Google ส่งคำตอบจากดาวเทียมที่มีชิป AI เป็นครั้งแรก - เปิดทางสู่ศูนย์ข้อมูลบนวงโคจร
ดาวเทียม Project Suncatcher ของ Google บูต TPU สำเร็จและให้โมเดล Gemma 4 ตอบกลับเป็นบทกวีสั้น เป็นการทดสอบเบื้องต้นก่อนประเมินความทนความร้อนและรังสีเพื่อเตรียมความพร้อมสู่เป้าหมายดาวเทียมเชื่อมกันปี 2027
Google รายงานความสำเร็จจาก Project Suncatcher เมื่อดาวเทียมที่บรรจุชิป AI สามารถบูตหน่วยประมวลผล Tensor Processing Units - TPUs ได้สำเร็จ และรันโมเดล Gemma 4 เพื่อสร้างคำตอบแรกจากอวกาศซึ่งเป็น haiku เกี่ยวกับการอยู่ในอวกาศ การทดสอบครั้งนี้เป็นก้าวแรกของความพยายามที่จะนำการประมวลผล AI ขึ้นไปบนวงโคจรและสำรวจความเป็นไปได้ของศูนย์ข้อมูลบนอวกาศ
การทดสอบขั้นต้นและภาพรวมทางเทคนิค
ตามรายงาน Google บูต TPUs บนดาวเทียมและส่งคำสั่งให้โมเดล Gemma 4 ตอบกลับ ผลลัพธ์เป็นข้อความสั้นตามธีมอวกาศ ทีมงานทดลองคำขออื่นๆ ที่เกี่ยวกับ telemetry และบทกวีแบบลิมริกซ์ด้วย การทดสอบนี้เน้นไปที่การยืนยันว่า TPU สามารถรันงาน inference ได้ในสภาพแวดล้อมที่ต่างจากพื้นโลก
ประเด็นด้านความทนทาน - ความร้อนและรังสี
Google ระบุว่าจะดำเนินชุดการทดสอบเพิ่มเติมเพื่อประเมินการทำงานของ TPUs ภายใต้ความเครียดด้านอุณหภูมิและการสัมผัสรังสีในวงโคจร การตรวจสอบความเสถียรในเงื่อนไขเหล่านี้เป็นหัวใจสำคัญก่อนจะยกระดับเป็นระบบที่ต้องทำงานต่อเนื่องและเชื่อถือได้บนอวกาศ เพราะฮาร์ดแวร์ต้องเผชิญกับการเปลี่ยนแปลงอุณหภูมิอย่างรุนแรงและการแผ่รังสีที่สูงกว่าพื้นโลก
ทิศทางต่อไป - ดาวเทียมคู่เชื่อมต่อเป้าหมาย 2027
เป้าหมายระยะถัดไปของโครงการคือการพัฒนาเป็นดาวเทียมคู่ที่เชื่อมต่อกันในปี 2027 การยืนยันว่าหน่วยประมวลผลสามารถรันงานได้อย่างเชื่อถือได้บนวงโคจรจะเป็นบันไดสำคัญสู่สถาปัตยกรรมแบบ distributed AI บนชั้นอวกาศ ซึ่งอาจเปลี่ยนวิธีคิดเรื่อง latency การส่งข้อมูล และการเก็บสำรองข้อมูลสำหรับแอปพลิเคชันที่ต้องการการประมวลผลใกล้แหล่งข้อมูล
ผลกระทบและสิ่งที่คนไอทีไทยควรจับตามอง
โครงการนี้ชี้ให้เห็นว่าการ deploy โมเดล AI นอกศูนย์ข้อมูลเดิมกำลังเป็นไปได้จริง - ไม่ว่าจะเป็น edge inference บนอุปกรณ์ embedded หรือการจัดวาง AI ในสภาพแวดล้อมพิเศษ เช่น ยานอวกาศ การทดสอบด้าน reliability, observability และการจัดการเวิร์กโหลดในสภาพแวดล้อมที่มีข้อจำกัดจึงกลายเป็นทักษะสำคัญ ทีมพัฒนาและวิศวกรด้านโครงสร้างพื้นฐานควรติดตามแนวทางของ LLMOps, การมอนิเตอร์โมเดล และการออกแบบฮาร์ดแวร์ที่ทนทานต่อสภาพแวดล้อม
แม้ผลลัพธ์แรกจะเป็นบทกวีสั้นจาก Gemma 4 ที่อาจดูเป็นพิสูจน์แนวคิดมากกว่าการใช้งานจริง แต่ความสำเร็จในการบูตและรันโมเดลบน TPUs ในวงโคจรเป็นสัญญาณว่าการขยายขอบเขตการประมวลผล AI ไปยังอวกาศมีความเป็นไปได้ การพัฒนาต่อไปจะเน้นที่การยืนยันความทนทานและความเชื่อถือได้ ซึ่งจะกำหนดทิศทางของโครงการในอีกหลายปีข้างหน้า - รายการทดสอบต่อไปและบทพิสูจน์ความคงทนของฮาร์ดแวร์คือสิ่งที่ต้องติดตาม
ที่มา: The Verge - เรียบเรียงและสรุปเป็นภาษาไทยโดยทีมงาน IT Genius
ไอทีจีเนียส เอ็นจิเนียริ่ง ให้บริการด้านไอทีครบวงจร
ทั้งงานอบรม (Training) สัมมนา รับเขียนโปรแกรม เว็บไซต์ แอปพลิเคชัน งานออกแบบกราฟิก และงานด้าน E-Marketing ทั้ง SEO, PPC และ Social Media Marketing
ติดต่อเราเพื่อสอบถามผลิตภัณฑ์ ขอราคา หรือปรึกษาเรื่องไอทีได้เลยค่ะ
แนะนำหลักสูตรที่น่าสนใจ
Generative AI for Software Developers
Generative AI กลายเป็นส่วนหนึ่งของงานพัฒนาซอฟต์แวร์ประจำวัน ตั้งแต่ออกแบบระบบ เขียนโค้ด แก้ Bug เขียน Test ไปจนถึงทำเอกสาร แต่ผลลัพธ์ที่ได้ขึ้นอยู่กับว่านักพัฒนาสื่อสารกับ AI ได้ชัดเจนแค่ไหน ให้บริบทเพียงพอหรือไม่ และตรวจสอบผลงานของ AI อย่างไร นักพัฒนาที่ใช้…
Local LLM Deployment with Ollama and vLLM
หลายองค์กรอยากใช้ LLM กับเอกสารภายใน ข้อมูลลูกค้า หรือซอร์สโค้ด แต่ติดเงื่อนไขว่าข้อมูลห้ามส่งออกไปยังผู้ให้บริการภายนอก ทางออกคือรันโมเดล Open-weight บนเครื่องหรือเซิร์ฟเวอร์ขององค์กรเอง แต่พอลงมือจริงทีม IT ต้องตอบคำถามที่ไม่ง่ายเลย ว่าควรเลือกโมเดลไหน…
LLMOps: Evaluation, Observability and CI/CD
การสร้าง Chatbot หรือระบบ RAG ให้ตอบได้ดีในเครื่องของนักพัฒนาใช้เวลาไม่นาน แต่การดูแลให้ระบบตอบได้ดีอย่างสม่ำเสมอใน Production เป็นอีกเรื่องหนึ่ง แก้ Prompt นิดเดียวคำตอบบางกลุ่มก็แย่ลงโดยไม่มีใครรู้ เปลี่ยนรุ่นโมเดลแล้วค่าใช้จ่ายเพิ่มขึ้นหลายเท่า…