印度再次预警年底载人飞船首飞，准备如何？首次载人3人在轨飞3天

印度载人飞船“无人首飞”倒计时之中，再次锁定今年年底将进行无人首飞，真的可以吗？任务准备进行到了哪一步了？

其实这还真的是未知数，在10月初的时候，印度才发布了关于“飞船总装”的画面，整个总装都还没有达到整体构造完美的模式。

而且，在总装之后，至少还要进行相关性的测试，这才有可能进行下一步的计划是吧，而这会再次说明这个问题，从我个人来说，还是存在差异化的模式，那究竟是怎么回事？为何印度这么有信心？

印度再次预警：年底首飞飞船，真可以吗？

的确，这一次宣布的人是不一样的，是来自印度空间研究组织液体推进系统中心（LPSC）主席N. Jayan表示，Gaganyaan首次无人任务准备工作正在快速推进，预计于今年年底前实施。

如果依照年底的说明，那应该在11月、12月之间可以进行是吧，毕竟这两个月之后，就是2027年了。

而在10月是不可能执行的，因为根据它的说明，预计NVS-03任务预计于10月底完成后，而Gaganyaan任务在随后一个月内实施，至少就是11月的事情。

所以，只可能是11月，但是不排除12月的节点了，反正印度当下是给自己预警锁定时间区间，这也不是今年第一次说明了，要是还是改变的话，那真的是太拖拖拉拉了，要是真的后面延期，那也不用惊讶，这也不是第一次说延期的问题了。

我只能说，有没有准话，那就等地执行了才知道，而在第一次无人测试（G1）之后，还有G2/G3任务的执行，过后才会进行载人飞行，这是印度当下的目标趋势。

当然，可以看下印度的飞船数据，其标准版的任务火箭，飞船，采用的是LVM3运载火箭+Gaganyaan飞船，其火箭直径４米、高43.5米、起飞质量640吨，低轨道运载能力可达10吨，地球同步转移轨道运载能力约4吨，为了满足载人飞船的任务计划，也在不断的进行改造，这也是印度当下最强大的火箭之一。

飞船采用的乘员舱与服务舱双舱段构型，设计搭载最多3名航天员，具备7天自主在轨飞行能力，发射质量7.8吨（含服务舱），采用的是海面溅落回收方案。

所以，其配套还是比较明显，也没有改变，不过当下印度没有明确说明在无人测试之下，是否给出调整，这里只有在发射的时候才知道，大家继续等待就行，正常情况来说，印度任务的变数还是存在的。

印度首次无人飞船：准备如何了？首次任务做什么？

对于当下印度的首次无人飞船，依照整个说明情况来看，火箭所有部件均位于斯里赫里戈达，总装程序正在推进，各项审查也在推进，同时，其飞船的轨道舱操作也非常顺利，并且已经完成了整合和所有测试。

当下仅仅只剩下了热真空测试等少数最终阶段测试，一旦测试完成了的话，将跟火箭进行全面的整合，这不得不说，在10月上旬看起来印度的飞船边框都看不到，没想到这么快就整合差不多了，还测试了很多系统了，可以看的出来，印度在冲击2026年底的全面无人飞船测试，而且这一次也说明了，将在全面整合之后，数日内就发射，这就是他们的目标。

那在首次无人飞船测试之下，要进行什么测试，做什么？

第一、就是针对飞船系统的全系统测试，看看是否具有稳定性，这一次由于不是载人任务，将搭载一个机器人飞行进行数据收集，所以，这将是后续任务的结果。

第二、在G1任务之中，还将使用实验性ECLSS，也就是部分功能的验证机，来进行太空环境之下的任务收集。

所以，其实这一次G1任务主要就是系统性测试，你说要做个什么出来，这不现实。

而在G1之后，当下印度也给出了一些安排，那就是G2任务将使用100%全功能ECLSS，其开发正在LPSC推进，预计在G1任务完成时准备就绪，G1任务中要求更改的数据将用于改进G2的ECLSS。

所以，首次无人飞行测试任务将是印度后续飞船进一步升级改造的关键，不过，从当下来看，印度这说法感觉就是整个飞船的性能还不能达到真正意义上的完整飞船，需要在后续做升级，再次进行测试。

所以，到底能够带来什么不一样的效果，这还真的难说，这会只能说印度的无人测试如果成功了的话，航天影响力可能出现，毕竟世界上当下就只有中俄美具备这样的实力，印度要是成功了，将成为世界第四，就算是无人飞船的成果，也算是了。

同时，印度的首次载人飞行任务，也要突破历史成果，创造世界历史，这是要超越实现中俄美的目标，至少当下还没有进行任何的调整。

印度首次载人3人在轨飞3天，这么强吗？

强不强这是印度当下给出的标准，而且在全球范围之中，中俄美在首次载人飞船任务执行“载人”任务之下，都是没有达到这个实力，其都是采取的1人飞行，并且在1天内就结束了（商业飞行除外）。

这都说明了印度要是真的做到了，这还真的是一个世界历史性的成果。

当下印度是有4名宇航员在准备之中，其中1名宇航员在国际空间站执行过任务，其他的3名宇航员都还未执行过任务，所以，这是否能够赶得上，还不清楚，印度的目标是在2027年-2028年左右进行载人首飞。

我这里说是否赶得上，主要是印度也宣布了自己选拔新航天员的飞行计划，要是真的选了新的，这老批次的航天员可能就暂时不会执行任务，具体反正看看印度的任务节奏吧，毕竟后续的载人飞船任务都是按照前面的G1/G2/G3的任务情况来衡量的，要看看是否可以完美的完成各种任务周期，这是非常关键的一步。

所以，印度首次载人飞船任务的目标非常大，是否可以完成，也将可能是世界关注的点，只是这会首先任务就是要先完成自己的无人飞船测试才行，这才是核心的目标。

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。