دیتاسنترهای فضایی؛ چرا مدار زمین فعلاً نمیتواند هوش مصنوعی را نجات دهد؟
سراب دیتاسنترهای فضایی و بحران انرژی AI
ظهور شبح مصرف در قلب تمدن دیجیتال
سال 2025 فرا رسیده و نبض تپنده هوش مصنوعی با سرعتی بیسابقه جهان را درنوردیده است. مدلهای زبانی بزرگ (LLMs)، مدلهای مولد تصویری و هوش مصنوعی مولد (Generative AI) دیگر صرفاً ابزارهایی در دست نخبگان نیستند؛ آنها موتور محرکه اقتصاد جهانی، از کشف دارو گرفته تا مدیریت زنجیره تأمین. اما این پیشرفت خیرهکننده، هزینهای سنگین به همراه داشته است: بحران انرژی که سایهای تاریک بر آینده دیجیتال ما انداخته است. دیتاسنترها که زمانی نماد قدرت محاسباتی بودند، اکنون به بزرگترین مصرفکنندگان انرژی در جهان تبدیل شدهاند. وقتی مصرف برق یک مدل پیشرفته مانند GPT-5 فراتر از نیاز یک شهر کوچک میرود، دیگر صحبت از “بهینهسازی” کافی نیست؛ نیاز به یک پارادایم شیفت عظیم احساس میشود.
در این میان، ایدهای جذاب و در عین حال جسورانه از دل فضا سر برآورده است: دیتاسنتر فضایی. این ایده که روزگاری در قلمرو داستانهای علمی-تخیلی جای داشت، اکنون در کانون توجه بزرگترین شرکتهای فناوری جهان قرار گرفته است. آیا انتقال بار محاسباتی عظیم هوش مصنوعی به مدار زمین میتواند راهحلی برای بحران انرژی باشد؟ یا اینکه این “سراب فضایی” صرفاً انتقال یک مشکل به محیطی پرهزینهتر و پیچیدهتر است؟
بخش اول: پسزمینه بحران انرژی هوش مصنوعی
هوش مصنوعی، به ویژه یادگیری عمیق، ماهیتی ذاتاً پرمصرف دارد. آموزش یک مدل بزرگ مانند آنچه در سال 2024 شاهد بودیم، نیازمند تریلیونها عملیات ممیز شناور (FLOPS) است که مصرف انرژی عظیمی را به همراه دارد.
رشد انفجاری مدلهای مولد: غولی که مدام غذا میخواهد
مدلهای مولد (Generative AI) مانند GPT، LaMDA، و مدلهای چندوجهی جدید، به سرعت در حال بزرگتر شدن هستند. افزایش پارامترها و پیچیدگی شبکههای عصبی، تقاضا برای واحدهای پردازش گرافیکی (GPU) را به سطوح بیسابقهای رسانده است.
- آموزش (Training): این فاز پرمصرفترین بخش است که میتواند ماهها به طول انجامد و برق یک کشور کوچک را مصرف کند.
- استنتاج (Inference): با فراگیر شدن هوش مصنوعی در هر اپلیکیشن، تعداد درخواستهای استنتاج روزانه به میلیاردها میرسد و در مجموع، مصرف انرژی قابل توجهی را به بار میآورد.
وضعیت فعلی دیتاسنترهای زمینی: گلوگاه حرارتی و زیستمحیطی
دیتاسنترهای زمینی امروزی در مواجهه با دو چالش عمده قرار دارند:
الف) محدودیتهای ظرفیت شبکه برق: در بسیاری از مناطق توسعهیافته، ساخت دیتاسنترهای جدید عملاً با کمبود ظرفیت تأمین برق و چالشهای صدور مجوزهای زیستمحیطی متوقف شده است.
ب) چالش دفع حرارت (Cooling): حدود 30 تا 40 درصد از انرژی مصرفی یک دیتاسنتر صرف خنکسازی میشود. سیستمهای خنکسازی مبتنی بر آب یا هوا در نهایت به محدودیتهای فیزیکی برخورد میکنند، به خصوص با افزایش تراکم حرارتی (Power Density) پردازندههای نسل جدید.
در این شرایط، توجهها به منبعی برگشت: خورشید، به عنوان منبع انرژی پاک و نامحدود در فضای نزدیک زمین.
