先说一个让人不安的事实：你能拉上窗帘挡住目光，却挡不住穿墙而过的无线电波。

6G 正在把这件事变成网络的一项标配能力。

它的名字叫 ISAC（Integrated Sensing and Communication，通信感知一体化）——同一束无线电波，一边传数据，一边借回波"感知"环境。

3GPP 的无线接入网（RAN）工作组正在做它的信道建模研究，首版规范有望随 Release 21（第 21 版）落地。

听到这里，多数人的第一反应是恐慌：基站要透视我们了。

但这个恐慌，方向错了。

ISAC 真正的问题，恰恰不是它看得太清，而是它看得刚好够模糊。

先祛魅：基站没你想的那么"火眼金睛"

要把"透视监控"的画面从脑子里删掉，得先讲一条物理约束。

雷达式感知有个铁律：你能分辨多细，取决于带宽有多宽。

距离分辨率约等于光速除以两倍带宽——带宽越窄，看得越糊。

这不是工程师不努力，是物理天花板。

问题在于，运营商基站工作在 sub-7GHz 频段，可用带宽是兆赫兹（MHz）量级。

研究界的结论很直接：传统射频成像需要吉赫兹（GHz）甚至太赫兹（THz）级带宽，这种高清成像"无法应用于兆赫兹带宽的 6G ISAC 网络"。

换句话说，靠今天的蜂窝信号给你拍一张能认脸的人体影像，物理上做不到。

所以得把"感知"拆成三个台阶：探测（这里有没有移动目标）、感知（几个目标、在呼吸、步态如何）、成像（看清是谁）。

ISAC 现阶段稳稳站在前两级，离第三级还隔着一道带宽鸿沟。

能力是真的，但它给的是一团会动、会呼吸的"光斑"，不是一张脸。

那为什么还要担心？

真正的麻烦：它看得"刚好够模糊"

因为我们整套隐私法律，是为"看得清"设计的。

想想数据保护到底在保护什么。

摄像头、人脸、可识别的个人信息——它的隐含前提是"光学可见性"：被拍的人原则上知道镜头在哪，法律保护的是"可识别到具体个人"的数据。

这套框架建立在光学世界的物理直觉上。

ISAC 把感知从光学范式切换到了雷达范式。

没有镜头，没有快门声，电波穿墙而过。

这个类比并不完美——雷达回波远不如照片直观——但它点破了一件事：当采集不再可见、不再需要你同意、连路过的旁观者都被一并采样时，"知情—同意"这套机制整体踩空了。

而"模糊"在这里不是安全阀，是盲区的成因。

一团去掉了身份的体征数据流——谁在家、几点起床、呼吸是否平稳、有没有人长期卧床——因为它认不出"你是谁"，很可能就不触发以"个人数据"为门槛的保护条款；可一旦长期聚合，它足以推断出你的作息、健康乃至是否独居。

最危险的从来不是"被认出来"，而是"在不被认出来的前提下，被持续地画像"。

这里必须说句公道话：去身份化数据是否真的无法可依，法律上并没有定论。

GDPR 的特殊类别数据、个保法的敏感个人信息，都把健康数据纳入了更高保护。

体征流算不算？取决于"可识别性"如何认定——而这，恰恰是当前最大的灰色地带。

我不是说它绝对无法可依，而是说：它落在了一个谁也没想清楚的夹缝里。

历史已经预演过一次

如果觉得这太遥远，可以看看 Wi-Fi。

早在十年前，学术界就证明了 Wi-Fi 的信道状态信息（CSI，Channel State Information）能感知动作、隔墙判断有无人员、甚至探测呼吸。

这条路走到今天，已经结出标准化果实：IEEE 802.11bf（WLAN sensing）在 2024 年通过、定名 802.11bf-2025，正式让 Wi-Fi 网络变成传感器。

