AI పవర్ వాల్: ఆర్బిటల్ కంప్యూట్ ఎందుకు డేటా సెంటర్ సరిహద్దుగా మారవచ్చు
AI కి విద్యుత్ సమస్య ఉంది.
ఇది బ్రాండింగ్ సమస్య కాదు. ఇది భౌతిక మౌలిక సదుపాయాల (infrastructure) సమస్య.
ప్రతి AI మోడల్, ఇమేజ్ జనరేటర్ మరియు కోడింగ్ అసిస్టెంట్ విద్యుత్తుపై ఆధారపడి ఉంటుంది. AI ప్రతి వ్యాపార మరియు శాస్త్రీయ పని విధానంలోకి (workflow) ప్రవేశిస్తున్న కొద్దీ, డేటా సెంటర్లపై ఒత్తిడి పెరుగుతోంది.
ఏళ్ల తరబడి, క్లౌడ్ కంప్యూటింగ్ మరిన్ని సర్వర్లు మరియు ఫైబర్లను జోడించడం ద్వారా విస్తరించింది. కానీ AI నియమాలను మారుస్తోంది. హై-డెన్సిటీ GPU క్లస్టర్లకు భారీ మొత్తంలో విద్యుత్, భారీ కూలింగ్ మరియు పెద్ద గ్రిడ్ కనెక్షన్లు అవసరం. చాలా చోట్ల, పరిమితి ఇకపై GPUలను కొనడం కాదు. వాటిని నడపడానికి తగినంత విద్యుత్తును కనుగొనడమే అసలైన పరిమితి.
అందుకే ఆర్బిటల్ కంప్యూట్ (orbital compute) ప్రాముఖ్యత సంతరించుకుంది.
ఇది నేడు భూమిపై ఉన్న డేటా సెంటర్లకు ప్రత్యామ్నాయం కాదు. AI రేసు భూమి మరియు పవర్ గ్రిడ్ల పరిధిని దాటి ముందుకు సాగుతోందని ఇది ఒక సంకేతం.
డిమాండ్ పరిమాణం భారీగా ఉంది:
- 2024: డేటా సెంటర్లు సుమారు 415 TWh (ప్రపంచ విద్యుత్ వినియోగంలో 1.5%) ఉపయోగించాయి.
- 2030: డిమాండ్ 945 TWh (ప్రపంచ విద్యుత్ వినియోగంలో దాదాపు 3%) కి చేరుకోవచ్చు.
- 2050: BloombergNEF డిమాండ్ 3,700 TWh (ప్రపంచ విద్యుత్ వినియోగంలో 8.7%) కి చేరుకుంటుందని అంచనా వేస్తోంది.
ఇది స్థానిక గ్రిడ్లపై ఒత్తిడిని కలిగిస్తుంది. ఒకే ఒక పెద్ద క్లస్టర్ ఒక చిన్న నగరం తరహాలో విద్యుత్తును కోరవచ్చు. స్వచ్ఛమైన ఇంధనం (clean energy) తగినంత వేగంగా అందుబాటులోకి రానప్పుడు, కంపెనీలు గ్యాస్ లేదా బొగ్గు వైపు మళ్లవచ్చు.
ఆర్బిటల్ కంప్యూట్ ఒక భిన్నమైన మార్గాన్ని చూపుతుంది.
Starcloud-1 ఇటీవల NVIDIA H100 GPUతో అంతరిక్షంలోకి ప్రవేశించింది. డేటా-సెంటర్ తరహా హార్డ్వేర్ అంతరిక్షంలో కూడా పనిచేయగలదని ఇది నిరూపిస్తుంది.
స్పేస్ కంప్యూట్ యొక్క తర్కం సరళమైనది:
- AI కి విద్యుత్ అవసరం.
- అంతరిక్షంలో పుష్కలంగా సౌర శక్తి ఉంది.
- భూమిపై గ్రిడ్ రద్దీ, భూమి పరిమితులు మరియు అనుమతుల ఆలస్యం వంటి సమస్యలు ఉన్నాయి.
సరైన కక్ష్యలో ఉన్న ఉపగ్రహం, భూమిపై ఉన్న సోలార్ ఫామ్ కంటే ఎక్కువ స్థిరంగా సౌర శక్తిని సేకరించగలదు. అంతరిక్షంలో మేఘాలు, వాతావరణ మార్పులు ఉండవు మరియు కూలింగ్ కోసం నీటి వినియోగం అవసరం లేకుండానే సూర్యరశ్మి లభిస్తుంది.
అయితే, అంతరిక్షం అనేది సులభమైన పరిష్కారం కాదు. శూన్యంలో (vacuum) GPUని చల్లబరచడానికి మీరు ఫ్యాన్లను ఉపయోగించలేరు. ఇన్ఫ్రారెడ్ శక్తి ద్వారా వేడిని బయటకు పంపడానికి మీరు రేడియేటర్లను ఉపయోగించాలి. అలాగే రేడియేషన్, కమ్యూనికేషన్ ఆలస్యం మరియు అధిక లాంచ్ ఖర్చుల వంటి సవాళ్లను కూడా ఎదుర్కోవాల్సి ఉంటుంది.
మొదటి నిజమైన వినియోగ సందర్భాలు (use cases) బహుశా ఇవి కావచ్చు:
- ఇతర ఉపగ్రహాల కోసం AI ప్రాసెసింగ్.
- భూమి పరిశీలన విశ్లేషణలు (Earth observation analytics).
- శాస్త్రీయ పనిభారాలు (Scientific workloads).
- బ్యాచ్ ఇన్ఫరెన్స్ (Batch inference).
డేటా ఎక్కడ సృష్టించబడిందో అక్కడే ప్రాసెస్ చేయడమే దీని లక్ష్యం. భారీ ముడి ఫైళ్లను (raw files) భూమికి పంపే బదులు, ఉపగ్రహాలు అంతరిక్షంలోనే డేటాను ప్రాసెస్ చేసి, కేవలం చిన్న మరియు ఉపయోగకరమైన ఫలితాలను మాత్రమే తిరిగి పంపగలవు.
AI మౌలిక సదుపాయాల పోటీ, ఇప్పుడు శక్తి పోటీగా మారుతోంది. భవిష్యత్తులో అత్యంత విలువైన ప్రాంతాలు ఎక్కడైతే విద్యుత్ చౌకగా మరియు అత్యంత నమ్మదగినదిగా ఉంటుందో, అక్కడివే అవుతాయి.
AI భవిష్యత్తు కేవలం మోడల్ పరిమాణం ద్వారా మాత్రమే నిర్ణయించబడదు. ఇది విద్యుత్, కూలింగ్ మరియు నెట్వర్కింగ్ ద్వారా నిర్ణయించబడుతుంది.
ఐచ్ఛిక అభ్యాస సమూహం: https://t.me/GyaanSetuAi