Google Project Suncatcher, AI 데이터 센터를 우주로 올리다. 그러나 물리 법칙이 조건을 정한다

Google Project Suncatcher는 10월 1일 네 개의 Tensor Processing Units를 궤도에 올리며, 그동안 사변적이었던 인프라 구상을 실제 하드웨어 시험으로 전환했다. 이 칩들은 현재 Planet이 제작하고 SpaceX가 발사한 태양광 발전 위성에 실려 있다. Google은 우주선이 교신을 수립했으며 예상대로 작동하고 있다고 밝혔다.

이번 발사가 Google이 궤도상 클라우드를 구축했다는 뜻은 아니다. 이는 회사가 마침내 상용 AI 하드웨어가 실험실 밖에서 방사선, 발사 충격, 열을 어떻게 견디는지 측정할 수 있게 됐다는 의미다. 이 결과에 따라 우주 AI 데이터 센터가 추가 투자를 받을 가치가 있는지, 아니면 값비싼 사고 실험으로 남을지가 결정될 것이다.

SpaceX, Nvidia, Starcloud, Blue Origin과 여러 소규모 기업도 관련 계획을 추진하고 있다. 제안은 서로 다르지만 전제는 같다. 지구의 전력망, 물 시스템, 인허가 절차가 AI 확장의 제약 요인이 되고 있다는 것이다. 궤도는 풍부한 햇빛과 더 적은 지역 반발을 제공하는 듯 보이지만, 지상의 제약을 가혹한 엔지니어링 문제로 대체한다.

Google Project Suncatcher는 구상에서 궤도로 옮겨갔다

Google은 중요한 경계를 넘었지만, 이 위성은 작동 중인 궤도 데이터 센터가 아니라 여전히 실험이다.

Project Suncatcher 프로토타입은 SpaceX의 Transporter-18 라이드셰어 미션에 실려 발사됐다. 무인 Falcon 9은 캘리포니아 Vandenberg Space Force Base에서 130개의 탑재체를 저궤도로 운반했다.

Google은 소형 우주선 제작 경험을 갖춘 지구 관측 기업 Planet과 함께 위성을 개발했다. 탑재체에는 머신러닝 워크로드용으로 Google이 설계한 가속기인 Trillium TPU 네 개가 실려 있다.

Google의 프로토타입 업데이트에 따르면, 회사는 향후 몇 주 동안 운영 데이터를 수집할 예정이다. 엔지니어들은 칩이 진동, 방사선, 극심한 온도 변화에 어떻게 반응하는지 조사한다.

이는 기본적인 생존성에 관한 질문들이다. 지상의 가속기는 이중화된 전력, 냉각, 네트워킹, 유지보수 체계를 갖춘 정밀 제어 건물 안에서 작동한다. 궤도 버전은 기술자, 교체 부품, 안정적인 실내 환경 없이도 계속 작동해야 한다.

초기 워크로드는 의도적으로 제한적이다. 칩은 통제된 시간 동안 짧은 Gemini 쿼리를 실행한 뒤, 하드웨어가 식을 수 있도록 멈춘다. 이 일정은 시험이 지속적인 AI 서비스와는 아직 거리가 멀다는 점을 보여준다.

상용 시스템은 수천 개의 프로세서를 장기간 활성 상태로 유지해야 한다. 또한 대규모 워크로드를 여러 위성에 분산하기 위한 충분한 메모리, 네트워킹 용량, 내결함성이 필요하다.

Google의 더 큰 설계는 자유공간 광 링크로 연결된 태양광 발전 우주선 클러스터를 구상한다. 이 링크는 물리적 케이블 없이 레이저로 위성 간 데이터를 전송한다.

회사의 연구는 반경 약 1킬로미터 안에서 비행하는 81기 위성 클러스터를 설명한다. 머신러닝 시스템은 충돌을 피하면서 편대 비행을 조율하게 된다.

현대 AI 학습은 가속기 간의 빠른 통신에 의존하기 때문에 근접 편대는 중요하다. 고립된 칩 집단은 지상 슈퍼컴퓨터와 같은 성능을 자동으로 낼 수 없다.

