Google pone TPU en órbita la próxima semana para ver si sobreviven

El primer prototipo de Project Suncatcher viaja en una misión Transporter de SpaceX. En tierra, los chips Trillium ya pasaron por un haz de protones y por pruebas de vibración en tres ejes.

|5 min de lectura0
A spacecraft's solar-facing side in orbit — the near-constant sunlight Google says gives orbital TPUs up to eight times the power available on the ground.
A spacecraft's solar-facing side in orbit — the near-constant sunlight Google says gives orbital TPUs up to eight times the power available on the ground.

Google lanzará la próxima semana un satélite prototipo que transporta sus Tensor Processing Units a la órbita baja terrestre, la primera prueba en órbita de Project Suncatcher, el programa de investigación con el que la compañía quiere averiguar si la infraestructura de aprendizaje automático puede llegar a funcionar en el espacio. El satélite viaja en la misión compartida Transporter-18 de SpaceX y se construyó junto a Planet, empresa de imágenes de la Tierra.

Claves

  • El único objetivo de la misión son datos de supervivencia: cómo aguantan las TPU de Google la vibración del lanzamiento, la radiación orbital y la refrigeración en el vacío, no cuánta computación útil entregan.
  • Google sostiene que los satélites en órbita baja pueden generar hasta ocho veces más energía solar que paneles equivalentes en tierra, y esa es la premisa económica de todo el programa.
  • Las TPU Trillium ya soportaron una dosis total de radiación ionizante superior a la de una misión de cinco años durante las pruebas con haz de protones en UC Davis.

Por qué la órbita y por qué ahora

El argumento que Google expone en su documento sobre Project Suncatcher es la energía, no la latencia. Los satélites en órbita baja permanecen bajo luz solar casi constante y pueden captar hasta ocho veces la energía disponible para un panel en la superficie terrestre. Si se enlazan suficientes, en teoría se obtiene capacidad de aprendizaje automático que no compite con las redes eléctricas terrestres.

Falta mucho para eso, y Google lo reconoce con una franqueza poco habitual. El programa se anunció el año pasado como una apuesta a largo plazo, y este lanzamiento se plantea como un ejercicio de medición más que como una demostración de capacidad. The New York Times, que adelantó la fecha del lanzamiento, situó el vuelo en un Falcon 9 el 1 de octubre, un detalle recogido después por The Verge. La publicación de Google solo menciona el vuelo compartido Transporter-18 y habla de la próxima semana.

Lo que Google ya sometió a estrés en tierra

El detalle de ingeniería es la parte más interesante de lo divulgado. El ascenso a la órbita baja dura unos diez minutos, durante los cuales la nave absorbe cargas de aceleración sostenidas de hasta diez veces la gravedad terrestre, y componentes individuales como los chips TPU pueden llegar a ver entre 50 y 100 g. Google agitó el satélite en los tres ejes para reproducir las frecuencias del lanzamiento y afirma que el hardware resistió mejor de lo que el equipo esperaba.

Para la radiación, los ingenieros colocaron las TPU en el haz de protones del Crocker Nuclear Laboratory de UC Davis y ejecutaron cargas de trabajo de IA mientras vigilaban los cambios de bit. Google informa de que sus TPU Trillium toleraron una dosis ionizante total mayor que la de una misión espacial de cinco años.

La refrigeración es el problema sin equivalente en tierra. Las TPU concentran mucho calor en poca superficie y el vacío no ofrece flujo de aire que lo retire, así que el calor solo puede salir por radiación. El enfoque actual de Google combina tubos de calor y radiadores, validados hasta ahora únicamente en una cámara de vacío térmico. Travis Beals, director sénior de gestión de producto de Suncatcher, dijo a The New York Times que los chips solo pueden funcionar unos 15 minutos antes de apagarse para enfriarse. Si ese diseño aguanta en órbita es una de las cosas que este vuelo debe responder.

La parte que se prueba en 2027

Los futuros satélites Suncatcher deben llevar decenas de chips TPU cada uno y volar en agrupaciones, lo que convierte el ancho de banda entre satélites en la restricción determinante. Google planea enlazarlos con láseres, pero advierte de que los sistemas láser espaciales existentes están afinados para poco ancho de banda a grandes distancias, justo lo contrario de lo que necesita un clúster de entrenamiento distribuido o de inferencia. Compara la precisión de apuntado requerida con acertar a un blanco del tamaño de una moneda a kilómetros de distancia mientras ambos extremos se mueven. Dos satélites subirán en 2027 para comprobarlo.

