为实现空间三维泛在计算平台提供了理论与技术指导，流体AI技术的核心在于将卫星的高移动性转化为系统优势，本文针对第六代（6G）移动网络中边缘人工智能（AI）与星地融合网络（SGINs）结合的发展趋势，推理任务可根据服务质量（QoS）要求由低复杂度的中间分类器提前输出结果，地面用户与低轨卫星（LEO）网络连接时在几分钟内就会发生频繁的切换，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用。
以此在推理准确率与端到端时延之间取得平衡（如图2所示），这些模型可以共用相同的参数，系统将神经网络划分为级联的子模型。
而网络流量（如AI模型参数和数据特征）则像水一样。
以及应对模型窃听攻击等方向展开进一步探索，系统可以实现智能的任务与模型迁移管理。
卫星处于高速运动状态，研究旨在利用卫星的可预测运动轨迹解决网络拓扑高动态变化与通信瓶颈带来的挑战，基于星地网络中信道条件可预测和卫星轨道运动周期性重复的特性，这极大限制了低延迟、数据密集型边缘AI服务的开展，现代卫星具备强大的计算资源，负责高层特征提取的尾部子模型部署在云端数据中心， 图2.流体AI系统中的级联推理框架 最后是星地流体模型下载，系统采用参数共享缓存方案，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，须保留本网站注明的“来源”，从而提高存储效率，首先是星地流体学习。
图3.流体AI系统中的参数共享缓存方案 部署考虑与未来方向