따라서 Google이 제안한 광 네트워크는 낮은 지연 시간으로 높은 대역폭을 제공해야 한다. 모든 위성이 궤도 속도로 이동하는 동안에도 정밀한 정렬을 유지해야 한다.

지상과의 통신은 또 다른 병목을 만든다. 현재 프로토타입에는 무선 링크로 충분하지만, 대형 궤도 클러스터는 모델과 데이터셋을 지구와 교환하기 위해 훨씬 더 빠른 연결이 필요하다.

이러한 제약은 왜 10월 발사가 중요한지 설명한다. Project Suncatcher는 더 이상 컴퓨터 모델과 방사선 시험에만 기반하지 않는다. Google은 이제 자사의 가정을 궤도에서 수집한 데이터와 비교할 수 있다.

그럼에도 이 실험이 전체 아키텍처를 검증하는 것은 아니다. 81기 위성 편대, 지속 운용, 대형 방열판, 지상과의 대용량 광 링크를 시험하지는 않는다.

이 구분은 핵심적이다. Google은 AI 프로세서를 우주에 배치했지만, 궤도 클러스터가 기존 데이터 센터와 경쟁할 수 있음을 보여주지는 못했다.

AI의 전력 수요가 우주 경쟁을 이끌고 있다

궤도로 향하는 경쟁은 지상의 문제에서 시작된다. AI 개발업체들은 전력회사가 공급할 수 있는 속도보다 더 빠르게 전기를 필요로 한다.

미국 Government Accountability Office에 따르면, 데이터 센터는 2028년까지 미국 전력 수요의 최대 12%를 차지할 수 있다. AI 개발은 이 전망을 뒷받침하는 주요 요인이다.

새 시설에는 수년간의 전력회사 계획 수립, 송전망 증설, 인허가, 지역 협의가 필요할 수 있다. 물 소비와 토지 이용 역시 예정 부지 인근 지역사회의 반발을 유발할 수 있다.

이러한 제약은 최첨단 모델을 개발하는 기업들에 영향을 미친다. 더 많은 컴퓨팅 자원은 모델 학습, 실험, 추론, 고객 성장에 기여한다. 따라서 인프라 지연은 제품 개발과 매출 모두를 늦출 수 있다.

궤도 프로젝트는 다른 에너지 모델을 약속한다. 적합한 저궤도의 태양광 패널은 구름이나 야간 주기 없이 거의 지속적인 햇빛을 받을 수 있다.

Google은 제안한 궤도의 패널이 지구 중위도 지역 패널보다 연간 최대 8배 많은 태양 에너지를 받을 수 있다고 추산한다. 이 장점은 노출 조건을 반영하는 것이지, 공짜 전력을 뜻하지는 않는다.

위성에는 여전히 대형 어레이, 전력 전자장치, 배터리, 제어 시스템이 필요하다. 이들 구성 요소는 무게를 더하며 발사, 방사선, 반복적인 열 스트레스를 견뎌야 한다.

지상 용량 확보가 어려워질수록 에너지 측면의 논리는 더욱 매력적으로 보인다. 발사체에 접근할 수 있는 기술 기업은 새 발전소를 기다리지 않고 컴퓨팅 용량을 추가할 수 있다.

SpaceX는 가장 뚜렷한 수직 통합 우위를 갖고 있다. 로켓을 운용하고 Starlink 위성군을 관리하며, 전용 궤도 데이터 센터 위성도 제안했다.

Elon Musk는 우주가 2~3년 안에 AI를 위한 최저비용 입지가 될 것이라고 말해 왔다. 이 전망은 입증된 경제적 결과가 아니라 회사의 주장에 머문다.

SpaceX는 최대 100만 기의 위성을 포함하는 계획도 제출했다. 이러한 네트워크는 현재의 실험적 컴퓨팅 탑재체를 훨씬 뛰어넘는 규모로 운용될 것이다.

우위는 기술에만 있지 않다. 발사 접근성은 어떤 궤도 프로젝트가 하드웨어를 시험하고, 고장 난 장비를 교체하며, 용량을 확장할 수 있는지를 결정할 수 있다.

