把 AI 放進衛星接收器，不代表效能一定更好。歐洲太空總署（ESA）TANNDEM 計畫完成 5G NR NTN 實體層測試，結果顯示，RNN 搭配傳統 LDPC 解碼器的混合架構，在建議設定下可減少 44.5% 運算量；Jetson Orin 嵌入式平台的每位元能耗約降低 46%。但全面取代既有流程的端到端 DeepRx Lite，反而出現明顯吞吐量衰退。
這項結果對台灣的價值不只是「AI 可以省電」。AIx衛星研究員更關注的是：衛星 AI 必須在可控通道、可重複資料與實際硬體上證明收益。晶片、終端與測試量測業者，應把模型效能、射頻條件和功耗一起納入產品驗收。
TANNDEM 測了哪些功能？
計畫分別評估 CNN 通道估測、端到端神經網路接收器，以及 RNN 輔助 LDPC 解碼。測試涵蓋 QPSK、16-QAM、不同通道模型與最高 300 公里時速的終端移動情境，並在 GPU、Jetson Orin 與 FPGA 類平台比較。
結果顯示「局部替換」優於「全部交給 AI」。CNN 通道估測在低訊噪比場景可提高吞吐量，但運算成本也上升；混合式 RNN＋LDPC 在維持傳統解碼可靠性的同時減少迭代。相較之下，DeepRx Lite 在多數低至中訊噪比條件下難以收斂。
台灣產品化要跨過三道門檻
一、資料必須覆蓋真實衛星通道
模型若只看理想通道，容易在快速都卜勒、相位雜訊、遮蔽或功率放大器非線性下失效。衛星訊號模擬器應提供可追溯的軌道、衰減、延遲與干擾情境。
二、KPI 不能只看準確率
終端成本包括推論延遲、記憶體、每位元能耗、熱設計與最差吞吐量。報告應同時列出 BLER、吞吐量、功耗與硬體資源，避免平均表現漂亮卻在弱訊號時拖垮連線。
三、必須設計安全降級
模型遇到未知通道時，接收器能否切回傳統演算法？模型版本、資料來源與切換條件都要可稽核。對災防、海事與關鍵設施，可預測的降級比偶爾的峰值更重要。
AIx衛星研究員觀點
TANNDEM 的產業訊號，是 AI 不必取代整條接收鏈才有價值。把 AI 放在運算最重、又能由傳統模組兜底的位置，較容易通過晶片資源、可靠度與標準相容性評估。
台灣可從 NTN 通道資料集、硬體在迴路測試、模型漂移監控與跨晶片比較切入。當客戶能看到同一模型在不同速度、頻偏與功耗限制下的完整證據，演算法才會成為可採購模組。
結論
ESA TANNDEM 證明，AI 5G NTN 接收器的可行路徑更可能是混合式架構。台灣業者若把衛星通道模擬、硬體功耗、失效降級與版本治理一起驗證，就有機會打造具競爭力的低功耗 NTN 方案。
FAQ
AI 5G NTN 接收器和一般 5G 接收器有何不同？
NTN 必須處理更大的延遲、都卜勒與快速變動通道，AI 模型需要以具代表性的衛星情境訓練及驗證。
AI 一定比傳統 LDPC 解碼省電嗎？
不一定。ESA 結果顯示混合式架構有明確收益，但端到端模型可能增加運算量並降低吞吐量。
台灣業者最適合從哪裡切入？
可從 NTN 測試資料、衛星訊號模擬、嵌入式功耗量測與晶片整合工具切入。
參考來源
- ESA：TANNDEM 計畫架構、硬體測試與量化結果。https://resilience.esa.int/archives/projects/tanndem
- 3GPP：Non-Terrestrial Networks 技術總覽。https://www.3gpp.org/technologies/ntn-overview
延伸閱讀
- 6G NTN 波形測試：https://abusensei.com/esa-stargate-6g-ntn-waveforms/
- 衛星訊號擬真器：https://abusensei.com/satellite-signal-simulator/
延伸閱讀
