В то время как человечество нацелилось на разработку сетей шестого поколения, зона ключевых технологических противостояний, вероятно, переместится за пределы планеты — в космическое пространство.
Хотя коммерческая эксплуатация 6G запланирована ориентировочно на 2030 год, научное сообщество уже сегодня активно пересматривает подходы к глобальному использованию искусственного интеллекта.
МСЭ (Международный союз электросвязи) обозначил перспективные направления применения 6G, среди которых — симбиоз ИИ и коммуникационных технологий, а также всеобъемлющее покрытие связью. Это знаменует эволюцию сетей от простых передатчиков данных к многофункциональным системам.
Главная сложность заключается в обеспечении стабильной работы ИИ‑сервисов в труднодоступных, удалённых и слабо охваченных инфраструктурой районах.
Наземные сети сами по себе вряд ли смогут справиться с этой задачей, особенно в условиях постоянного роста ресурсоёмкости ИИ‑приложений и их требовательности к скорости отклика.
Учёные из Университета Гонконга и Сидяньского университета предложили нестандартный выход из ситуации. Они разработали гибридную систему SGIN (интегрированные космические и наземные сети), которая совмещает периферийный ИИ с орбитальной инфраструктурой. В этой архитектуре спутники выполняют двойную функцию: служат и каналами связи, и вычислительными платформами.
Концепция, названная «искусственным интеллектом для взаимодействия между космосом и землёй», призвана преодолеть два ключевых барьера: высокую скорость перемещения спутников и ограниченную пропускную способность каналов связи между орбитой и поверхностью планеты. Именно эти факторы ранее сдерживали внедрение ИИ в космических системах.
ИИ в движении: принцип текучести
За основу взята аналогия с водой, свободно преодолевающей любые границы. Система Space–Ground Fluid обеспечивает плавный обмен данными и моделями ИИ между орбитальными аппаратами и наземными центрами.
По сути, это эволюция классических двумерных периферийных ИИ‑архитектур — их пространственное расширение.
В основе платформы лежат три инновационных метода:
- адаптивное обучение;
- адаптивный вывод;
- адаптивная загрузка моделей.
Каждый из них нацелен на поддержание бесперебойной работы ИИ‑сервисов, несмотря на динамичность спутников и нестабильность соединения.
Fluid Learning: ускорение обучения
Эта технология сокращает временные затраты на обучение моделей благодаря федеративной схеме, не требующей сложной инфраструктуры.
Система обходится без дорогостоящих межспутниковых каналов и разветвлённой сети наземных станций. Вместо этого она использует орбитальное движение аппаратов для распределения и смешивания параметров модели по разным регионам.
Таким образом, мобильность спутников превращается из проблемы в преимущество, способствуя более быстрой сходимости алгоритмов и повышению точности тестирования.
Fluid Inference: оперативность решений
Данный подход оптимизирует работу ИИ в реальном времени. Нейросети разбиваются на каскадные подмодели, размещённые как на спутниках, так и на наземных узлах.
Это даёт возможность гибко подстраивать процессы логического вывода под текущие вычислительные ресурсы и качество связи. Для балансировки задержек и точности применяются стратегии досрочного завершения операций.
Спутники как вычислительные центры
Третий компонент системы — динамическая загрузка моделей — отвечает за эффективную доставку ИИ‑решений конечным пользователям. Вместо хранения полных моделей на борту спутников кэшируются лишь ключевые блоки параметров.
Эти фрагменты передаются через межспутниковые каналы, что:
- повышает эффективность кэширования;
- сокращает время загрузки.
Многоадресная рассылка повторно используемых параметров ещё больше оптимизирует процесс: несколько устройств могут одновременно получать одни и те же компоненты ИИ, экономя ресурсы.
Препятствия и пути их преодоления
Внедрение ИИ в космическую среду сталкивается с рядом вызовов:
- интенсивное радиационное воздействие;
- ограниченные и нестабильные источники энергии.
Для решения этих проблем исследователи делают акцент на:
- использовании радиационно‑стойкого оборудования;
- внедрении отказоустойчивых вычислительных алгоритмов;
- оптимизации планирования задач с учётом энергопотребления.
Перспективы развития
В будущем команда планирует сосредоточиться на нескольких ключевых направлениях:
- энергоэффективный ИИ для жидкостных систем;
- ИИ с минимальной задержкой;
- защищённый ИИ.
Каждая из этих областей нацелена на поиск оптимального баланса между производительностью, надёжностью и безопасностью.
Благодаря предсказуемым траекториям спутников и цикличности их орбитального движения, ИИ‑системы «космос — земля» способны стать фундаментом для глобального периферийного интеллекта в эпоху 6G.