Google Project Suncatcher przenosi centra danych AI w kosmos, ale warunki dyktuje fizyka

1 października Google Project Suncatcher wysłał na orbitę cztery układy Tensor Processing Units, przekształcając spekulacyjny pomysł na infrastrukturę w działający test sprzętowy. Chipy znajdują się obecnie w zasilanym energią słoneczną satelicie zbudowanym wspólnie z Planet i wyniesionym przez SpaceX. Google twierdzi, że nawiązano łączność ze statkiem kosmicznym i działa on zgodnie z oczekiwaniami.

Start nie oznacza, że Google zbudował orbitalną chmurę. Oznacza, że firma może wreszcie zmierzyć, jak komercyjny sprzęt AI radzi sobie z promieniowaniem, przeciążeniami podczas startu i ciepłem poza laboratorium. Wyniki zdecydują, czy centra danych AI w kosmosie zasługują na dalsze inwestycje, czy pozostaną kosztownym eksperymentem myślowym.

SpaceX, Nvidia, Starcloud, Blue Origin i kilka mniejszych firm realizują podobne plany. Ich propozycje różnią się, ale łączy je jedno założenie. Ziemskie sieci energetyczne, systemy wodne i procedury zezwoleń stają się ograniczeniami dla rozwoju AI. Orbita wydaje się oferować obfitość światła słonecznego i mniej lokalnych sprzeciwów, lecz zastępuje te ziemskie ograniczenia bezlitosnymi problemami inżynieryjnymi.

Google Project Suncatcher przeszedł z papieru na orbitę

Google przekroczył ważną granicę, ale jego satelita pozostaje eksperymentem, a nie działającym orbitalnym centrum danych.

Prototyp Project Suncatcher wystartował w ramach misji współdzielonego wynoszenia Transporter-18 firmy SpaceX. Bezzałogowy Falcon 9 wyniósł 130 ładunków na niską orbitę okołoziemską z Vandenberg Space Force Base w Kalifornii.

Google opracował satelitę wspólnie z Planet, firmą zajmującą się obrazowaniem Ziemi, mającą doświadczenie w budowie kompaktowych statków kosmicznych. Ładunek obejmuje cztery układy Trillium TPU, czyli zaprojektowane przez Google akceleratory do zadań uczenia maszynowego.

W aktualizacji dotyczącej prototypu Google podaje, że w nadchodzących tygodniach firma będzie zbierać dane operacyjne. Inżynierowie zbadają, jak chipy reagują na wibracje, promieniowanie i skrajne temperatury.

To podstawowe pytania dotyczące przetrwania. Ziemski akcelerator działa w starannie kontrolowanym budynku z redundantnym zasilaniem, chłodzeniem, siecią i obsługą serwisową. Wersja orbitalna musi działać bez techników, części zamiennych i stabilnego pomieszczenia wokół niej.

Początkowe obciążenie jest celowo ograniczone. Chipy będą wykonywać krótkie zapytania Gemini w kontrolowanych okresach, a następnie zatrzymywać pracę, aby sprzęt mógł ostygnąć. Ten harmonogram pokazuje, jak daleko testowi wciąż do ciągłej usługi AI.

System produkcyjny musiałby utrzymywać aktywność tysięcy procesorów przez długi czas. Potrzebowałby też wystarczającej pamięci, przepustowości sieciowej i odporności na awarie, aby rozdzielać duże obciążenia między wieloma satelitami.

Szersza koncepcja Google zakłada klastry statków kosmicznych zasilanych energią słoneczną, połączonych optycznymi łączami w wolnej przestrzeni. Łącza te wykorzystują lasery do przesyłania danych między satelitami bez fizycznego kabla.

Badania firmy opisują klaster 81 satelitów lecących w promieniu około jednego kilometra. Systemy uczenia maszynowego miałyby koordynować formację, unikając kolizji.

Bliska formacja ma znaczenie, ponieważ współczesne trenowanie AI zależy od szybkiej komunikacji między akceleratorami. Grupa odizolowanych chipów nie może automatycznie dorównać wydajnością ziemskiemu superkomputerowi.