بخش دوم: ورود غولهای فناوری به سناریوی فضایی
ایده دیتاسنتر فضایی دیگر یک مفهوم صرف نیست؛ شرکتهای پیشرو جهان در حال سرمایهگذاری سنگین برای بررسی امکانسنجی آن هستند. هدف اصلی، دستیابی به دو مزیت کلیدی است: منبع انرژی تقریباً نامحدود خورشیدی و محیطی ایدهآل برای دفع حرارت.
غولهای فناوری و حرکت به سوی مدار
- گوگل (Google/Alphabet): با توجه به تخصص عمیق در زیرساختهای ابری و سرمایهگذاریهای گسترده در فناوریهای فضایی (از طریق پروژههایی نظیر Project Loon در گذشته و همکاریهای فعلی)، گوگل به دنبال راههایی برای تأمین انرژی پایدار برای نیازهای محاسباتی هوش مصنوعی خود است.
- انویدیا (NVIDIA): در حالی که تمرکز اصلی بر معماریهای سختافزاری است، انویدیا از تأثیر مصرف انرژی آگاه است و به دنبال مشارکتهایی برای راهحلهای زیرساختی است که بتوانند تراشههای پرقدرت آنها را پشتیبانی کنند.
- آمازون (Amazon/AWS): به عنوان رهبر بازار ابر، AWS همواره بر مقیاسپذیری تأکید دارد. دیتاسنترهای فضایی میتوانند مقیاسپذیری را فراتر از محدودیتهای جغرافیایی زمینی ببرند.
- استارکلاد (Starlink/SpaceX): با شبکه عظیم ماهوارهای خود، اسپیسایکس زیرساختهای لازم برای ارسال داده از مدار را فراهم کرده و پتانسیل تبدیل شدن به یک بازیگر کلیدی در این حوزه را دارد.
- بلو اوریجین (Blue Origin): سرمایهگذاریهای جف بزوس در بخش فضایی، پتانسیل ایجاد زیرساختهای پرتاب و استقرار برای این پروژههای بلندپروازانه را تقویت میکند.
این مشارکتها نشان میدهد که ایده محاسبات مداری به یک دغدغه استراتژیک تبدیل شده است.
بخش سوم: تحلیل فنی دیتاسنترهای مداری
تحقق یک دیتاسنتر فضایی نیازمند غلبه بر چالشهایی است که در محیط زمینی وجود ندارند، اما چالشهای جدیدی را نیز ایجاد میکنند.
1. چالش حیاتی دفع حرارت در خلأ
این شاید بزرگترین مزیت و در عین حال، بزرگترین چالش باشد. در محیط خلأ فضا، رسانش (Conduction) و همرفت (Convection) عملاً وجود ندارند. تنها راه مؤثر برای دفع حرارت، تابش (Radiation) است.
[ P_{\text{radiated}} = \epsilon \sigma A (T_{\text{surface}}^4 – T_{\text{ambient}}^4) ]
که در آن $P$ توان حرارتی، $\epsilon$ ضریب نشر، $\sigma$ ثابت استفان-بولتزمن، $A$ مساحت سطح تابشکننده و $T$ دما بر حسب کلوین است.
- نیاز به رادیاتورهای عظیم: برای دفع حرارت تولید شده توسط تراشههای مدرن (که ممکن است به دهها کیلووات در هر رک برسد)، دیتاسنتر فضایی به رادیاتورهای بسیار بزرگ و با بازدهی بالا (نزدیک به نشر کامل یا $\epsilon \approx 1$) نیاز دارد. این رادیاتورها باید همیشه در معرض دید مستقیم یا غیرمستقیم فضا باشند و از مسدود شدن توسط زمین یا ماهوارههای دیگر جلوگیری شود.
- دماهای عملیاتی: برای کارکرد بهینه، الکترونیک نیاز به خنکسازی تا دمای معینی دارد. در حالی که خلأ عایق بسیار خوبی است، مدیریت حرارتی فعال (استفاده از مایعات خنککننده پیشرفته و پمپهای حرارتی) برای انتقال حرارت از تراشهها به رادیاتورها ضروری خواهد بود.
2. محدودیتهای فیزیکی و مقیاس (اندازه و جرم)
هر کیلوگرم محمولهای که به مدار ارسال میشود، هزینهای نجومی دارد (چندین هزار دلار برای مدارهای پایین زمین یا LEO). این محدودیتهای لجستیکی، طراحی را به شدت تحت تأثیر قرار میدهد:
- مینیاتوریسازی سختافزار: سختافزار باید تا حد امکان سبک، مقاوم و دارای تراکم محاسباتی بالا باشد. معماریهای مبتنی بر سیلیکون یا حتی نوآوریهایی مانند پردازندههای فوتونیک (Photonic Processors) که حرارت کمتری تولید میکنند، جذابتر میشوند.
