LLMSpace：面向 LEO 卫星上大语言模型推理的碳足迹建模
机器学习
2026-05-11 v2 计算机与社会
摘要
大型语言模型（LLM）正快速增长其能源需求，由大规模推理驱动出现日益严峻的能源和碳排放危机。太阳能供电、人工智能驱动的低轨道（LEO）卫星被提出作为缓解地面电力消耗的方案，但其生命周期碳足迹仍鲜有了解，由于发射排放、卫星制造以及辐射硬化硬件需求。本文提出了\textit{LLMSpace}——面向 AI 驱动 LEO 卫星上大语言模型推理的首个碳建模框架。LLMSpace 联合建模了运行碳排放与装配碳排放、外设子系统、辐射硬化加速器与存储器，以及大语言模型特定的工作负载特征，如 prefill-decode 行为和 token 生成。基于真实可行的卫星与 GPU 配置，LLMSpace 揭示了碳足迹、推理延迟、硬件设计和运行寿命之间存在的关键权衡，从而为可持续的基于太空的大语言模型推理提供指导。源码：https://github.com/UnchartedRLab/LLMSpace。
引用
@article{arxiv.2605.05615,
title = {LLMSpace: Carbon Footprint Modeling for Large Language Model Inference on LEO Satellites},
author = {Lei Jiang and Adrian Ildefonso and Daniel Loveless and Fan Chen},
journal= {arXiv preprint arXiv:2605.05615},
year = {2026}
}
备注
12 pages, 4 figures, 6 tables