Proponowana przez Google sieć optyczna musiałaby zatem zapewniać wysoką przepustowość przy niskich opóźnieniach. Musi też utrzymywać precyzyjne ustawienie, gdy każdy satelita porusza się z prędkością orbitalną.

Komunikacja z Ziemią tworzy kolejne wąskie gardło. Łącza radiowe wystarczają dla obecnego prototypu, ale duże klastry orbitalne potrzebowałyby znacznie szybszych połączeń do wymiany modeli i zbiorów danych z Ziemią.

Te ograniczenia wyjaśniają, dlaczego październikowy start ma znaczenie. Project Suncatcher nie opiera się już wyłącznie na modelach komputerowych i testach promieniowania. Google może teraz porównać swoje założenia z danymi zebranymi na orbicie.

Eksperyment nie potwierdza jednak kompletnej architektury. Nie testuje formacji 81 satelitów, pracy ciągłej, dużych radiatorów ani optycznych łączy o wysokiej przepustowości z Ziemią.

To rozróżnienie jest kluczowe. Google umieścił procesory AI w kosmosie, ale nie wykazał, że orbitalny klaster może konkurować z konwencjonalnym centrum danych.

Zapotrzebowanie AI na energię napędza wyścig kosmiczny

Pęd ku orbicie zaczyna się od ziemskiego problemu: twórcy AI potrzebują energii elektrycznej szybciej, niż mogą ją dostarczyć przedsiębiorstwa użyteczności publicznej.

Amerykańskie Government Accountability Office podaje, że do 2028 roku centra danych mogą odpowiadać za nawet 12 procent zapotrzebowania USA na energię elektryczną. Rozwój AI jest głównym czynnikiem stojącym za tą prognozą.

Nowe obiekty mogą wymagać lat planowania przez dostawców energii, modernizacji sieci przesyłowych, zezwoleń i lokalnych negocjacji. Zużycie wody i wykorzystanie gruntów również mogą wywoływać sprzeciw społeczności w pobliżu proponowanych lokalizacji.

Ograniczenia te wpływają na firmy rozwijające modele czołowej klasy. Większa moc obliczeniowa wspiera trenowanie modeli, eksperymenty, inferencję i wzrost liczby klientów. Opóźniona infrastruktura może więc spowalniać zarówno rozwój produktów, jak i przychody.

Projekty orbitalne obiecują inny model energetyczny. Panele słoneczne na odpowiednich niskich orbitach okołoziemskich mogą otrzymywać niemal ciągłe światło słoneczne, bez chmur i cyklu nocnego.

Google szacuje, że panel na proponowanej przez firmę orbicie mógłby rocznie otrzymywać nawet osiem razy więcej energii słonecznej niż panel w lokalizacji na średniej szerokości geograficznej na Ziemi. Ta przewaga wynika z warunków ekspozycji, a nie z darmowej energii elektrycznej.

Satelita nadal potrzebuje dużych zestawów paneli, elektroniki zasilającej, baterii i systemów sterowania. Komponenty te zwiększają masę i muszą przetrwać start, promieniowanie oraz powtarzające się obciążenia termiczne.

Argument energetyczny staje się bardziej atrakcyjny, gdy ziemską moc coraz trudniej zabezpieczyć. Firma technologiczna mająca dostęp do pojazdów wynoszących mogłaby zwiększać moc obliczeniową bez oczekiwania na nową elektrownię.

SpaceX ma najwyraźniejszą przewagę wynikającą z integracji pionowej. Firma obsługuje rakiety, zarządza konstelacją Starlink i zaproponowała satelity orbitalnych centrów danych budowane do tego celu.

Elon Musk powiedział, że w ciągu dwóch lub trzech lat kosmos stanie się najtańszą lokalizacją dla AI. Ta prognoza pozostaje twierdzeniem firmy, a nie potwierdzonym wynikiem ekonomicznym.

SpaceX złożył również plany obejmujące nawet milion satelitów. Taka sieć działałaby na skali znacznie większej niż dzisiejsze eksperymentalne ładunki obliczeniowe.

