Project Suncatcher 是 Google 一項長期研究計畫，目標是回答一個很根本的問題：太空能不能成為可規模化的機器學習基礎設施所在地。這個計畫去年對外公布，如今即將進入第一次在軌測試，把原型衛星送上低地球軌道，實際觀察 Google 自家 AI 硬體在太空環境中的表現。Google 資深總監 Travis Beals 在官方部落格中說明，這項探索並非突然出現的點子，而是延續自駕車與量子運算等領域的經驗：這些技術都經過多年實驗，才逐步走向可用的系統，太空運算同樣需要謹慎而刻意的第一步。
近地軌道的條件確實有吸引力。在低地球軌道上，衛星能取得幾近持續的日照，發電量最高可達地球表面的八倍，對於耗電量龐大的 AI 工作負載而言，這是相當關鍵的優勢。若能進一步把多個衛星星座串連起來，就有機會在軌道上處理更大型的 AI 運算任務。Google 把這個方向定位為一項研究型 moonshot，也就是風險高、週期長，但一旦成立就可能改變算力佈局的嘗試。
把 TPU 送上軌道要驗證什麼
這次任務的核心，是確認 Google 的 AI 硬體能否在太空生存並正常運作。原型衛星將隨 SpaceX 的 Transporter-18 共乘任務升空，並與 Planet 合作開發，任務設計用來蒐集 TPU 在太空飛行物理應力、輻射與極端溫度下的在軌資料。Tensor Processing Unit 是 Google 自行設計、專門加速機器學習運算的晶片，原本是為了地面資料中心的高密度 AI 工作負載而生；如今要驗證的是，這種晶片離開地球大氣與地面維運體系之後，是否仍能維持可靠度。
團隊強調，這一趟並不是要立刻建成太空資料中心，而是要取得真實數據、找出失效點，再把結果回饋到後續任務。下一個明確里程碑訂在 2027 年，屆時會把兩顆衛星送入軌道，測試更進一步的衛星互連能力。
發射震動與輻射的雙重考驗
火箭進入低地球軌道的過程大約十分鐘，這段時間內太空載具會承受劇烈震動與持續加速度，最高可達地球重力的十倍。個別元件承受的力道還可能更大，像 TPU 晶片這類零件，可能面臨五十到一百倍的 g 力。為了預先掌握風險，團隊在地面把衛星沿三個軸向強力震動，模擬火箭發射時的頻率分布。這類測試通常不會完全照計畫走，因此硬體能撐過測試，讓團隊相當振奮。
進入太空後，另一個難題是輻射。太陽活動與宇宙射線都可能干擾電子元件，讓資料出現錯誤。團隊在加州大學戴維斯分校 Crocker 核子實驗室的質子束設施中，讓 TPU 一邊承受輻射、一邊執行 AI 工作負載，並密切觀察錯誤如何影響運算。其中一種典型錯誤是位元翻轉，也就是資料中的某個位元意外從 0 變成 1，或從 1 變成 0；對需要高度穩定的大型 AI 運算來說，這類錯誤可能導致結果偏差。初步結果顯示，Trillium 世代 TPU 的耐受度相當好，承受的游離總劑量超過一趟五年期太空任務會累積的量。不過，實驗室終究無法完全複製太空環境，有些狀況只能實際送上軌道才能驗證。
真空中的散熱難題
散熱是軌道資料中心最關鍵的研究課題之一。TPU 會在很小的面積內產生大量熱能，必須安全地把熱導散，否則晶片就有過熱風險。問題在於太空沒有空氣流動，真空環境下無法靠對流帶走熱，只能透過輻射器把熱排放出去，這與地面資料中心依靠風扇、冷板或液冷迴路的邏輯完全不同。
為此，團隊正在嘗試多種方案，其中包括結合熱導管與輻射器的設計，把熱從晶片傳導到可對外輻射的表面上。目前這套技術已在熱真空艙中測試過，熱真空艙能同時模擬太空的溫度與真空條件。實際進入軌道後，團隊會觀察新的 TPU 冷卻系統在真實環境中如何運作，並依結果持續修正設計。
衛星叢集與雷射互連
未來的衛星設計構想，是每顆衛星搭載數十顆 TPU，並以叢集方式繞行地球。要維持處理 AI 所需的頻寬，每顆衛星都必須清楚掌握自身位置，以及相對於鄰近衛星的位置，這得靠雷射通訊來完成。太空中的雷射通訊技術並非全新發明，但現行多數先進系統是為長距離、低頻寬的場景最佳化；Project Suncatcher 需要的卻是在極短距離下維持極高頻寬。
這樣的要求對精度極為嚴苛。Google 形容，難度類似在數英里外打中一枚硬幣大小的目標，而且發射端與目標端都處於移動狀態。任何些微偏移都可能讓連線中斷。這部分預計在 2027 年的兩顆衛星任務中實際測試，屆時才能累積足夠數據，判斷雷射鏈路能否支撐大規模 AI 工作負載。
影響、限制與現階段的意義
Project Suncatcher 目前仍處於驗證階段，距離真正可規模化的太空 AI 基礎設施還有很長的路。低軌道穩定且充沛的太陽能是明確誘因，但限制同樣清楚：發射過程的震動與加速度、太空輻射造成的位元錯誤、真空環境只能靠輻射散熱、雷射對準的極高精度要求，以及後續的維護、汰換與整體成本，都還沒有完全解決。Google 也坦言，軌道運算不會一次到位，而是需要系統性的工程累積，先證明硬體能承受軌道上的物理現實與不可預測狀況，再逐步擴大規模。
這次首度把 TPU 送上軌道的任務，價值在於取得過去只能推測的真實數據，確認哪些設計可行、哪些環節會先失效，並把這些發現帶進 2027 年的下一步。對關注 AI 算力發展的人來說，這也提供了一個新的觀察角度：當地面資料中心在電力、散熱與土地上面臨越來越大的壓力時，太空是否會成為選項之一，答案將取決於這類看似遙遠的工程測試能否一關一關通過。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。