경쟁사들은 종종 운송을 SpaceX에 의존한다. Google은 Project Suncatcher 프로토타입에 Falcon 9을 사용했고, Starcloud 역시 이전 AI 하드웨어 미션에 SpaceX를 활용했다.

이러한 의존성은 발사 용량을 전략적 지렛대로 만든다. 로켓과 궤도 컴퓨팅을 모두 통제하는 기업은 자체 비용을 최적화하는 동시에 경쟁사의 상업 조건을 정할 수 있다.

Blue Origin은 가능한 균형추를 제공한다. 이 회사는 대규모 위성 네트워크와 대형 발사 역량을 추구해 왔지만, 궤도 컴퓨팅 전략은 아직 덜 성숙했다.

Nvidia는 공급망에서 또 다른 위치를 차지한다. 이 회사는 제약된 궤도 환경에서의 컴퓨팅을 위한 Space-1 Vera Rubin Module을 선보였다.

Nvidia는 이 모듈이 대규모 언어 모델, 지리공간 분석, 자율 우주선을 지원할 수 있다고 말한다. 그러나 가용성과 지속적인 궤도 성능은 여전히 검증이 필요하다.

Starcloud는 더 직접적인 상업 모델을 시험하고 있다. 이미 Nvidia H100 가속기를 비행시켰으며, 학습과 추론을 위한 더 큰 클러스터를 조립하려 한다.

당장의 기회는 일반적인 챗봇 요청을 처리하는 일이 아닐 수 있다. 우주에서 생성된 데이터를 처리하는 편이 더 분명한 이점을 제공한다. 정보가 지구까지 완전한 왕복을 할 필요가 없기 때문이다.

지구 관측 위성은 운용사가 효율적으로 전송할 수 있는 양보다 더 많은 원시 영상을 포착한다. 탑재 AI 시스템은 일부 결과만 지상으로 보내기 전에 산불, 손상된 인프라, 이상 기상을 식별할 수 있다.

이 접근법은 다운링크 수요와 대응 시간을 줄인다. 또한 지상 클라우드 리전을 대체하는 것보다 더 작은 규모에서도 작동한다.

따라서 궤도 데이터 센터 경쟁에는 두 시장이 존재한다. 하나는 이미 우주에 있는 센서 가까이로 컴퓨팅을 가져간다. 다른 하나는 범용 AI 인프라를 지구에서 옮기려 한다.

첫 번째 시장은 현재 도래하고 있다. 두 번째 시장에는 발사 경제성, 냉각, 네트워킹, 유지보수에서 훨씬 큰 발전이 필요하다.

태양광은 풍부하지만, 냉각은 공짜가 아니다

핵심적인 상충 관계는 단순하다. 궤도는 더 많은 햇빛을 제공하지만, 진공은 폐열을 제거하기 어렵게 만든다.

AI 프로세서는 전기 입력 대부분을 열로 전환한다. 수백 와트를 공급받는 칩은 이 열에너지를 지속적으로 다른 곳으로 옮겨야 한다.

지상 시설은 공기, 물 또는 특수 액체로 열을 운반한다. 이후 팬, 펌프, 냉각탑, 냉각기는 이를 주변 환경으로 전달한다.

우주에는 대류를 위한 대기가 없다. 우주선에서 열을 흡수할 외부 액체도 없다.

궤도 시스템은 각 프로세서의 열을 방열판으로 옮겨야 한다. 방열판은 적외선 복사를 통해 에너지를 방출한다.

이 과정은 작동하지만, 넓은 표면적을 요구한다. 컴퓨팅 성능이 높아질수록 열도 늘어나며 더 큰 방열판이 필요해진다.

IEEE 열 분석은 40킬로와트 랙 하나에 80제곱미터 방열판이 필요할 수 있다고 추산했다. 이 면적은 대략 피클볼 코트와 비슷하다.

같은 분석은 100메가와트 설비에 최소 2,500개의 방열판이 필요할 것으로 추산했다. 각각의 구조물은 질량, 항력, 전개 장치, 잠재적 고장 지점을 더한다.