- مدولار بودن: ساختار باید به صورت ماژولهای کوچک و مقاوم در برابر پرتاب طراحی شود تا بتوان با پرتابهای مکرر، ظرفیت را افزایش داد.
3. منبع انرژی: پنلهای خورشیدی و چالش سایه
منبع اصلی انرژی در مدار، سلولهای خورشیدی هستند. در مدار زمین (LEO)، انرژی خورشیدی بسیار قویتر از سطح زمین است (تقریباً 1361 وات بر متر مربع در مقایسه با سطح زمین با اتمسفر).
- بازدهی پنل: با وجود بازدهی بالا، برای تأمین انرژی دهها مگاواتی یک AI Data Center، به سطوح وسیعی از پنلهای خورشیدی نیاز است. این پنلها به خودی خود وزن و حجم زیادی اضافه میکنند.
- مسئله سایه (Eclipse): در مدارهای پایین، ماهوارهها به طور منظم وارد سایه زمین میشوند که میتواند منجر به افت شدید انرژی شود. دیتاسنتر باید مجهز به باتریهای بسیار سنگین و گرانقیمت برای پوشش این دورههای تاریکی باشد، یا باید در مدارهای ژئوسینکرون (GEO) قرار گیرد که هزینههای پرتاب و تأخیر ارتباطی را افزایش میدهد.
4. تابش کیهانی و اثرات آن بر نیمهرساناها
محیط مداری مملو از پرتوهای کیهانی (Cosmic Rays) و ذرات پرانرژی است که میتوانند به اجزای الکترونیکی آسیب جدی وارد کنند:
- Single Event Upsets (SEUs): برخورد این ذرات میتواند باعث تغییر حالت حافظه (بیتفلپ) یا حتی آسیب دائمی به مدارهای مجتمع شود.
- نیاز به محافظت (Shielding): تجهیزات پردازش فضایی باید با محافظهای سنگین یا با استفاده از معماریهای مقاوم در برابر خطا (Fault-Tolerant Architectures) محافظت شوند. این محافظت، وزن و پیچیدگی را افزایش میدهد و مزیت سبکی را کمرنگ میسازد.
5. مشکلات ارتباطی لیزری زمین–مدار (Downlink Latency)
دادهها باید از فضا به زمین برگردند، جایی که کاربران نهایی حضور دارند.
- تأخیر (Latency): حتی در LEO، تأخیر پایه (Round Trip Time) از چند میلیثانیه تا دهها میلیثانیه خواهد بود. برای کاربردهای بلادرنگ (Real-time) مانند معاملات مالی یا تعاملات حسی در رباتیک، این تأخیر قابل قبول نیست.
- پهنای باند و امنیت: برقراری ارتباط لیزری (Optical Communication) با پهنای باند بالا ضروری است، اما مدیریت لینکهای لیزری که دائماً در حال حرکت و تغییر زاویه هستند، خود یک چالش مهندسی بزرگ است. انتقال تریلیونها پارامتر مدل در ثانیه از فضا نیازمند زیرساختهای لینک داده عظیمی است.
بخش چهارم: تحلیل مقایسهای و دیدگاه علمی
برای ارزیابی واقعبینانه، باید دیتاسنتر زمینی را با رقیب مداریاش مقایسه کنیم.
ویژگیدیتاسنتر زمینی (مدرن)دیتاسنتر فضایی (پیشبینی 2030)منبع انرژیشبکه برق، سوخت فسیلی (اغلب)خورشیدی (تقریباً نامحدود)دفع حرارتهمرفت/رسانش (محدودیت شدید)تابش (عالی، اما نیازمند سطح وسیع)هزینه راهاندازیبالا (زمین، برق، خنکسازی)بسیار بسیار بالا (پرتاب، نصب فضایی)تأخیر ارتباطیکم (میلیثانیه یا کمتر)متوسط تا زیاد (دهها میلیثانیه)محیط عملیاتیپایدار، قابل نگهداریخشن (تشعشع، خلأ، دمای شدید)مقیاسپذیریمحدود به زیرساخت محلیبالقوه نامحدود (افزودن ماژول)
دیدگاه دانشگاهی و علمی: بازنگری در پارادایم محاسبات
از دیدگاه علمی، انتقال محاسبات سنگین به فضا یک حرکت اجتنابناپذیر در صورت تداوم مسیر فعلی نیست، بلکه یک راهکار مهندسی برای حل یک محدودیت فیزیکی خاص (دفع حرارت و انرژی) در زمین است.
