Si l’intelligence artificielle (IA) est une technologie fondamentale et à usage général, nous devrions anticiper que la demande en calcul IA — ainsi qu’en énergie — continuera d’augmenter. Le Soleil est, de loin, la source d’énergie la plus importante de notre système solaire, ce qui justifie d’examiner de manière approfondie la manière dont l’infrastructure future de l’IA pourrait exploiter de façon optimale cette ressource. Ce travail explore un système de calcul évolutif dédié au traitement d’apprentissage automatique dans l’espace, basé sur des flottes de satellites équipés de panneaux solaires, de liaisons inter-satellites utilisant la optique en espace libre (free-space optics), et de puces accélérateurs Google Tensor Processing Unit (TPU). Pour assurer une communication inter-satellites à haut débit et faible latence, les satellites seraient placés en configuration rapprochée. Nous illustrons l’approche fondamentale de vol en formation à l’aide d’un cluster de 81 satellites d’un rayon de 1 km, et décrivons une méthode basée sur des modèles d’apprentissage automatique haute précision pour contrôler des constellations à grande échelle. Les TPUs Trillium ont été testés contre les radiations : ils résistent à une dose ionisante équivalente à une mission de cinq ans sans défaillance permanente, et ont été caractérisés en termes d’erreurs de basculement de bits. Les coûts de lancement constituent un élément critique du coût global du système ; une analyse de courbe d’apprentissage suggère que le coût de lancement en orbite terrestre basse (LEO) pourrait atteindre 200 $/kg d’ici le milieu des années 2030.