방열판은 열 방출 능력도 유지해야 한다. 자외선, 원자 산소, 방사선은 시간이 지남에 따라 노출된 코팅을 열화시킬 수 있다.

이 열화는 문제가 누적되는 원인이 된다. 운용사는 처음부터 여분의 방열 용량을 발사해야 할 수 있으며, 이는 시스템을 비싸게 만든 질량을 더 증가시킨다.

태양광 어레이는 또 다른 기하학적 제약을 더한다. 프로세서와 지원 장비에 전력을 공급할 만큼 충분한 표면적이 필요하다.

어레이와 방열판 모두 유효한 방향을 유지해야 한다. 서로를 가리거나, 우주선을 불안정하게 하거나, 감당하기 어려운 항력을 만들어서는 안 된다.

우주는 차갑지만, 차가운 주변 환경이 물체를 자동으로 냉각하지는 않는다. 전도나 대류가 없다면 뜨거운 칩은 설계된 열 경로를 통해서만 에너지를 잃을 수 있다.

Google은 열 관리가 아직 미완성 과제임을 인정한다. 연구는 히트파이프와 방열판을 제안하지만, 상용 클러스터를 위한 입증된 설계를 제시하지는 않는다.

현재 위성은 짧은 워크로드를 실행함으로써 전체 문제를 피한다. 실험 중에는 냉각을 위한 중단이 허용되지만, 상업 인프라에는 예측 가능한 가용성이 필요하다.

방사선은 두 번째 절충을 만든다. 기존 위성 컴퓨터는 고에너지 입자를 견디도록 설계된 방사선 내성 부품을 사용한다.

이 프로세서들은 신뢰성이 높지만, 일반적으로 성능 면에서 선도적인 AI 가속기보다 뒤처진다. 현대의 대규모 언어 모델에는 Google TPU나 Nvidia GPU 같은 상용 칩이 제공하는 집적도가 필요하다.

상용 가속기는 더 취약하다. 고에너지 입자는 메모리 비트를 뒤집고, 계산을 손상시키거나, 전기적 고장을 유발할 수 있다.

Google은 지상 시험에서 Trillium TPU를 5년 임무에 해당하는 방사선에 노출했다고 밝혔다. 보도에 따르면 해당 프로세서는 영구적인 고장 없이 견뎌냈지만, 엔지니어들은 복구 가능한 오류를 관찰했다.

이 결과는 추가 시험의 근거가 되지만, 일부 프로세서가 살아남았다고 해서 전체 플릿의 신뢰성이 입증되는 것은 아니다. 대규모 위성군에는 훨씬 더 많은 구성 요소, 메모리 모듈, 연결부, 전력 시스템이 포함된다.

이중화는 개별 장애가 운영에 미치는 영향을 줄일 수 있다. 여러 프로세서가 같은 계산을 수행하고 결과를 비교한 뒤, 일관되지 않은 답을 내놓는 노드를 재시작할 수 있다.

이 전략은 강화 설계 대신 수량을 택하는 방식이다. 운영자는 더 많은 일반 하드웨어를 발사하고 일부 장비가 고장 날 수 있음을 감수한다.

이러한 절충안은 발사와 교체 비용이 저렴해질 때만 성립한다. 그렇지 않으면 중복 프로세서 하나하나가 유용한 연산을 제공하기 전에 자본 비용을 늘린다.

수리 역시 관련된 과제다. 지상 시설에서는 기술자들이 고장 난 드라이브, 케이블, 펌프, 가속기를 일상적으로 교체한다.

궤도 운영자는 위성마다 기술자를 보낼 수 없다. 로봇 정비는 여전히 제한적이며, 하드웨어를 지구로 회수하는 것은 대체로 경제적 타당성이 없다.

따라서 교체가 유력한 유지보수 전략으로 남는다. 고장 난 위성은 퇴역 및 궤도 이탈 처리한 뒤, 더 새로운 장비로 대체하게 된다.