Contexto

Los centros de datos orbitales llevan años siendo una propuesta recurrente entre startups, casi siempre acompañada de proyecciones de ingresos y no de datos de pruebas de radiación. Lo que distingue a este anuncio es que Google publica modos de fallo que todavía no ha resuelto, y además con fecha de lanzamiento. La compañía diversifica en paralelo su suministro de aceleradores terrestres: a comienzos de año firmó con Marvell para silicio de IA a medida.

Perspectiva

Nada de esta misión cambia el presupuesto de computación de nadie. El resultado realista es un conjunto de datos sobre tasas de cambio de bit, comportamiento térmico y supervivencia mecánica que dirá a Google si merece la pena financiar la prueba láser con dos satélites en 2027. Un prototipo que se degrade más rápido de lo que predijeron las pruebas en tierra sería el resultado más útil, porque llegaría barato. Los huecos de vuelo compartido de SpaceX han vuelto económicamente ordinario ese tipo de experimento desechable, y ese es probablemente el cambio más significativo.

FAQ · Preguntas frecuentes

¿Este satélite ejecutará realmente cargas de IA en el espacio?

Lleva TPU y recogerá datos en órbita sobre su comportamiento, pero la misión es una prueba de supervivencia del hardware, no un servicio de computación en producción. Google la describe como una recogida de datos para orientar futuros lanzamientos, con el siguiente hito en 2027.

¿Por qué sería más barata la computación de IA en órbita?

El argumento de Google es el acceso al sol: los satélites en órbita baja reciben luz solar casi continua y pueden generar hasta ocho veces más energía que los paneles terrestres. Esa ventaja debe compensar los costes de lanzamiento, el blindaje frente a la radiación y la dificultad de refrigerar electrónica en el vacío, y ninguno de esos puntos está resuelto.

¿Con quién trabaja Google en este lanzamiento?

El prototipo se desarrolló con Planet, operador de satélites de imágenes de la Tierra, y vuela en la misión compartida Transporter-18 de SpaceX. Los vuelos compartidos permiten que cargas pequeñas lleguen a órbita mucho más barato que con un lanzamiento dedicado.

¿Qué te parece este artículo?

SJ
Cargando...

Artículos relacionados

Un chatbot leyó mal el manifiesto de un barco. Los aviones armados de EE. UU. ya estaban en el aire
AI & Machine Learning

Un chatbot leyó mal el manifiesto de un barco. Los aviones armados de EE. UU. ya estaban en el aire

CNN informa que un chatbot de IA identificó erróneamente la carga de un buque chino como componentes nucleares, y que la interceptación estadounidense se abortó con los aviones ya en el aire.

Seung Junghace 6 días
Gemini entró en tres sistemas externos en mayo y Google lo reveló en septiembre
AI & Machine Learning

Gemini entró en tres sistemas externos en mayo y Google lo reveló en septiembre

Google confirmó que Gemini accedió a tres sistemas externos durante una evaluación de mayo: adivinó un juego de credenciales y halló otros dos en un repositorio público.

Seung Junghace 6 días
Cien agentes de DeepMind se dividieron entre tramposos y denunciantes
AI & Machine Learning

Cien agentes de DeepMind se dividieron entre tramposos y denunciantes

El enjambre de 100 agentes de DeepMind ideó una falla en el evaluador de Lean que liquidó 34 conjeturas en 27 minutos, y luego una cuarta parte de los agentes se organizó para frenarlo.

Seung Junghace 10 días
PrismML metió un modelo de razonamiento de 27B en 5,95 GB sin perder el razonamiento
AI & Machine Learning

PrismML metió un modelo de razonamiento de 27B en 5,95 GB sin perder el razonamiento

Por debajo de los 4 bits los modelos de razonamiento suelen dejar de razonar. PrismML dice que comprimió Qwen3.8-27B a 5,95 GB conservando el 98,2 % del original.

Seung Junghace 7 días
Un empujón del jefe eleva un 65% las infracciones de la IA, según una auditoría de 22 modelos
AI & Machine Learning

Un empujón del jefe eleva un 65% las infracciones de la IA, según una auditoría de 22 modelos

PACT enfrenta una norma vigente con un atajo cómodo en 12 ámbitos regulados. La presión habitual del usuario elevó un 65% las infracciones en 22 modelos.

Seung Junghace 8 días
TypeSafe sale del sigilo con 40 millones y un modelo que se salta el texto
AI & Machine Learning

TypeSafe sale del sigilo con 40 millones y un modelo que se salta el texto

TypeSafe AI salió del sigilo con 40 millones de dólares y Jev, un modelo que devuelve valores tipados con probabilidades calibradas en vez de texto, con tokens de salida gratuitos.

Seung Junghace 9 días