نظریهپردازان حوزه محاسبات یادآور میشوند که “بحران انرژی AI در واقع یک بحران کارایی در طراحی الگوریتم و سختافزار است، نه صرفاً یک کمبود انرژی مطلق.” آنها استدلال میکنند که تمرکز بیش از حد بر مقیاسدهی عمودی (افزایش تعداد ترانزیستورها و مصرف انرژی) بدون توجه به راندمان کلی، منجر به این بنبست شده است. انتقال به فضا، در حالی که مشکل حرارت را حل میکند، ممکن است هزینههای عملیاتی (OPEX) ارتباطی و لجستیکی را به حدی افزایش دهد که از مزایای انرژی آن پیشی بگیرد.
این دیدگاه بر لزوم بهینهسازی نرمافزاری به عنوان مسیر کوتاهمدت و واقعبینانهتر تأکید دارد.
بخش پنجم: نقش بهینهسازی نرمافزاری و معماریهای کممصرف
پیش از آنکه میلیونها تن تجهیزات به مدار پرتاب شوند، راهحلهای موضعی باید اولویت یابند.
معماریهای کممصرف (Low-Power Architectures)
توسعه نسل جدید تراشهها که کارایی هر ژول انرژی را به حداکثر میرسانند، حیاتی است. معماریهای مبتنی بر محاسبات نوری یا حتی معماریهای متمرکز بر استنتاج (Inference-Focused) به جای آموزشهای عظیم، میتوانند مصرف را به شدت کاهش دهند.
بهینهسازی مدلهای هوش مصنوعی
تکنیکهایی مانند کوانتیزهسازی (Quantization)، هرس کردن (Pruning) و تقطیر دانش (Knowledge Distillation) به طور چشمگیری اندازه مدلها و نیاز محاسباتی آنها را کاهش میدهند. اگر بتوانیم مدلهای 100 برابری کوچکتر با کارایی مشابه داشته باشیم، نیاز به دیتاسنتر فضایی به شدت کاهش مییابد.
محاسبات لبه (Edge Computing) در مقابل محاسبات مداری
افزایش قدرت محاسباتی در لبه شبکه (گوشیهای هوشمند، دستگاههای IoT) و توزیع محاسبات به جای تمرکز آن در ابر، فشار بر دیتاسنترهای مرکزی را کاهش میدهد و ممکن است نیاز به راهحلهای پرهزینه فضایی را کماهمیت سازد.
بخش ششم: سناریوهای آینده (خوشبینانه، واقعبینانه، بدبینانه)
آینده AI Data Center در فضا، بستگی به تعادل بین پیشرفتهای فنی و محدودیتهای اقتصادی دارد.
سناریوی خوشبینانه (2040)
با کاهش شدید هزینههای پرتاب (تراکم تکرارپذیری موشکها) و پیشرفت در فناوریهای دفع حرارت مبتنی بر رادیاتورهای فضایی سبک، دیتاسنترهای مداری به واقعیت تبدیل میشوند. این مراکز به عنوان مراکز محاسباتی عظیم برای مدلهای هوش مصنوعی پایه (Foundation Models) عمل میکنند، زیرا دسترسی به انرژی خورشیدی نامحدود، هزینه اجرای مدلهای فوقالعاده بزرگ را از لحاظ انرژی توجیهپذیر میسازد. ارتباطات توسط شبکههای لیزری چندلایه پوشش داده میشود و تأخیر برای اکثر کاربردها قابل مدیریت است.
سناریوی واقعبینانه (2035)
دیتاسنتر فضایی به عنوان یک راهحل بسیار تخصصی و گرانقیمت برای کارهای خاص مورد استفاده قرار میگیرد؛ احتمالاً برای پردازشهایی که نیازمند محاسبات بسیار طولانی و انرژیبر هستند (مانند مدلسازیهای آب و هوایی پیچیده یا شبیهسازیهای علمی) که تأخیر ارتباطی برای آنها کمتر اهمیت دارد. در سطح جهانی، راهحلهای زمینی مبتنی بر انرژیهای تجدیدپذیر محلی و بهینهسازی نرمافزاری، همچنان غالب باقی میمانند.