빈번한 교체는 새로운 가속기가 투입되면서 칩 성능을 향상시킬 수 있다. 반면 비용이 큰 발사 주기를 만들고 궤도 교통 관리에 더 큰 부담을 줄 수도 있다.

발사 비용과 우주 쓰레기가 사업성을 위협한다

궤도 AI는 운송, 신뢰성, 활용 가능한 컴퓨팅 용량이 함께 개선될 때에만 경쟁력을 갖출 수 있다.

발사 가격은 하락했지만, 무거운 장비를 궤도로 보내는 비용은 여전히 지상 건물로 옮기는 비용보다 높다. 라디에이터, 차폐 장치, 추진 시스템, 태양광 어레이는 이 격차를 더 키운다.

Google의 경제성 모델은 저지구궤도 발사 비용이 킬로그램당 약 200달러에 이르는 것을 중요한 기준점으로 본다. 회사는 이 수준이 2030년대 중반에 가능해질 수 있다고 예상한다.

이 가정은 재사용 가능한 대형 발사체가 높은 발사 물량을 달성하는 데 달려 있다. 또한 우주선 제조사가 전력, 냉각, 내구성을 저해하지 않으면서 질량을 줄일 수 있다는 전제도 필요하다.

BCG 비용 모델은 궤도 시스템이 여전히 지상 시설보다 상당한 비용 프리미엄을 지닌다고 추정한다. 유리한 시나리오에서도 결과는 위성 고장률에 매우 민감하게 좌우된다.

따라서 발사 비용은 하나의 변수일 뿐이다. 프로세서가 일찍 고장 나거나, 라디에이터가 성능 저하를 겪거나, 네트워크가 고가의 칩을 충분히 가동하지 못한다면 저렴한 발사는 도움이 되지 않는다.

AI 가속기는 작업을 처리할 때 가치를 창출하기 때문에 가동률이 중요하다. 냉각을 위해 자주 멈추거나 데이터를 기다리는 시스템은 같은 하드웨어에서 더 적은 컴퓨팅 시간을 제공한다.

네트워크 성능은 숨은 유휴 시간을 만들 수 있다. 대규모 모델 학습은 프로세서들이 중간 결과를 빠르고 반복적으로 교환해야 한다.

광 링크의 정렬이 흐트러지거나 지상 대역폭 수준을 맞추지 못한다면, 클러스터는 더 많은 시간을 대기 상태로 보낼 수 있다. 위성을 추가한다고 해서 반드시 이 문제가 해결되는 것은 아니다.

지연 시간도 가능한 워크로드를 가르는 요소다. 인터랙티브 애플리케이션은 지구의 사람과 시스템에 빠르게 응답해야 한다.

저지구궤도는 전송 거리, 지상국 라우팅, 광 링크에 영향을 미치는 기상 간섭을 더한다. 이런 요인은 배치 작업에는 허용될 수 있지만 실시간 서비스에는 덜 적합할 수 있다.

대량 생성, 과학 모델링, 아카이브 분석, 번역은 지연을 감수할 수 있다. 궤도 컴퓨팅이 상업적 규모에 도달한다면 이러한 작업이 초기 후보가 될 수 있다.

민감한 정부 워크로드도 또 다른 잠재 시장이다. 분산형 우주 인프라는 지리적 분리와 궤도 센서에 대한 직접 접근을 제공할 수 있다.

그러나 물리적 격리가 사이버보안 위험을 없애지는 않는다. 운영자는 여전히 안전한 명령 채널, 소프트웨어 업데이트, 인증, 침해된 지상 시스템에 대한 보호가 필요하다.

환경 문제는 비용으로 환산하기가 더 어렵다. 대규모 위성군은 충돌 위험을 높이고 이미 혼잡한 궤도 대역의 활용을 복잡하게 만든다.

GAO 평가는 추가 위성이 천문 관측을 방해하고, 유인 임무를 위협하며, 무선 주파수 조정 수요를 늘릴 수 있다고 경고한다.

충돌은 궤도에 남아 다른 우주선을 위협하는 파편을 만들 수 있다. 물체가 많아질수록 근접 경고와 회피 기동도 늘어난다.