Jej przewaga nie jest wyłącznie techniczna. Dostęp do startów może decydować o tym, które projekty orbitalne mogą testować sprzęt, zastępować uszkodzone urządzenia i zwiększać przepustowość.

Konkurenci często zależą od SpaceX w zakresie transportu. Google wykorzystał Falcon 9 dla prototypu Project Suncatcher, a Starcloud również polegał na SpaceX w swojej wcześniejszej misji ze sprzętem AI.

Ta zależność zmienia zdolność wynoszenia w strategiczną dźwignię. Firma kontrolująca zarówno rakiety, jak i obliczenia orbitalne może optymalizować własne koszty, jednocześnie ustalając komercyjne warunki dla rywali.

Blue Origin stanowi możliwą przeciwwagę. Firma rozwijała duże sieci satelitarne i możliwości ciężkiego wynoszenia, choć jej strategia obliczeń orbitalnych pozostaje mniej dojrzała.

Nvidia zajmuje inną pozycję w łańcuchu dostaw. Wprowadziła moduł Space-1 Vera Rubin Module do obliczeń w ograniczonych środowiskach orbitalnych.

Nvidia twierdzi, że moduł może wspierać duże modele językowe, analizę geoprzestrzenną i autonomiczne statki kosmiczne. Dostępność oraz trwała wydajność na orbicie nadal wymagają jednak potwierdzenia.

Starcloud testuje bardziej bezpośredni model komercyjny. Firma już wyniosła akcelerator Nvidia H100 i chce budować większe klastry do trenowania i inferencji.

Bezpośrednią szansą może nie być obsługa zwykłych zapytań do chatbotów. Przetwarzanie danych generowanych w kosmosie oferuje wyraźniejszą przewagę, ponieważ informacje nigdy nie muszą odbywać pełnej podróży w obie strony na Ziemię.

Satelity obserwacji Ziemi rejestrują więcej surowych obrazów, niż operatorzy mogą efektywnie przesłać. Pokładowy system AI mógłby identyfikować pożary lasów, uszkodzoną infrastrukturę lub nietypową pogodę przed przesłaniem wybranych wyników na Ziemię.

Takie podejście zmniejsza zapotrzebowanie na łącze downlink i skraca czas reakcji. Działa też na mniejszą skalę niż zastępowanie ziemskich regionów chmurowych.

Wyścig o orbitalne centra danych obejmuje zatem dwa rynki. Jeden przybliża obliczenia do czujników znajdujących się już w kosmosie. Drugi próbuje przenieść infrastrukturę AI ogólnego przeznaczenia poza Ziemię.

Pierwszy rynek powstaje już teraz. Drugi wymaga znacznie większych postępów w ekonomice startów, chłodzeniu, sieciach i utrzymaniu.

Energia słoneczna jest obfita, ale chłodzenie nie jest darmowe

Główny kompromis jest prosty: orbita zapewnia więcej światła słonecznego, podczas gdy próżnia utrudnia usuwanie ciepła odpadowego.

Procesory AI zamieniają większość dostarczanej energii elektrycznej w ciepło. Chip pobierający setki watów musi nieustannie odprowadzać tę energię cieplną gdzieś indziej.

Obiekty naziemne wykorzystują powietrze, wodę lub specjalistyczne ciecze do odprowadzania ciepła. Wentylatory, pompy, wieże chłodnicze i agregaty chłodnicze przekazują je następnie do otaczającego środowiska.

W kosmosie nie ma atmosfery zapewniającej konwekcję. Brakuje też zewnętrznej cieczy, która mogłaby pochłaniać ciepło ze statku kosmicznego.

System orbitalny musi przenosić ciepło z każdego procesora do radiatora. Radiator uwalnia energię w postaci promieniowania podczerwonego.

Proces działa, ale wymaga powierzchni. Większa moc obliczeniowa generuje więcej ciepła, co wymaga większych radiatorów.

Analiza termiczna IEEE oszacowała, że pojedyncza szafa o mocy 40 kilowatów mogłaby potrzebować radiatora o powierzchni 80 metrów kwadratowych. To powierzchnia w przybliżeniu porównywalna z boiskiem do pickleballa.