سناریوی بدبینانه (تا 2050)
هزینههای پرتاب با وجود پیشرفتها، به اندازه کافی کاهش نمییابد تا هزینه راهاندازی و نگهداری یک دیتاسنتر فضایی را با ساخت نیروگاههای هستهای کوچک یا مزارع بزرگ خورشیدی زمینی مقایسه کند. چالشهای تابش کیهانی و خرابیهای مکرر قطعات الکترونیکی در محیط خشن فضا، نیاز به تعمیرات یا جایگزینی مکرر (که نیازمند مأموریتهای فضایی پرهزینه است) را تحمیل میکند. بحران انرژی AI به جای حل شدن در فضا، در زمین با محدودیتهای شدید در توسعه مدلهای جدید هوش مصنوعی پاسخ داده میشود.
بخش هفتم: کاربردهای جایگزین و جمعبندی
اگرچه تمرکز اصلی بر حل بحران انرژی AI است، پتانسیل دیتاسنترهای مداری فراتر از این حوزه است.
کاربردهای جایگزین
- محاسبات علمی در مقیاس بزرگ: شبیهسازیهای کیهانشناسی و فیزیک ذرات در محیطی بدون محدودیت انرژی.
- پردازش دادههای حسگر فضایی: تجزیه و تحلیل بلادرنگ دادههای جمعآوری شده از تلسکوپها یا مأموریتهای اکتشافی پیش از ارسال به زمین.
- شبکههای ارتباطی مستقل: ایجاد شبکههای مخابراتی مقاوم در برابر بلایای زمینی.
جمعبندی ژورنالیستی: سراب یا رؤیای تحققیافته؟
ایده دیتاسنتر فضایی یک شاهکار مهندسی بالقوه است که پاسخی مستقیم به محدودیتهای فیزیکی دفع حرارت در زمین میدهد. این ایده نوید دسترسی به انرژی خورشیدی نامحدود را میدهد و میتواند سقف مصرف انرژی هوش مصنوعی را جابهجا کند. با این حال، مسیر تا تحقق کامل آن، مملو از موانع لجستیکی، تابش کیهانی، و اقتصاد پرتاب است. در حال حاضر، این سناریو بیشتر شبیه به یک “نقطه تلاقی جاهطلبانه” است تا یک راهحل عملی کوتاهمدت.
در حالی که غولهای فناوری برای باز کردن مسیرهای پرتاب به سوی فضا سرمایهگذاری میکنند، حقیقت این است که بزرگترین دستاورد در مبارزه با بحران انرژی هوش مصنوعی احتمالاً در همین دهه جاری، در بهبود کارایی نرمافزاری و معماریهای جدید در همین سیاره خاکی رقم خواهد خورد. پردازش فضایی باقی میماند؛ اما به عنوان یک قابلیت تخصصی نه یک راهحل جهانی برای تأمین برق آموزش مدلهای مولد.
پرسشهای متداول (FAQ) درباره دیتاسنترهای فضایی
1. دیتاسنتر فضایی دقیقاً چیست؟
دیتاسنتر فضایی (Space Data Center) یک مرکز پردازش داده است که به جای روی زمین، در مدارهای اطراف زمین (LEO یا GEO) مستقر میشود و عمدتاً از انرژی خورشیدی تغذیه میکند.
2. چرا شرکتها به فکر ساخت دیتاسنتر در فضا هستند؟
هدف اصلی، حل مشکل دفع حرارت شدید ناشی از تراشههای پیشرفته هوش مصنوعی است، زیرا در خلأ فضا، دفع حرارت از طریق تابش بسیار کارآمدتر است. همچنین، دسترسی به انرژی خورشیدی عظیم و پایدار یکی دیگر از مزایا است.
3. بزرگترین مزیت دیتاسنتر فضایی چیست؟
دفع حرارت و دسترسی به انرژی خورشیدی در مقیاس بزرگ. در فضا، تراکم حرارتی بسیار بالاتری را میتوان مدیریت کرد بدون اینکه نگرانی بابت محدودیتهای اکوسیستم یا منابع انرژی زمینی وجود داشته باشد.
4. مهمترین چالش فنی دیتاسنترهای مداری کدام است؟
دفع حرارت از طریق تابش نیازمند رادیاتورهای بسیار بزرگ است، و چالش اصلی دیگر، محافظت از نیمهرساناها در برابر تابشهای کیهانی است که میتواند باعث خرابی سختافزار شود.
