Trainingsmethoden zu verifizieren und die Inferenz-Effizienz zu verbessern. Wir verfolgen einen ähnlichen Ansatz, sodass die Rechenleistungssatellitenkonstellation von uns selbst beschafft und gebaut wird.

Die erste Gruppe von Rechenleistungssatelliten wird voraussichtlich im Oktober dieses Jahres gestartet. Wir müssen eine Reihe von Fähigkeiten verifizieren, die bisher noch nicht systematisch geprüft wurden. Erstens: Kann das Großmodell 24 Stunden am Tag, 7 Tage die Woche kontinuierlich im Orbit betrieben werden? Derzeit gibt es noch keinen Rechenleistungssatelliten, der dies erreichen kann. Unsere Rechenleistungssatelliten werden auf dieses Ziel ausgelegt. Zweitens: Die Rechenleistungssatelliten arbeiten nicht einzeln, sondern in Gruppen zusammen. Es muss verifiziert werden, dass verschiedene Satelliten im Weltraum über Laserkommunikation hochbreitende Verbindungen aufbauen, sodass mehrere Satelliten parallel und verteilt rechnen können.

Wir müssen eine Reihe von Arbeiten abschließen, die bisher noch niemand systematisch verifiziert hat, um jeden technischen Schritt von „Training von Weltraumdaten im Weltraum“ und „Inferenz von Weltraumdaten im Weltraum“ schrittweise zu prüfen und schließlich eine vollständige geschlossene Schleife für Training und Inferenz im Orbit zu realisieren.