پروتوتایپ ماهواره محاسبات مداری گوگل امروز سوار بر یک موشک اسپیس‌ایکس از کالیفرنیا پرتاب شد — این اولین بار است که این غول تکنولوژی یکی از تراشه‌های پیشرفته خود را به فضا می‌فرستد.
این ماهواره که توسط Planet Labs ساخته شده است، نشان خواهد داد که یک واحد پردازش تنسور گوگل، رقیب GPUs انویدیا، می‌تواند در فضا کار کند. این یعنی تأمین یک کیلووات توان مستمر، خنک کردن تراشه و اجرای سری مدل‌ها برای بررسی مشکلات.
تراویس بیلز، مدیر پروژه Project Suncatcher در گوگل، گفت: “ما تست‌هایی را در زمین انجام داده‌ایم، اما می‌دانید که هیچ تستی نمی‌تواند به خوبی واقعیت باشد.”
به محض فعال شدن، ماهواره در فواصل ۱۵ دقیقه‌ای TPU خود را روشن خواهد کرد تا از فشار به سیستم‌های مدیریت توان و حرارتی ماهواره جلوگیری کند. این ماهواره بر اساس یک پلتفرم استاندارد ساخته شده توسط Planet Labs است، اما این دو شرکت در حال کار بر روی یک دمو هستند که انتظار می‌رود سال آینده در پرواز ببیند و شامل دو ماهواره است که به‌طور خاص برای محاسبات پیشرفته طراحی شده‌اند. این نسخه‌های آینده تلاش خواهند کرد تا از طریق یک لینک ارتباطی لیزری با هم همکاری کنند.
Suncatcher تنها محموله AI فضایی در این موشک اسپیس‌ایکس نیست، که بیش از یکصد محموله مختلف، از جمله مأموریت‌هایی از Satlyt و Cowboy Space Company را حمل می‌کند.
آنچه آغاز به کار گوگل را از آن استارتاپ‌ها (و به‌طور کلی از خود اسپیس‌ایکس) متمایز می‌کند، این است که این پروژه‌ای بلندمدت است.
تمرکز این “پروژه بلندپروازانه”، به گفته بیلز، بر ساخت زیرساخت‌های فضایی و بارهای کاری AI است که در آینده وجود خواهند داشت. شرکت تصور می‌کند که شبکه‌ای از ۸۱ ماهواره در حال پرواز در نزدیکی یکدیگر، به‌صورت موازی پردازش خواهند کرد.
بیلز گفت: “پهنای باند و تأخیر بین TPUs وقتی می‌خواهید یک بار کاری چند رکی را اجرا کنید بسیار مهم است… ما سعی می‌کنیم به آینده نگاه کنیم نه فقط به بارهای کاری موجود در حال حاضر، بلکه به جایی که در پنج سال آینده خواهند بود.” این به‌خاطر این است که موشک‌های لازم برای مقیاس‌پذیری مراکز داده‌ی مداری به گونه‌ای مقرون‌به‌صرفه هنوز وجود ندارند.
روز پنجشنبه، گوگل همچنین نسخه‌ای از مقاله سفید خود در مورد مراکز داده مداری را منتشر کرد که یکی از دقیق‌ترین تجزیه و تحلیل‌های موجود درباره چگونگی دسترسی به محاسبات در مدار است. این مقاله در Joule منتشر خواهد شد.
یکی از جنبه‌های قابل توجه این مقاله این است که چگونه گوگل به دسترسی به فضا فکر می‌کند. اگرچه محققان بر این نکته تأکید می‌کنند که تجزیه و تحلیل آن‌ها یک مطالعه امکان‌سنجی اقتصادی نیست، اما تصوری جالب از این ارائه می‌دهد که چگونه شرکت پیش‌بینی می‌کند که قیمت موشک‌ها به مرور زمان کاهش یابد.
مانند تمامی شرکت‌های مراکز داده، گوگل نیز به اسپیس‌ایکس برای پرتاب‌کردن فضاپیمای خود نگاه می‌کند. (گوگل همچنین یک سرمایه‌گذار بزرگ در اسپیس‌ایکس است.)
نویسندگان با استدلال اینکه سازندگان موشک ایلان ماسک از زمان پرتاب موشک فالکن ۱، به حدود ۲۰% کاهش قیمت در سال رسیده‌اند، معتقدند که منطقی است که انتظار داشته باشیم این شرکت قیمت‌های پرتاب نزدیک به ۲۰۰ دلار به ازای هر کیلوگرم تا سال ۲۰۳۵ ارائه دهد.
برای انجام این کار چه چیزی لازم است؟ بر اساس مقدار محموله‌ای که توسط فالکن ۹ پرتاب شده است، آن‌ها فکر می‌کنند که یک مسیر کاهش هزینه مشابه نیاز به این دارد که استارشیپ ۳۷۰،۰۰۰ تن محموله را به مدار پرتاب کند. این چیزی است که به حدود ۱۸۰۰ پرتاب در طول ده سال آینده نیاز دارد، یا سالی ۱۸۰ پرتاب — و این اگر هر مأموریت بتواند ۲۰۰ تن متریک را پرتاب کند.
این یک درخواست بزرگ برای وسیله‌ای است که هرگز بیش از پنج بار در یک سال پرواز نکرده است. اسپیس‌ایکس پیش‌بینی می‌کند که این شرکت بسیار بیشتر از آن پرواز کند — ایلان ماسک پیشنهاد کرده است که استارشیپ ممکن است بتواند در سال ۲۰۲۹ به نرخ پرواز ساعتی برسد، اما ماسک در مورد مسائل زیادی صحبت می‌کند.
خبر خوب، حداقل در تحقیقات به‌روز شده گوگل، این است که به نظر می‌رسد تراشه‌های آن توانایی مقاومت در برابر تابش فضایی را دارند. این شرکت مجبور شد آزمایش‌هایی را که به تراشه‌ها در یک شتاب‌دهنده ذرات انجام داده بودند، دوباره انجام دهد پس از اینکه متوجه شدند پیکربندی تراشه‌ها shielding بیشتری نسبت به آنچه که واقعاً تجربه خواهند کرد، فراهم می‌کند. این باعث ایجاد خطاهای کمی بیشتر در مدارهای منطقی تراشه شد، اما شرکت هنوز هم نسبت به این که تراشه‌های آن می‌توانند بارهای کاری بزرگ استدلالی را در مدار برای عمر پنج ساله یک ماهواره کنترل کنند، مطمئن است.
بیلز گفت: “نرخ خطا اگر در مورد عملیات استدلالی معمولی فکر کنید، بسیار پایین است، درست است؟ مانند یک در میلیون.” او افزود: “از سوی دیگر، این برای انجام مثلاً یک دوره آموزشی مقیاس بزرگ که شما برای ماه‌ها هزاران تراشه خواهید داشت، مشکلاتی داشت.”