5. تأخیر ارتباطی (Latency) در دیتاسنترهای فضایی چقدر است؟
در مدارهای پایین زمین (LEO)، تأخیر رفت و برگشت (RTT) به زمین معمولاً بین چند میلیثانیه تا دهها میلیثانیه خواهد بود که برای برخی کاربردهای بلادرنگ چالشبرانگیز است.
6. آیا دیتاسنتر فضایی میتواند جایگزین تمام دیتاسنترهای زمینی شود؟
خیر، به احتمال زیاد خیر. هزینههای پرتاب، نگهداری و محدودیتهای تأخیر ارتباطی، مانع از آن میشود که دیتاسنترهای فضایی جایگزین عمومی شوند. آنها احتمالاً برای کارهای تخصصی و بسیار پرمصرف استفاده خواهند شد.
7. انرژی مورد نیاز یک AI Data Center فضایی چگونه تأمین میشود؟
از طریق آرایههای گسترده پنلهای خورشیدی که انرژی تولید میکنند. این سیستمها باید دارای سیستمهای باتری بزرگ برای پوشش دورههایی باشند که ماهواره در سایه زمین قرار میگیرد.
8. نقش انویدیا و گوگل در این حوزه چیست؟
این شرکتها به دلیل نیاز شدید به قدرت محاسباتی، در حال بررسی مشارکتها و توسعه معماریهای سختافزاری و نرمافزاری هستند که بتوانند در محیطهای سخت فضایی کار کنند و از منابع انرژی غیرمتعارف بهره ببرند.
9. منظور از “محاسبات مداری” چیست؟
محاسبات مداری (Orbital Computing) به اجرای فرآیندهای پردازش داده و هوش مصنوعی بر روی پلتفرمهای مستقر در مدار زمین اشاره دارد.
10. آیا تابش کیهانی تأثیر قابل توجهی بر عملکرد تراشهها دارد؟
بله. پرتوهای کیهانی میتوانند باعث خرابیهای نرم (SEU) مانند تغییر حالت حافظه یا حتی خرابی سختافزاری شوند، که نیازمند طراحی مدارهای مقاوم در برابر خطا و استفاده از حفاظهای سنگین است.
11. آیا دیتاسنترهای فضایی میتوانند بحران انرژی AI را حل کنند؟
آنها میتوانند مشکل دفع حرارت را برای مدلهای بسیار بزرگ حل کنند و دسترسی به انرژی خورشیدی را فراهم آورند، اما به دلیل هزینههای لجستیکی و نرمافزاری، راهحل اصلی احتمالا در بهینهسازی مصرف انرژی در زمین باقی خواهد ماند.
12. هزینه پرتاب چه نقشی در عملی بودن دیتاسنترهای فضایی دارد؟
هزینه پرتاب (به ازای هر کیلوگرم) عاملی تعیینکننده است. کاهش شدید این هزینهها (مانند آنچه اسپیسایکس هدف قرار داده) برای تبدیل دیتاسنترهای فضایی به یک گزینه اقتصادی ضروری است.
13. آیا ارتباطات لیزری میتواند پهنای باند کافی برای انتقال دادههای سنگین را فراهم کند؟
ارتباطات لیزری (Optical Downlink) پتانسیل پهنای باند بسیار بالایی دارد، اما مدیریت و اطمینان از پایداری لینکهای لیزری متحرک، یک چالش مهندسی پیچیده است.
14. چه زمانی انتظار میرود اولین دیتاسنتر فضایی عملیاتی شود؟
بر اساس خوشبینانهترین سناریوها، شاهد استقرار ماژولهای آزمایشی کوچکتر در اواخر دهه 2020 خواهیم بود، اما دیتاسنترهای در مقیاس بزرگ احتمالا به دهه 2030 موکول خواهند شد.
15. بهینهسازی نرمافزاری چگونه میتواند جایگزین دیتاسنتر فضایی شود؟
تکنیکهایی مانند کوانتیزهسازی مدلها و استفاده از معماریهای تخصصی کممصرف (مانند GPUهای نسل بعدی) میتوانند نیاز کلی به انرژی را به حدی کاهش دهند که نیاز به راهحلهای فضایی پرهزینه منتفی شود.
https://farcoland.com/WHnPeL
کپی آدرس
