Les charges de travail IA qui ont vraiment du sens en orbite

Toutes les tâches d’IA n’ont pas leur place dans l’espace. Le débat du secteur passe souvent de « les data centers peinent sur Terre » à « mettons les GPU en orbite », comme si l’orbite n’était qu’une salle de serveurs plus froide et plus ensoleillée. Pour les charges de travail du calcul spatial, la bonne question est plus étroite : quelles inférences créent davantage de valeur lorsqu’elles s’exécutent à côté du capteur — ou d’un autre engin spatial — que lorsqu’elles attendent le prochain passage au-dessus d’une station sol ?

Ce guide de référence distingue l’IA edge spatiale qui repose déjà sur une logique physique et économique des charges de travail qui relèvent encore des clouds terrestres. Le modèle qui s’impose n’est pas « entraîner GPT en orbite basse ». C’est l’inférence IA par satellite pour le tri, les alertes, la compression et l’autonomie — associée, si nécessaire, à des relais optiques et à des archives au sol.

Le goulet d’étranglement n’est pas l’imagination, c’est le tuyau

Les instruments modernes d’observation de la Terre (EO) peuvent collecter bien plus de données qu’un satellite type en orbite basse ne peut en transmettre pendant de courtes fenêtres de contact. Les publications universitaires et techniques sur le calcul edge orbital décrivent sans cesse la même contrainte : des contacts sol intermittents qui se comptent en minutes, des files d’attente disputées quand de nombreux satellites partagent les mêmes stations, et des liaisons descendantes « premier entré, premier sorti » qui laissent des scènes nuageuses sans valeur retarder les plus urgentes. Des cadres de recherche comme EARTHSIGHT (MLSys 2026) résument sans détour la chaîne traditionnelle — tout capturer, tout transmettre, analyser plus tard — et notent que des délais de bout en bout de plusieurs heures à plusieurs jours sont courants lorsque l’imagerie brute attend son tour.

Des liaisons descendantes optiques plus rapides aident, mais elles ne suppriment pas l’intérêt de l’intelligence embarquée. La météo au-dessus des stations sol optiques, la géométrie de pointage, les limites de stockage et les exigences de latence des clients plaident toujours pour décider quelles données partent en premier. La série Φsat de l’Agence spatiale européenne repose sur cette idée : utiliser l’IA à la source pour que la bande passante limitée transporte de l’information exploitable plutôt que des pixels opaques.

Catégorie 1 — Inférence et filtrage EO à bord

Détection des nuages et tri des scènes

Φsat-1 de l’ESA (dans le cadre de la mission FSSCat, lancée en 2020) a démontré l’inférence IA accélérée par matériel sur de l’imagerie hyperspectrale grâce à la technologie Ubotica, reposant sur un processeur de vision Intel Movidius Myriad 2. L’ESA et Ubotica ont fait état d’une détection automatique des nuages réussie, qui classait les scènes en nuageuses ou exploitables afin que seules les images pertinentes soient prioritaires pour la transmission. C’est la victoire type de l’IA edge spatiale : un classifieur peu coûteux empêche des données sans valeur de consommer un temps radio rare.

Φsat-2, un CubeSat 6U lancé le 16 août 2024 lors d’un vol partagé SpaceX Falcon 9, a prolongé l’idée. L’ESA décrit un imageur multispectral (sept bandes plus un canal panchromatique) et une série d’applications IA embarquées : détection et classification des nuages (développée avec KP Labs), configurée comme un service que d’autres applications embarquées peuvent appeler ; génération de cartes routières à partir d’images pour évaluer l’accessibilité des routes en cas d’urgence (Sat2Map de CGI, démontrée au-dessus de l’Asie du Sud-Est) ; détection de navires pour la surveillance, par exemple de la pêche illégale ; compression d’image profonde ; ainsi que des applications issues d’un concours pour la détection de la pollution marine et des feux de forêt. Open Cosmos a piloté la plateforme ; la pile CogniSAT SPACE :AI d’Ubotica a fourni la puissance de calcul IA. La mission ne se présente pas comme « remplacer le cloud au sol », mais comme une « observation plus intelligente » : écarter ou rétrograder les images inutiles, réduire la taille des fichiers et produire des données que les secours peuvent utiliser plus tôt.