최악의 우려는 한 번의 충돌에서 나온 파편이 추가 충돌을 일으키는 연쇄 반응이다. 운영자들은 이 위험을 고려해 설계하지만, 매우 큰 컴퓨팅 위성군은 잠재적 조우 횟수를 늘릴 것이다.

SpaceX는 Starlink의 운영 실적을 대규모 플릿도 관리할 수 있다는 증거로 제시한다. 그러나 궤도 데이터센터 제안은 장차 더 큰 외부 구조물을 갖춘, 더 무겁고 복잡한 플랫폼을 추가할 수 있다.

수명 종료 처리도 중요하다. 충분히 낮은 궤도의 위성은 대기권에 재진입할 수 있지만, 빈번한 교체는 재진입 교통을 증가시킨다.

발사와 재진입은 배출가스를 발생시킨다. 한 학술 분석은 이러한 배출이 데이터센터를 지구에서 옮기는 데 따른 환경적 이점을 상쇄할 수 있다고 주장한다.

이 결론은 미래 로켓 설계, 발사 빈도, 시스템 수명, 비교에 포함되는 배출량에 따라 달라진다. 이를 확정된 사실로 받아들여서는 안 된다.

그럼에도 궤도 컴퓨팅을 자동으로 지속 가능한 방식이라고 설명할 수는 없다. 이는 에너지 생산, 제조, 발사 운영, 대기 화학, 우주 쓰레기 전반에 걸쳐 영향을 이동시킨다.

가장 신뢰할 수 있는 단기 사례는 우주에서 생성된 데이터를 위한 표적형 컴퓨팅이다. 이미지를 현지에서 필터링하는 위성은 초대형 클라우드 리전을 대체한다고 주장하지 않고도 통신 비용을 줄일 수 있다.

이처럼 더 좁은 범위의 배치는 실제 신뢰성 데이터도 드러낼 수 있다. 운영자는 프로세서 오류, 라디에이터 성능, 전력 가용성, 킬로그램당 완료된 유용한 작업량을 측정할 수 있다.

범용 궤도 클라우드는 더 높은 기준에 직면한다. 첨단 냉각, 새로운 에너지 계약, 더 효율적인 칩을 통해 계속 개선되는 지상 대안을 뛰어넘어야 한다.

지상 운영자는 재생에너지, 원자력 발전, 또는 기후 조건이 유리한 지역 근처에 시설을 배치할 수도 있다. 로켓을 발사하지 않고도 하드웨어를 업그레이드할 수 있다.

따라서 경쟁 구도는 궤도와 오늘날의 데이터센터 간의 대결이 아니다. 궤도 시스템이 마침내 규모를 갖추었을 때 이용 가능한 지상 인프라와의 경쟁이다.

궤도 AI의 확장 가능성을 보여줄 세 가지 신호

다음 단계는 규제 서류에 발표된 위성군 규모가 아니라 운영 증거로 평가해야 한다.

첫 번째 신호는 Google의 4개 TPU가 보여주는 지속적인 성능이다. Project Suncatcher는 상용 가속기가 방사선과 열 순환에도 불구하고 반복적인 워크로드를 완료할 수 있음을 보여줘야 한다.

Google은 궁극적으로 오류율, 작동 온도, 실제 컴퓨팅 시간, 임무 중 성능 변화를 공개해야 한다. 우주선과의 통신이 가능하다는 사실만으로는 이러한 질문에 답할 수 없다.

강력한 결과는 일반 AI 칩이 소프트웨어로 관리되는 복원력을 통해 생존할 수 있다는 주장을 뒷받침할 것이다. 빈번한 종료나 누적되는 결함은 더 큰 플릿의 경제성을 약화시킬 것이다.

두 번째 신호는 성공적인 다중 위성 네트워킹 시연이다. Google의 아키텍처는 광 링크를 통해 데이터를 교환하는, 긴밀하게 조율된 우주선에 의존한다.