整个过程里，技术一路狂奔，隐私治理几乎缺席。

没有等来配套立法，也没有等来公众讨论。

ISAC 不过是同一条路径的放大版——把感知能力从你家路由器，搬到覆盖一座城市的运营商基站。

室内的一个房间，变成室外的整片街区。

历史的教训很冷静：感知能力的标准化，从不自带隐私治理；二阶效应往往要等到第一起滥用浮出水面，才被人看见。

给论点装一个保质期

最后必须诚实地给这个判断标注有效期。

"看得够模糊"是当前 sub-7GHz 物理现实下的结论，不是永恒定律。

6G 一旦向毫米波、太赫兹大带宽和大规模 MIMO（多输入多输出）演进，分辨率会随之上升；研究界也已在探索绕开带宽限制的成像方法。

今天的"模糊"，明天未必模糊。

同样要承认，ISAC 能否真正大规模商用本身仍有争议——有人质疑它会不会重蹈某些 5G 增强特性"叫好不叫座"的覆辙。

技术的归宿尚未写定。

结语：该被监管的不是清晰，是模糊

回到那堵墙。

它挡得住光，挡不住电波——这句话的重量，不在"电波能看见你"，而在"现行规则只会管那些看得见的东西"。

ISAC 的隐私挑战，本质是一道定义题：当一团认不出身份、却足以拼出你生活轮廓的数据开始在空气里流动，它到底算不算需要保护的隐私？在信道建模走完、首版标准随 Rel-21 落地之前，留给立法者回答这道题的时间，并不算多。

技术从不等待法律。

这一次，但愿我们别又一次，等到墙后的光斑先动起来，才想起去拉那道根本不存在的窗帘。

全球首个低倾角遥感星座“五羊星座”先导A星成功入轨，中科西光航天完成“高光谱＋高分”双能力布局

10月21日11时39分，西光肆号01星（五羊星座先导A星）搭乘谷神星一号海遥八运载火箭，在山东日照近海海域“东方航天港”号发射船点火升空，顺利进入预定轨道，各项遥测参数正常，在轨状态稳定良好，发射任务取得圆满成功。

本次任务首次采用“陆地指挥、海上发射”新模式。

该星由广州大学牵头、广东省天垣科技有限公司（简称“天垣科技”）抓总、西安中科西光航天科技集团有限公司（简称“中科西光航天”）承研承制，是全球首个低倾角遥感星座五羊星座的首颗卫星。

该星采用39低倾角轨道设计，集聚于南北纬39度之间的“地球金腰带”，打破传统极轨卫星观测局限，开启我国低纬度高频遥感观测全新实践，是中国商业航天从“跟随极轨”迈向“定义低纬”的重要里程碑。

随着该星成功入轨，中科西光航天目前在轨卫星数量13颗，标志着该公司在光学遥感领域形成“高光谱＋高分”的双能力布局。

聚焦“地球金腰带” 全球半数以上人口、主要经济体与关键生态带，集聚于南北纬39度之间的“地球金腰带”。

然而全球主流遥感星座以太阳同步极轨轨道为主，受球面几何约束，越接近赤道过境越稀疏，同一星座在北京的重访率高于广州、广州又高于赤道。

这导致台风路径追踪、赤潮暴发监测、一年三熟水稻长势研判、粤港澳大湾区城市群扩张监测等高频次需求长期供给不足。

作为全球首个低倾角遥感卫星星座，五羊星座是广州落实航天强国战略、布局商业航天的标志性工程，由广州市政府、国家信息中心、广州大学联合推动，聚焦南北纬39度“地球金腰带”的观测空白，致力构建我国首个面向低纬度区域、具备高分宽幅与全谱段能力的智能化空天信息服务体系，在同等规模下换取远高于极轨星座的重访频次。

作为五羊星座的先导星，西光肆号01星（五羊星座先导A星）承担轨道体制验证、遥感载荷考核、新技术验证、多场景应用示范等任务，是星座规模化组网前的验证星。

先导星的作用在于先期获取在轨实测数据，降低后续批量组网的技术风险。

“这颗卫星从萌芽开始，始终有中国遥感领域权威专家的深度参与。

童庆禧院士、王建宇院士、顾行发院士、王晋年院士、李志忠院士等院士专家，在轨道设计、载荷技术路线、星座落地、产业化应用与场景落地等环节掌舵定向、把脉赋能。

”中科西光航天介绍称，“五羊首星核心主张‘换轨超越，靠谱遥感’——不是跟随极轨做微创新，而是独创性换轨，用39低倾角重新定义低纬度观测。

” 0.5m高分+2m多光谱+30m宽幅红外 支撑这颗星的，是一组硬指标：0.5米分辨率高分相机、2米多光谱相机、30米宽幅红外载荷，一次过境兼顾亚米级精细观测与百公里级宽幅普查；电推进系统与高速数传链路，保障轨道维持与数据即时下传，具备“即感即传即用”的快速响应能力；39低倾角轨道把覆盖压缩到中低纬度，换来这一区域约7倍于一般极轨卫星的重访率。

