📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 12周: ☁️ 星鏈雲原生架構：LEO × vGateway × O-SAT × Kubernetes
119／150單元： Space xApp / gApp🤖 AI 同步運作於太空與地面**
________________________________________
🎯 單元導讀
在 6G × O-RAN 世界裡，AI 不是集中在核心網路，而是：
⭐ 分散在 RIC（RAN Intelligent Controller）上的 xApp / rApp / gApp。
而在 NTN（非地面網路） 裡，
星鏈、Kuiper、OneWeb Gen2 等 LEO 星座也開始用：
⭐ Space xApp（衛星上的 AI 微服務）
⭐ gApp（地面 Gateway / Cloud 上的 AI 微服務）
兩者同步運作、互相補完：
✔ 太空負責快速推論、即時決策
✔ 地面負責訓練、策略、大模型、全局優化
形成新概念：
🌐 AI-native 空地一體網路（AI-Integrated Space–Ground Network）
一句話：
🛰 + ☁️
太空跑 xApp → 地面跑 gApp → 兩邊一套 AI。
________________________________________
🧠 一、什麼是 Space xApp？（衛星側 AI 微服務）
Space xApp 是部署在 LEO 衛星上的 AI 模組（container）。
功能包括：
✔ 波束最佳化（Beam Optimizer AI）
✔ 衛星間路由（In-space Routing AI）
✔ Link Quality Estimation
✔ PAT（雷射指向）預測
✔ 雨衰預測（參考地面雷達 + 星間量測）
✔ Handover 預測（軌道 + UE 分布）
✔ Space Edge Compute 排程
Space xApp 的特點：
⭐ 在軌（on-orbit）即時推論
⭐ 必須輕量（邊緣模型）
⭐ 即使與地面斷線也能獨立運作
它就像「在太空跑的 RIC Near-RT xApp」。
________________________________________
🧠 二、什麼是 gApp？（地面側 AI 微服務）
gApp 是部署在：
✔ vGateway（虛擬地面站）
✔ 地面資料中心
✔ 雲端（AWS/GCP/Space Cloud）
功能包括：
✔ Model Training（模型訓練）
✔ Global Topology Optimization
✔ Traffic Policy Generation
✔ Laser Link Path Global Planner
✔ Satellite Load Prediction
✔ 星座級 Routing 大模型
✔ OTA Model Update Pipeline
與 xApp 最大的差別：
gApp 處理：
⭐ 全局
⭐ 高複雜度
⭐ 大模型（數十亿參數）
⭐ 需大量 GPU/TPU
________________________________________
🧠 三、Space xApp × gApp 如何同步？
6G NTN 採用「雙層 AI」架構：
gApp（Cloud）
→ 訓練高精度模型（Teacher Model）
→ 下發壓縮後的 Student Model 給衛星
Space xApp（LEO）
→ 使用 Student Model 進行低延遲推論
→ 回傳遙測、Channel Map、Link Quality Data
→ 讓 gApp 更新模型
這是一個完整的 AIOps pipeline。
________________________________________
🧠 四、完整架構 ASCII
☁️ gApp Layer（地面雲端 AI 層）
┌──────────────────────────────┐
│ - Model Training（教師模型訓練）
│ - Global Routing Planner（全域路由規劃）
│ - Traffic Policy Generator（流量政策產生）
│ - Constellation Analytics（星系大數據分析）
│ - OTA Model Update（模型遠端更新）
└───────────────▲──────────────┘
│ AI Sync（模型／遙測同步）
│
┌───────────────┴──────────────┐
│ 🛰 Space xApp Layer（星載邊緣 AI 層）
│ - Beam AI（波束智慧控制）
│ - Routing AI（星間路由決策）
