Les ingénieurs de Google ont demandé un haïku au modèle d’IA Gemma 4, installé dans leur satellite expérimental, et récupéré sa réponse quand l’engin survolait le Svalbard, en Norvège. Avec ces trois vers, l’entreprise vérifie que ses puces d’IA fonctionnent en orbite, là où elle espère installer un jour des centres de données alimentés par le Soleil.
Le satellite de la taille d’un réfrigérateur lancé le 1er octobre par une fusée Falcon 9 de SpaceX est le premier prototype de Suncatcher. Google a dévoilé ce projet de centres de données en orbite en novembre 2025, puis installé quatre de ses puces d’IA TPU dans un satellite fourni par l’entreprise d’imagerie spatiale Planet. Pour éviter la surchauffe, ses ingénieurs ne font tourner ces puces que quinze minutes d’affilée. Travis Beals, directeur de l’équipe de recherche Paradigms of Intelligence chez Google, salue dans ce haïku « la toute première réponse d’IA produite en orbite par une puce de centre de données ».
Un haïku, des poèmes et un bulletin technique écrits par Gemma 4
Avant ce poème, l’équipe de Travis Beals a passé plusieurs semaines à mettre l’engin en service, en allumant le serveur hôte et les tiroirs de TPU avant de lancer de premiers tests d’apprentissage automatique. Elle a ensuite profité d’un passage au-dessus d’une station au sol pour envoyer au modèle ouvert Gemma 4 sa première requête. Les ingénieurs voulaient un haïku écrit du point de vue d’une puce TPU en orbite, avec la Terre qui tourne sous elle.
Ils ont récupéré la réponse au passage du satellite au-dessus de l’archipel norvégien. Dans ses trois vers, Gemma 4 évoque la planète bleue en contrebas, des données qui circulent en silence et un cœur de calcul nourri par la lumière des étoiles, avec un emoji d’étincelles en guise de signature. Le modèle a ensuite composé de petits poèmes humoristiques sur l’espace, puis rendu compte de l’état technique des systèmes de bord à la demande des ingénieurs.
Au tarif de Gemma 4 sur Google Cloud, la vingtaine de tokens de ce haïku coûterait environ 0,000012 dollar, d’après les calculs du site britannique The Register. Il ajoute toutefois à l’addition un lancement facturé autour de 7 000 dollars le kilo, pour un satellite dont il évalue la masse à 500 kilos environ d’après celle des Starlink de SpaceX, faute de chiffre officiel. À ce compte, chacun des trois vers vaudrait plus d’un million de dollars.
Des puces exposées aux radiations, et un lancement encore trop cher
Google va maintenant tester la résistance de ses TPU à la chaleur et aux radiations en orbite. Au sol, ses chercheurs ont exposé une puce Trillium et son serveur hôte AMD à un faisceau de protons de 67 MeV. 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.
Avec une dose estimée à 150 rad(Si) par an en orbite et une requête par seconde, ces chercheurs prévoient environ une réponse sur 3 millions entachée de calculs faussés sans alerte, dans un article publié ce mois-ci par la revue Joule. « Ce taux d’erreur est probablement acceptable pour l’inférence », écrivent-ils, mais ils manquent encore de données sur les effets de ces erreurs pendant l’entraînement d’un modèle.
Sur son orbite héliosynchrone, le satellite passe presque tout son temps au soleil, et ses ingénieurs n’ont pas eu à le charger de lourdes batteries. Il ne dispose malgré tout que d’environ 1 kilowatt d’électricité pour une mission prévue sur un an. Un sèche-cheveux consomme à peu près autant.
Pour rendre Suncatcher rentable, il faudra aussi faire baisser le prix des fusées. Dans une étude publiée en novembre 2025, les chercheurs de Google calculent qu’avec un lancement à 200 dollars le kilo, l’envoi d’un satellite, réparti sur toute sa durée de vie, reviendrait à une somme comprise entre 810 et 7 500 dollars par kilowatt et par an. 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 aux alentours de 2035, et préfère construire ses prototypes longtemps avant.
D’ici là, l’entreprise prévoit d’envoyer en 2027 deux satellites reliés entre eux, toujours avec Planet. Avec ce duo, ses ingénieurs testeront des liaisons optiques entre satellites, pour vérifier que des puces réparties sur plusieurs engins peuvent se partager un même calcul d’apprentissage automatique.
Une TPU est un accélérateur matériel conçu par Google pour exécuter efficacement des calculs de machine learning, notamment les opérations matricielles utilisées par les réseaux de neurones. Par rapport à des CPU généralistes, elle vise un meilleur débit de calcul et une meilleure efficacité énergétique pour l’inférence et, selon les générations, l’entraînement. La tester en orbite permet de vérifier si une puce “de centre de données” peut fonctionner de façon fiable hors de ses conditions normales d’exploitation (radiations, contraintes thermiques, cycles de puissance). L’enjeu est de valider que le matériel, mais aussi la plateforme autour (serveur hôte, mémoire, communication), reste stable et prévisible dans l’espace.
rad(Si) et krad(Si) mesurent une dose d’énergie déposée par les radiations dans le silicium, ce qui aide à quantifier l’exposition d’un composant électronique. En orbite, ces radiations peuvent provoquer des “soft errors” (bits qui basculent) ou des perturbations plus durables, sans forcément endommager immédiatement la puce. La mémoire HBM (High Bandwidth Memory), très rapide et très proche du processeur, est critique car elle stocke données et activations nécessaires aux calculs IA ; une corruption peut fausser un résultat. Le point important est que certaines erreurs peuvent être silencieuses (pas d’alerte), ce qui complique la détection et la correction, surtout lorsque les modèles exigent des calculs reproductibles.
L’inférence consiste à utiliser un modèle déjà entraîné pour produire une réponse (classification, génération de texte, etc.), alors que l’entraînement ajuste les paramètres du modèle à partir d’exemples, sur de très longues sessions de calcul. En inférence, une erreur ponctuelle peut parfois n’affecter qu’une sortie isolée, et des mécanismes applicatifs peuvent tolérer ou filtrer des réponses aberrantes. En entraînement, des erreurs répétées ou mal détectées peuvent polluer la mise à jour des poids, dégrader la convergence ou introduire des biais difficiles à diagnostiquer. C’est pour cela que la même fiabilité matérielle peut être jugée “acceptable” pour l’inférence, tout en restant incertaine pour l’entraînement en production.