Ta sama analiza oszacowała, że instalacja o mocy 100 megawatów wymagałaby co najmniej 2 500 takich radiatorów. Każda struktura zwiększałaby masę, opór, liczbę mechanizmów rozkładania i potencjalnych punktów awarii.

Radiatory muszą też zachować zdolność emitowania ciepła. Światło ultrafioletowe, tlen atomowy i promieniowanie mogą z czasem degradwać odsłonięte powłoki.

Ta degradacja tworzy narastający problem. Operatorzy mogą potrzebować wynieść dodatkową pojemność radiatorów na początku, zwiększając masę, która czyni system kosztownym.

Panele słoneczne dodają kolejne ograniczenie geometryczne. Wymagają wystarczającej powierzchni, aby zasilać procesory i wspierające je urządzenia.

Zarówno panele, jak i radiatory muszą utrzymywać użyteczne orientacje. Nie mogą wzajemnie się blokować, destabilizować statku kosmicznego ani generować trudnego do opanowania oporu.

Kosmos może być zimny, ale chłodne otoczenie nie chłodzi obiektu automatycznie. Bez przewodzenia lub konwekcji gorący chip może tracić energię wyłącznie przez zaprojektowaną ścieżkę termiczną.

Google przyznaje, że zarządzanie termiczne pozostaje niedokończonym zadaniem. Badania firmy proponują rurki cieplne i radiatory, ale nie przedstawiają sprawdzonego projektu klastra produkcyjnego.

Obecny satelita omija pełny problem, wykonując krótkie zadania. Przerwy na chłodzenie są akceptowalne podczas eksperymentu, lecz infrastruktura komercyjna wymaga przewidywalnej dostępności.

Promieniowanie tworzy drugi kompromis. Konwencjonalne komputery satelitarne wykorzystują komponenty odporne na promieniowanie, zaprojektowane tak, by tolerować cząstki o wysokiej energii.

Takie procesory są niezawodne, ale zwykle ustępują czołowym akceleratorom AI pod względem wydajności. Nowoczesny duży model językowy potrzebuje gęstości obliczeniowej oferowanej przez komercyjne chipy, takie jak Google TPU lub Nvidia GPU.

Komercyjne akceleratory są bardziej podatne na uszkodzenia. Cząstki o wysokiej energii mogą zmieniać bity pamięci, uszkadzać obliczenia lub wywoływać awarie elektryczne.

Google twierdzi, że jego testy naziemne wystawiły TPU Trillium na promieniowanie odpowiadające pięcioletniej misji. Procesory miały przetrwać bez trwałych awarii, choć inżynierowie zaobserwowali błędy możliwe do odzyskania.

Wynik ten uzasadnia dalsze testy, ale kilka sprawnych procesorów nie dowodzi niezawodności całej floty. Duża konstelacja obejmowałaby znacznie więcej komponentów, modułów pamięci, połączeń i systemów zasilania.

Redundancja może ograniczyć operacyjne skutki pojedynczych awarii. Wiele procesorów może wykonywać to samo obliczenie, porównywać wyniki i restartować węzeł, który generuje niespójną odpowiedź.

Strategia ta zamienia utwardzanie sprzętu na większą liczbę urządzeń. Operatorzy wystrzeliwują więcej standardowego sprzętu i akceptują, że część jednostek ulegnie awarii.

Ten kompromis działa tylko wtedy, gdy wynoszenie i wymiana sprzętu staną się tanie. W przeciwnym razie każdy nadmiarowy procesor zwiększa nakłady kapitałowe, zanim wygeneruje użyteczne obliczenia.

Naprawy stanowią powiązane wyzwanie. Technicy rutynowo wymieniają uszkodzone dyski, kable, pompy i akceleratory w naziemnych obiektach.

Operator orbitalny nie może wysłać technika do każdego satelity. Serwisowanie robotyczne pozostaje ograniczone, a sprowadzanie sprzętu na Ziemię zazwyczaj nie miałoby ekonomicznego sensu.

To sprawia, że najbardziej prawdopodobną strategią utrzymania będzie wymiana. Uszkodzone satelity byłyby wycofywane z eksploatacji, deorbitowane i zastępowane nowszymi jednostkami.