│ - PAT Prediction（雷射指向預測）
│ - Link Quality Estimation（鏈路品質估測）
│ - Load Prediction（短期負載預測）
└────────────────────────────────┘
這張架構圖說明的是 LEO 星鏈中的「雲端—星載協同 AI 控制」設計。上層的 gApp Layer（地面雲端 AI 層） 掌握全星系的長期資料與全域視角，負責進行教師模型訓練、全域路由與流量策略規劃，以及透過大數據分析預測整體星系行為，並以 OTA 方式將更新後的模型與策略下發。下層的 Space xApp Layer（星載邊緣 AI 層） 則部署在每一顆 LEO 衛星上，依據即時感測與鄰居資訊，進行波束控制、星間路由決策、雷射 PAT 指向預測、鏈路品質估測與短期負載預測等快速反應任務。兩者透過 AI Sync（模型／遙測同步） 形成閉環，使系統同時具備「雲端全局最佳化」與「星載即時自主決策」能力，這正是未來 6G NTN 與 Starlink 等級星際網路能穩定運作與高效率擴展的核心智慧架構。
上層訓練，下層推論。
全球策略 × 即時反應 = 完整體系。
________________________________________
🧠 五、為什麼星鏈（Starlink）一定要用 xApp/gApp？
理由如下：
1. 衛星需要「自主能力」
→ xApp 讓衛星能自己決定路由、PAT、波束
2. 星座需要「全球優化」
→ gApp 讓雲端 AI 看整個星座的拓樸與流量
3. Laser Link 網路太複雜
→ 必須依靠 AI 持續調整 routing policy
4. 雨衰補償需要「太空＋地面」雙向資料
→ gApp 統計天氣
→ xApp 迭代 Link Quality 模型
5. OTA 模型更新流程必須自動化
→ gApp 訓練
→ Space xApp 滾動更新（像 OTA on Kubernetes）
________________________________________
🧠 六、實例：Starlink Phase II 的 Space AI 架構
根據公開資料推論：
✔ Starlink V2 Mini 使用 ASIC for AI 推論
✔ SpaceX Cloud 執行模型訓練
✔ Edge model update via laser link
✔ Routing & beam algorithms 部署於 satellite container
SpaceX 曾說：
“Our satellites make autonomous routing decisions in orbit.”
這的確就是 Space xApp 的敘述。
________________________________________
🧠 七、工程挑戰（研究所級）
1. Laser Link jitter 對 AI 同步的影響
2. 模型更新頻率 vs 衛星能耗之間的折衷
3. 星座分散式推論的參數一致性問題
4. Edge Student Model 的壓縮率 / 精度損失
5. 不同軌道面（Plane）間模型同步的延遲
6. xApp Crash / Pod Eviction 與自我修復（Space K8s）
每一項都是未來 6G NTN 研究議題。
________________________________________
🧠 八、模擬題（工程應用）
1️⃣ 設計 Space xApp + gApp 的 Teacher/Student 模型架構
2️⃣ 模擬一個「星間路由 AI」從雲端更新到衛星的延遲
3️⃣ 測試 xApp 在雙衛星 Laser Mesh 下的推論協作
4️⃣ 計算 xApp 模型大小 200MB 時 OTA 時間（10 Gbps laser）
5️⃣ 模擬 gApp 下發政策後，xApp 做 Local Optimization 的差異
________________________________________
🧠 九、小結
✔ Space xApp = 衛星端 AI 微服務（Near-RT，低延遲）
✔ gApp = 地面端大模型（Training、策略、全局優化）
✔ 兩者互補：
• 太空＝推論與低延遲控制
• 地面＝訓練與全局策略
✔ 這是 6G NTN 的標準：AI-native 空地一體化
✔ 星鏈 Phase II 正在實做類似架構
✔ 這也是未來 NTNs、LEO Mesh、HAPS × UAV 網路的共同路線
一句話：
🌐 Space xApp × gApp = 6G 星座的「大腦 × 小腦」。
一邊想，一邊反應，一套 AI 支撐整個天空。
──────────────────────────────────