“卫星各项指标处于目前国内商业遥感单星观测综合性能先进水平”中科西光航天表示，“这也给我们带来不小的挑战。

指标之外，是两重实打实的技术考验。

” 第一重来自低倾角轨道本身。

相比太阳同步轨道，39倾角下卫星在轨经受的太阳入射角、地球红外与反照热流随季节和轨道位置变化更为剧烈，平台结构的承载能力和热控系统的调节能力都面临更高要求，力热设计是研制中的一道硬门槛。

第二重考验来自电推进变轨。

该星需要在较短时间内完成约100公里的轨道高度机动，这种大幅度的轨道位置上下变动，对推进系统的推力精度、平台姿态的稳定控制以及在轨能源供给都是严峻考验，任何一环出现偏差都会直接影响成像质量与任务寿命。

“近年来遥感载荷设计的主流方向，是宽幅覆盖找异常、高分详查看细节，一次过境把两件事都做了。

”中科西光航天表示，0.5米高分相机与30米宽幅红外的协同，让卫星在单次过境时可同时完成精细观测和大范围普查两种模式的数据获取，这也是团队在系统设计中优先保障的能力。

赋能“一带一路”空间信息走廊 据了解，作为“一带一路”空间信息走廊的技术验证先锋，西光肆号01星（五羊星座先导A星）组网后将覆盖我国南部15省市，辐射东南亚、非洲、南美等广大低纬度区域，提供高频次遥感数据供给。

对内可支撑城市治理、防灾减灾、生态保育、精细农业、河湖监测等多元场景；对外可依托“海上丝绸之路”输出空间信息服务能力，助力区域灾害预警、资源普查、跨境生态协同治理，为低纬度地区可持续发展注入天基动能。

值得一提的是，该星也是我国探索国际空间合作新范式的重要载体，已纳入亚太空间合作组织（APSCO）星座与亚洲大洋洲地球观测组织（AOGEO）数据资源体系，深度参与“一带一路”空间信息走廊建设，在全球空间治理中贡献中国方案与中国力量。

完成“高光谱＋高分”双能力布局 “高光谱”一度是中科西光航天最鲜明的标签。

该公司是一家全自主研发高光谱卫星及遥感数据服务的商业航天公司，先后成功研制并发射多颗高光谱卫星，精准布局卫星研制、星座运营、载荷定制、数据应用全链条业务板块，服务于农业、林业、水体、矿产、双碳等重要领域。

据了解，西光肆号01星（五羊星座先导A星）是中科西光航天研制的首颗高分卫星。

作为该星的承研承制单位，中科西光航天承担了星地一体化顶层设计、卫星系统总体论证与研制，以及整星总装、测试和试验等全流程工作，形成从载荷研制、整星设计到总装集成测试的全链条研制体系。

“西光肆号01星是我们研制的首颗高分辨率光学卫星，与此前多颗高光谱卫星形成互补，标志着公司在光学遥感领域形成‘高光谱＋高分’的双能力布局。

”中科西光航天表示，团队把在高光谱领域积累的载荷设计、整星集成和质量控制能力，迁移到高分光学与宽幅红外协同的新任务上，“不仅专注高光谱，更具备了全谱段遥感能力。

” 三地协同铸星 西光肆号01星（五羊星座先导A星）既是跨区域协同创新的生动缩影，也是卫星制造、载荷研制、地面系统、应用服务全产业链贯通的典型范例。

西安坐拥深厚航天工程积淀，中科西光航天扎根于此，主导卫星平台总装与工程实现，筑牢制造端核心能力；长三角集聚前沿科创资源，常州星遥光宇、天汇空间研究院深度参与，攻关核心遥感器、光学系统与地面数据系统；粤港澳依托产业与场景优势，广州大学孵化的天垣科技担纲星座总体运营与应用服务，面向中国南方和全球低纬度地区拓展落地价值。

三地优势互补、资源互通，构建起从制造到应用的完整闭环。

以西光肆号01星（五羊星座先导A星）为起点，中科西光航天将携手广州大学、天垣科技等各方，依托在轨实测数据稳步推进后续业务星组网，持续把科研优势转化为数据产品与行业服务能力，助力我国低纬度遥感事业与商业航天高质量发展。

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。