Częsta wymiana mogłaby poprawiać wydajność chipów wraz z pojawianiem się nowszych akceleratorów. Mogłaby jednak także stworzyć kosztowny cykl startów i zwiększyć presję na zarządzanie ruchem orbitalnym.

Koszty startów i śmieci kosmiczne podważają uzasadnienie biznesowe

Orbitalna AI stanie się konkurencyjna tylko wtedy, gdy jednocześnie poprawią się transport, niezawodność i użyteczna moc obliczeniowa.

Ceny startów spadły, lecz wysłanie ciężkiego sprzętu na orbitę nadal jest droższe niż przeniesienie go do budynku na Ziemi. Radiatory, osłony, napęd i panele słoneczne dodatkowo powiększają tę różnicę.

Model ekonomiczny Google wskazuje koszt wyniesienia na niską orbitę okołoziemską na poziomie około 200 dolarów za kilogram jako istotny próg. Firma oczekuje, że taki poziom może stać się możliwy w połowie lat 30. XXI wieku.

Założenie to zależy od tego, czy rakiety wielokrotnego użytku o dużym udźwigu osiągną wysokie wolumeny startów. Zakłada również, że producenci statków kosmicznych zdołają obniżyć masę bez pogarszania zasilania, chłodzenia ani trwałości.

Model kosztowy BCG szacuje, że systemy orbitalne nadal wiążą się ze znaczną premią kosztową względem obiektów naziemnych. Nawet korzystne scenariusze pozostawiają wynik bardzo wrażliwy na wskaźniki awaryjności satelitów.

Koszt startu jest zatem tylko jedną zmienną. Tani start nie pomoże, jeśli procesory wcześnie ulegają awarii, radiatory degradują się lub sieć nie potrafi utrzymać drogich chipów przy pracy.

Wykorzystanie ma znaczenie, ponieważ akceleratory AI tworzą wartość podczas przetwarzania zadań. System, który często zatrzymuje się na chłodzenie albo czeka na dane, dostarczy mniej godzin obliczeniowych z tego samego sprzętu.

Wydajność sieci może tworzyć ukryty czas bezczynności. Trenowanie dużych modeli wymaga, aby procesory szybko i wielokrotnie wymieniały wyniki pośrednie.

Jeśli łącza optyczne tracą wyrównanie lub nie dorównują naziemnej przepustowości, klaster może spędzać więcej czasu na oczekiwaniu. Dodatkowe satelity nie muszą rozwiązać tego problemu.

Opóźnienia również rozdzielają potencjalne zastosowania. Interaktywne aplikacje muszą szybko odpowiadać ludziom i systemom na Ziemi.

Niska orbita okołoziemska zwiększa dystans transmisji, wymaga routingu przez stacje naziemne i wiąże się z zakłóceniami łączy optycznych zależnymi od pogody. Czynniki te mogą być akceptowalne dla przetwarzania wsadowego, lecz mniej odpowiednie dla usług czasu rzeczywistego.

Generowanie treści na dużą skalę, modelowanie naukowe, analiza archiwów i tłumaczenia mogą tolerować opóźnienia. Zadania te mogą stać się pierwszymi kandydatami, jeśli obliczenia orbitalne osiągną skalę komercyjną.

Wrażliwe zadania rządowe to kolejny możliwy rynek. Rozproszona infrastruktura kosmiczna mogłaby zapewnić separację geograficzną i bezpośredni dostęp do czujników orbitalnych.

Jednak izolacja fizyczna nie eliminuje ryzyka cyberbezpieczeństwa. Operatorzy nadal potrzebowaliby bezpiecznych kanałów dowodzenia, aktualizacji oprogramowania, uwierzytelniania oraz ochrony przed przejętymi systemami naziemnymi.

Kwestie środowiskowe trudniej wycenić. Duże konstelacje zwiększają ryzyko kolizji i komplikują wykorzystanie już zatłoczonych pasm orbitalnych.