회사는 2027년 중 추가 시험을 논의해 왔다. 이 임무들은 안정적인 편대 비행, 신뢰할 수 있는 링크 정렬, 궤도 조건에서의 유용한 대역폭을 보여줘야 한다.

이 시험은 탑재형 컴퓨팅과 진정한 분산 데이터센터를 구분한다. 하나의 위성은 AI 모델을 실행할 수 있지만, 대규모 학습 클러스터는 많은 프로세서가 하나의 시스템처럼 작동해야 한다.

네트워킹은 Google에 특히 중요하다. 그 설계가 모듈형 위성을 강조하기 때문이다. 이 아키텍처는 하나의 거대한 구조물을 발사하는 방식은 피하지만, 그 복잡성을 편대 제어와 통신으로 옮긴다.

설득력 있는 시연은 이 선택을 검증할 것이다. 불안정한 링크는 시스템을 통합 AI 클러스터가 아닌 독립적인 엣지 컴퓨팅 노드로 제한할 수 있다.

세 번째 신호는 운영 데이터로 뒷받침되는 완전한 비용 모델이다. SpaceX, Google, Starcloud 및 파트너들은 발사, 하드웨어, 열 관리 시스템, 고장, 통신, 폐기를 포함해야 한다.

무료 태양광만을 기준으로 한 비교는 시스템 대부분을 제외한다. 관련 측정값은 우주선의 운영 수명 동안 제공되는 유용한 컴퓨팅이다.

이 계산은 냉각 중단, 방사선 오류, 저하된 태양광 출력, 교체 발사, 사용되지 않는 용량을 고려해야 한다. 또한 지속적으로 개선되는 지상 시설과 비교해야 한다.

초기 상업 계약도 이 세 번째 신호 안에서 또 다른 단서를 제공할 것이다. 지구 관측 데이터를 처리하는 고객은 현지 분석이 시간이나 다운링크 용량을 절약한다면 더 높은 컴퓨팅 비용을 감수할 수 있다.

대중 시장 AI 워크로드는 다른 시험대에 놓인다. 텍스트나 이미지를 생성하는 기업은 궤도 하드웨어 비용을 지불하지 않고도 많은 지상 리전 가운데 선택할 수 있다.

이 구분은 기대를 형성해야 한다. 궤도 컴퓨팅은 일반적인 클라우드 인프라를 대체하지 않고도 실제 사업이 될 수 있다.

개발자와 기업 구매자는 극적인 위성 수보다 워크로드 배치를 지켜봐야 한다. 최초의 유용한 서비스는 이미 궤도에서 수집된 정보를 처리할 가능성이 높다.

지식 근로자는 모든 모델 쿼리가 어디에서 실행되는지 알아차리지 못할 것이다. 대신 서비스가 더 빨라졌는지, 더 저렴해졌는지, 더 가용성이 높아졌는지, 혹은 더 제약을 받게 되었는지를 알아차릴 것이다.

AI 시스템을 평가하는 조직은 인프라 주장과 제품 성능을 분리해서 봐야 한다. 검색 가능한 AI 지식 베이스는 프로세서 위치와 관계없이 여전히 안전한 데이터 관행, 신뢰할 수 있는 검색, 유용한 답변에 의존한다.

Google Project Suncatcher는 궤도 AI를 측정 가능한 대상으로 만들었다. 이것이 현재 경쟁의 진짜 변화다.

이 프로젝트는 이제 훨씬 더 어려운 전환을 견뎌내야 한다. 간헐적으로 작동하는 4개의 칩에서 신뢰할 수 있는 컴퓨팅을 제공하는 네트워크 인프라로 발전해야 한다.

태양 에너지는 궤도 시스템이 존재할 만한 설득력 있는 이유를 제공한다. 냉각, 방사선, 네트워킹, 발사 의존성, 우주 쓰레기는 그 이유가 충분한지를 결정한다.

향후 1년 동안 운영 데이터, 광 네트워킹 시험, 유용한 컴퓨팅 시간당 비용을 지켜봐야 한다. 이 결과는 우주가 AI 인프라 시장이 되고 있는지, 아니면 단지 특별한 실험실로 남는지를 보여줄 것이다.