L'IA génère un haïku en orbite

Des ingénieurs de Google ont demandé au modèle d'IA Gemma 4, installé à bord d'un satellite expérimental, de composer un haïku. Ils ont récupéré la réponse lorsque le satellite survolait le Svalbard, en Norvège.

Satellite lancé par SpaceX

Le satellite, d'environ la taille d'un réfrigérateur, a été lancé le 1er octobre par une fusée Falcon 9 de SpaceX. Il s'agit du premier prototype de Suncatcher, un projet que Google a dévoilé en novembre 2025 pour des centres de données en orbite.

Les puces d'IA fonctionnent par courtes rafales

Google a installé quatre de ses puces TPU destinées à l'IA sur un satellite fourni par Planet, une entreprise spécialisée dans l'imagerie spatiale. Pour éviter la surchauffe, les ingénieurs ne font fonctionner ces puces que quinze minutes consécutives à la fois.

Un haïku qui marque une étape

Travis Beals, directeur de l'équipe de recherche Paradigms of Intelligence chez Google, a qualifié ce haïku de « première réponse d'une IA produite en orbite par une puce de centre de données ». Le poème évoque la planète bleue en contrebas, des données silencieuses qui circulent et un cœur de calcul nourri par la lumière des étoiles, signé d'un émoji étincelle.

L'IA a aussi rédigé des rapports techniques

Le modèle a ensuite composé de courts poèmes humoristiques sur l'espace et, à la demande des ingénieurs, a fourni un rapport technique sur l'état des systèmes de bord.

Le coût d'une réponse de l'IA en orbite

Au tarif de Gemma 4 sur Google Cloud, les vingt jetons de ce haïku coûteraient environ 0,000012 dollar, selon les calculs du site britannique The Register. Toutefois, le coût du lancement avoisine les 7 000 dollars par kilogramme, et le satellite pèse environ 500 kilogrammes.

Tester les puces d'IA en orbite

Google va maintenant tester la résistance de ses puces TPU à la chaleur et aux radiations en orbite. Au sol, les chercheurs ont exposé une puce Trillium et son serveur hôte AMD à un faisceau de protons de 67 MeV.

Les effets des radiations sur le matériel

Ils ont relevé les premières anomalies dans la mémoire à haute bande passante après une dose cumulée de 2 krad(Si), soit près de trois fois le seuil minimal de 750 rad(Si) que Google exige de ses composants.

Le taux d'erreur en orbite

Avec une dose estimée à 150 rad(Si) par an en orbite et une requête par seconde, les chercheurs prévoient qu'environ une réponse sur 3 millions serait entachée de calculs erronés, sans qu'aucune alerte ne soit déclenchée, selon un article publié ce mois-ci dans la revue Joule.

Un taux d'erreur jugé acceptable

« Ce taux d'erreur est probablement acceptable pour l'inférence », écrivent-ils, mais ils ne disposent pas encore de données sur les effets de ces erreurs pendant l'entraînement d'un modèle.

Un satellite alimenté par la lumière du soleil

Sur son orbite héliosynchrone, le satellite passe presque tout son temps en pleine lumière, et ses ingénieurs n'ont pas eu besoin de l'équiper de batteries lourdes. Malgré cela, il ne dispose que d'environ 1 kilowatt d'électricité pour une mission prévue pour durer un an.

La rentabilité dépend du coût des lancements

Pour rendre Suncatcher rentable, le prix des fusées devra également baisser. Dans une étude publiée en novembre 2025, des chercheurs de Google ont calculé qu'avec un coût de lancement de 200 dollars par kilogramme, l'envoi d'un satellite reviendrait à un coût compris entre 810 et 7 500 dollars par kilowatt et par an.

Comparer les coûts en orbite et sur Terre

Aux États-Unis, l'électricité d'un centre de données terrestre coûte entre 570 et 3 000 dollars par kilowatt et par an. Google estime que SpaceX pourrait proposer ce tarif vers 2035, et préfère construire ses prototypes bien avant cette date.

Les prochains satellites

D'ici là, l'entreprise prévoit d'envoyer en 2027 deux satellites reliés entre eux, toujours avec Planet. Grâce à cette paire, les ingénieurs testeront des liaisons optiques entre satellites afin de vérifier que des puces réparties sur plusieurs satellites peuvent partager un même calcul d'apprentissage automatique.

Comprendre les puces TPU

Une TPU est un accélérateur matériel conçu par Google pour exécuter efficacement les calculs d'apprentissage automatique, en particulier les opérations matricielles utilisées par les réseaux de neurones. Comparée aux processeurs généralistes (CPU), elle vise un meilleur débit de calcul et une meilleure efficacité énergétique pour l'inférence et, selon les générations, pour l'entraînement.

Tester en orbite

La tester en orbite permet de vérifier si une puce de « centre de données » peut fonctionner de manière fiable en dehors de ses conditions normales d'utilisation (radiations, contraintes thermiques, cycles d'alimentation). Le défi consiste à valider le matériel, mais aussi la plateforme qui l'entoure (serveur hôte, mémoire, communication), afin qu'elle reste stable et prévisible dans l'espace.

Mesurer l'exposition aux radiations

Les unités rad(Si) et krad(Si) mesurent la dose d'énergie déposée par les radiations dans le silicium, ce qui permet de quantifier l'exposition d'un composant électronique. En orbite, ces radiations peuvent provoquer des « erreurs logicielles » (inversions de bits) ou des perturbations plus durables, sans forcément endommager la puce immédiatement.

L'importance de la mémoire à haute bande passante

La HBM (High Bandwidth Memory), très rapide et située très près du processeur, est essentielle, car elle stocke les données et les activations nécessaires aux calculs d'IA ; une corruption peut fausser un résultat. Le point clé est que certaines erreurs peuvent être silencieuses (sans alerte), ce qui complique leur détection et leur correction, surtout lorsque les modèles exigent des calculs reproductibles.

Inférence et entraînement

L'inférence consiste à utiliser un modèle déjà entraîné pour produire une réponse (classification, génération de texte, etc.), tandis que l'entraînement ajuste les paramètres du modèle à partir d'exemples, au cours de très longues sessions de calcul. En inférence, une seule erreur peut parfois n'affecter qu'une sortie isolée, et les mécanismes applicatifs peuvent tolérer ou filtrer les réponses aberrantes.

L'incertitude pour l'entraînement

Pendant l'entraînement, des erreurs répétées ou non détectées peuvent polluer les mises à jour des poids, dégrader la convergence ou introduire des biais difficiles à diagnostiquer. C'est pourquoi une même fiabilité du matériel peut être jugée « acceptable » pour l'inférence, tout en restant incertaine pour l'entraînement en production.