Ocena GAO ostrzega, że dodatkowe satelity mogą zakłócać astronomię, zagrażać misjom załogowym i zwiększać wymagania koordynacyjne dotyczące częstotliwości radiowych.

Kolizja może wytworzyć fragmenty, które pozostają na orbicie i zagrażają innym statkom kosmicznym. Więcej obiektów oznacza więcej ostrzeżeń o zbliżeniach i manewrów unikowych.

Najgorszym scenariuszem jest kaskada, w której odłamki z jednej kolizji powodują kolejne uderzenia. Operatorzy projektują systemy z uwzględnieniem tego ryzyka, ale bardzo duże konstelacje obliczeniowe zwiększyłyby liczbę potencjalnych spotkań.

SpaceX wskazuje na doświadczenia operacyjne Starlink jako dowód, że dużymi flotami można zarządzać. Propozycje orbitalnych centrów danych mogłyby jednak z czasem dodać cięższe, bardziej złożone platformy z większymi strukturami zewnętrznymi.

Znaczenie ma również utylizacja po zakończeniu eksploatacji. Satelity na wystarczająco niskich orbitach mogą ponownie wejść w atmosferę, lecz częsta wymiana zwiększałaby ruch związany z wejściami w atmosferę.

Starty i ponowne wejścia w atmosferę powodują emisje. Jedna analiza akademicka przekonuje, że emisje te mogłyby zniwelować korzyści środowiskowe przypisywane przenoszeniu centrów danych poza Ziemię.

Wniosek ten zależy od przyszłych konstrukcji rakiet, częstotliwości startów, żywotności systemów oraz emisji uwzględnionych w porównaniu. Nie należy traktować go jako rozstrzygniętego.

Mimo to obliczeń orbitalnych nie można opisywać jako automatycznie zrównoważonych. Przenoszą one wpływ między produkcją energii, wytwarzaniem sprzętu, operacjami startowymi, chemią atmosfery i śmieciami kosmicznymi.

Najbardziej wiarygodnym zastosowaniem w krótkim terminie pozostaje ukierunkowane przetwarzanie danych generowanych w kosmosie. Satelita, który lokalnie filtruje obrazy, może obniżyć koszty komunikacji bez udawania, że zastąpi region chmury hiperskalowej.

Węższe wdrożenie może również ujawnić rzeczywiste dane dotyczące niezawodności. Operatorzy mogą mierzyć błędy procesorów, wydajność radiatorów, dostępność energii i ilość użytecznej pracy wykonanej na kilogram.

Uniwersalne chmury orbitalne muszą spełnić wyższy standard. Muszą przewyższać rozwiązania naziemne, które nadal rozwijają się dzięki zaawansowanemu chłodzeniu, nowym kontraktom energetycznym i wydajniejszym chipom.

Operatorzy naziemni mogą również lokować obiekty w pobliżu energii odnawialnej, energetyki jądrowej lub regionów o korzystnym klimacie. Mogą modernizować sprzęt bez wystrzeliwania rakiety.

Konkurencją nie jest więc orbita kontra dzisiejsze centra danych. To orbita kontra infrastruktura naziemna dostępna wtedy, gdy systemy orbitalne wreszcie osiągną skalę.

Trzy sygnały pokażą, czy orbitalna AI może osiągnąć skalę

Kolejny etap należy oceniać na podstawie dowodów operacyjnych, a nie wielkości konstelacji ogłaszanych w dokumentach regulacyjnych.

Pierwszym sygnałem jest trwała wydajność czterech TPU Google. Project Suncatcher musi pokazać, że komercyjne akceleratory mogą realizować powtarzalne zadania mimo promieniowania i cykli termicznych.

Google powinno ostatecznie ujawnić wskaźniki błędów, temperatury pracy, czas aktywnego przetwarzania i zmiany wydajności podczas misji. Sam kontakt ze statkiem kosmicznym nie odpowiada na te pytania.

Dobry wynik wsparłby argument, że standardowe chipy AI mogą przetrwać dzięki odporności zarządzanej programowo. Częste wyłączenia lub narastające usterki osłabiłyby ekonomikę większych flot.

