Il satellite prototipo sviluppato nell’ambito del piano di Google per i centri dati in orbita, Project Suncatcher, è stato lanciato il 1 ottobre 2026 dalla California a bordo di un razzo SpaceX. Prodotto da Planet Labs, il satellite testerà se i chip Tensor Processing Unit (TPU) di Google, rivali delle GPU Nvidia, possono funzionare nello spazio. Nell’ambito dell’esperimento, si prevede di fornire continuamente al chip una potenza di un kilowatt, raffreddarlo e sottoporlo a test con diversi modelli.
Quando il satellite sarà operativo, il TPU verrà fatto funzionare a intervalli di 15 minuti per non sottoporre a sollecitazioni eccessive i sistemi di gestione dell’energia e del calore. Dopo questo veicolo, basato sulla piattaforma standard di Planet Labs, è prevista per il prossimo anno una missione dimostrativa composta da due satelliti progettati per carichi di lavoro di calcolo più intensivi. L’obiettivo è far operare questi satelliti insieme tramite un collegamento di comunicazione laser.
Il razzo SpaceX trasporta oltre 100 carichi utili, comprese le missioni di Satlyt e Cowboy Space Company. L’elemento che distingue il progetto di Google dalle altre iniziative di intelligenza artificiale nello spazio è il suo approccio a lungo termine, incentrato sulle future infrastrutture spaziali e sui carichi di lavoro dell’intelligenza artificiale. L’azienda prevede un centro dati orbitale composto da 81 satelliti che volano ravvicinati ed effettuano elaborazioni parallele. Google è inoltre un importante investitore di SpaceX.
Secondo la ricerca peer-reviewed di Google, se la curva di apprendimento di SpaceX, che garantisce una riduzione dei costi di circa il 20% all’anno dai tempi di Falcon 1, continuerà, potrebbe essere possibile che i costi di lancio si avvicinino a 200 dollari per chilogrammo nel 2035. Per raggiungere questo obiettivo, si calcola che Starship debba trasportare 370.000 tonnellate di carico utile in orbita ed effettuare circa 1.800 voli nei prossimi 10 anni, ossia 180 voli all’anno. Questa stima si basa sul trasporto di 200 tonnellate metriche per missione. Finora Starship non ha effettuato più di cinque voli in un anno. La ricerca sarà pubblicata su Joule.
I test più recenti di Google hanno dimostrato che i chip possono resistere alle radiazioni spaziali. Sebbene gli errori aumentino, l’azienda ritiene che i chip possano gestire carichi di lavoro di inferenza intensivi per tutta la durata di cinque anni del satellite. Mentre nei processi di inferenza tipici il tasso di errore è indicato in circa uno su un milione, è stato osservato che i processi di addestramento su larga scala, durante i quali migliaia di chip funzionerebbero per mesi, potrebbero creare problemi. Nell’articolo si precisa che la stima precedentemente indicata in 1.600 è stata corretta e che il numero corretto è 1.800.
Perché è importante
Questa iniziativa dimostra che l’elaborazione dell’intelligenza artificiale dipende non solo dalle prestazioni dei chip, ma anche da condizioni infrastrutturali come l’alimentazione continua in orbita, la gestione del calore e le comunicazioni laser. Sebbene la resistenza dei TPU alle radiazioni costituisca una soglia tecnica positiva, esiste una differenza significativa in termini di affidabilità tra l’inferenza e i carichi di lavoro di addestramento prolungati che coinvolgono migliaia di chip. Per questo motivo, la dimostrazione attuale metterà alla prova soprattutto quali guasti e limiti operativi possano essere gestiti, più che dimostrare la sostenibilità di grandi carichi di lavoro nell’arco dei cinque anni di vita del satellite. L’applicazione del progetto su larga scala dipende, oltre che dal funzionamento congiunto di 81 satelliti, dai costi di lancio calcolati e dal ritmo di lancio necessario; lo storico dei voli di Starship fino a oggi dimostra che questa ipotesi rimane ancora una questione aperta.
Contesto
Google non è un nome nuovo nell’archivio FikirPilot: negli ultimi 90 giorni abbiamo pubblicato 74 notizie in cui compare questo nome; la più recente è datata 2 ottobre 2026.
Termine: inferenza
L’inferenza è la generazione di una risposta a un nuovo input da parte di un modello addestrato; a differenza dell’addestramento, comporta un nuovo costo a ogni utilizzo.