Drugim sygnałem jest udana demonstracja sieciowania wielu satelitów. Architektura Google zależy od ściśle koordynowanych statków kosmicznych wymieniających dane za pomocą łączy optycznych.

Firma mówiła o dalszych testach w 2027 roku. Misje te muszą wykazać stabilny lot w formacji, niezawodne wyrównanie łączy i użyteczną przepustowość w warunkach orbitalnych.

Ten test odróżnia obliczenia pokładowe od prawdziwego rozproszonego centrum danych. Jeden satelita może uruchomić model AI, ale duży klaster treningowy potrzebuje wielu procesorów działających jak jeden system.

Sieciowanie jest szczególnie ważne dla Google, ponieważ projekt firmy kładzie nacisk na modułowe satelity. Architektura unika wynoszenia jednej ogromnej struktury, ale przenosi złożoność do sterowania formacją i komunikacji.

Przekonująca demonstracja potwierdziłaby słuszność tego wyboru. Niestabilne łącza ograniczyłyby system do niezależnych węzłów przetwarzania brzegowego zamiast zunifikowanego klastra AI.

Trzecim sygnałem jest kompletny model kosztowy poparty danymi operacyjnymi. SpaceX, Google, Starcloud i ich partnerzy muszą uwzględnić starty, sprzęt, systemy termiczne, awarie, komunikację i utylizację.

Porównania oparte wyłącznie na darmowym świetle słonecznym pomijają większość systemu. Istotną miarą jest użyteczna moc obliczeniowa dostarczona przez cały okres pracy statku kosmicznego.

Kalkulacja ta powinna uwzględniać przerwy na chłodzenie, błędy radiacyjne, spadek produkcji energii słonecznej, starty zastępcze i niewykorzystaną pojemność. Powinna też porównywać system z coraz lepszymi obiektami naziemnymi.

Wczesne umowy komercyjne dostarczą kolejnej wskazówki w ramach tego trzeciego sygnału. Klienci przetwarzający dane obserwacji Ziemi mogą akceptować wyższe koszty obliczeń, gdy lokalna analiza oszczędza czas lub przepustowość łącza do transmisji danych.

Masowe zastosowania AI stoją przed innym testem. Firma generująca tekst lub obrazy może wybierać spośród wielu regionów naziemnych bez płacenia za sprzęt orbitalny.

To rozróżnienie powinno kształtować oczekiwania. Obliczenia orbitalne mogą stać się realnym biznesem bez zastępowania zwykłej infrastruktury chmurowej.

Deweloperzy i nabywcy korporacyjni powinni obserwować umiejscowienie obciążeń roboczych, a nie spektakularne liczby satelitów. Pierwsze użyteczne usługi najprawdopodobniej będą przetwarzać informacje już zebrane na orbicie.

Pracownicy wiedzy nie zauważą, gdzie realizowane jest każde zapytanie do modelu. Zauważą natomiast, czy usługi stają się szybsze, tańsze, bardziej dostępne lub bardziej ograniczone.

Organizacje oceniające systemy AI powinny oddzielać deklaracje infrastrukturalne od wydajności produktu. Przeszukiwalna baza wiedzy AI nadal zależy od bezpiecznych praktyk dotyczących danych, niezawodnego wyszukiwania i użytecznych odpowiedzi, niezależnie od lokalizacji procesora.

Google Project Suncatcher uczynił orbitalną AI mierzalną. To jest prawdziwa zmiana stojąca za obecnym wyścigiem.

Projekt musi teraz przetrwać znacznie trudniejszą transformację. Musi przejść od czterech działających okresowo chipów do sieciowej infrastruktury dostarczającej niezawodne obliczenia.

Energia słoneczna daje systemom orbitalnym przekonujący powód istnienia. Chłodzenie, promieniowanie, sieciowanie, zależność od startów i śmieci kosmiczne określą, czy ten powód jest wystarczający.

W ciągu najbliższego roku warto obserwować dane operacyjne, testy sieci optycznych oraz koszt za użyteczną godzinę obliczeniową. Wyniki te pokażą, czy kosmos staje się rynkiem infrastruktury AI, czy jedynie niezwykłym laboratorium.