Détection d’objets et d’événements (navires, incendies, inondations, anomalies RF)

Une fois les masques de nuages disponibles, l’étape suivante naturelle consiste à détecter des événements : des navires dans une zone, des points chauds compatibles avec un feu de forêt, des routes inondées, des émetteurs radio. Spire Global a décrit des modules IA/apprentissage automatique embarqués qui retraitent les données radiofréquence avant transmission — par exemple en extrayant les messages AIS par traitement du signal classique, puis en appliquant l’apprentissage automatique pour récupérer des messages supplémentaires dans les zones à fort trafic maritime. Le programme « Brain in Space » de Spire (soutenu par le programme Earth Observation Science for Society et le Φ-lab de l’ESA) a créé un banc d’essai au sol reproduisant la plateforme LEMUR 3U afin que les clients puissent programmer et tester des applications d’IA edge — signe institutionnel que l’inférence IA par satellite devient une offre produit, et pas seulement une démonstration.

Les opérateurs commerciaux de radar à synthèse d’ouverture (SAR) comme Capella Space privilégient toujours la transmission chiffrée vers des environnements cloud (par exemple AWS GovCloud) pour la génération complète des produits, tout en s’associant à des partenaires pour l’analyse IA au sol. Ce modèle hybride est instructif : une collecte tous temps n’implique pas automatiquement un deep learning embarqué tous temps. Les gros produits SAR, les chaînes d’étalonnage et les SLA clients favorisent souvent encore les chaînes terrestres, les étapes embarquées étant réservées à la priorisation ou aux aperçus rapides lorsque l’énergie et le calcul le permettent.

« Résumer d’abord, télécharger ensuite »

Des travaux présentés autour d’IGARSS 2026 explorent des modèles vision-langage quantifiés embarqués qui transmettent d’abord de courts résumés de scène en langage naturel, répondent ensuite à des questions visuelles ciblées, et ne récupèrent l’imagerie pleine résolution qu’une fois sa pertinence confirmée. Les évaluations sur du matériel edge de classe Jetson sont des résultats de laboratoire, pas des statistiques de flotte — mais le protocole correspond à la réalité opérationnelle : transformer la liaison descendante en dialogue plutôt qu’en lance à incendie. Les économies de bande passante annoncées sont des résultats expérimentaux, pas des indicateurs garantis pour une constellation.

Catégorie 2 — Relais en orbite, filtrage en maillage et cloud espace-espace

L’inférence à bord du satellite collecteur ne représente que la moitié de l’architecture. L’autre moitié consiste à faire transiter des produits déjà réduits par des réseaux spatiaux afin qu’ils atteignent les utilisateurs sans attendre le prochain passage du collecteur au-dessus d’une station sol.

Les constellations de relais optiques de données, comme le réseau de Kepler Communications, sont conçues pour ce saut. Kepler a décrit publiquement des liaisons optiques intersatellites compatibles SDA, un réseau maillé IP en orbite et des services commerciaux de relais optique après le lancement de sa tranche de janvier 2026 et sa mise en service (annonces de l’entreprise). Les documents de l’entreprise évoquent des débits optiques bidirectionnels allant de liaisons de classe gigabit vers des débits plus élevés (jusqu’à 2,5 Gbit/s selon des fiches techniques antérieures et jusqu’à 100 Gbit/s comme capacité future ou d’extension — des spécifications fournisseur, pas des mesures indépendantes). Les nœuds Orbital Data Center d’Axiom Space ont été décrits comme s’appuyant sur l’infrastructure optique de Kepler, de sorte que stockage et calcul se trouvent sur la trame de relais — utile pour le PED (traitement, exploitation, diffusion) de flux multisatellites, pour des fonctions cyber de terminaison et pour l’IA/apprentissage automatique au service d’actifs spatiaux qui ne doivent pas dépendre d’un chemin via un cloud terrestre.

Le discours de Starcloud sur ses premiers clients met lui aussi l’accent sur l’inférence sur l’imagerie d’observation de la Terre (par exemple des données issues de Capella, selon l’entreprise et la presse) et sur les utilisateurs espace-espace, avant les chatbots terrestres grand public. Dans l’interview accordée à McKinsey en mai 2026, le PDG de Starcloud a présenté la demande à court terme comme de l’inférence à bord pour d’autres engins spatiaux, à prix premium, l’inférence terrestre tolérante à la latence venant ensuite — en excluant explicitement les niches à ultra-faible latence comme le trading haute fréquence (positionnement de l’entreprise).

Les réseaux de clusters IA en orbite — des liaisons optiques en espace libre entre nœuds de calcul — comptent lorsqu’un seul petit satellite ne peut pas héberger le modèle. Les recherches de Google sur Project Suncatcher soutiennent qu’une bande passante est-ouest de classe data center pourrait exiger des formations très serrées pour que les bilans de liaison optique tiennent (estimations de Google Research : dizaines de térabits par seconde et séparations d’un kilomètre ou moins). Il s’agit d’une conception à long terme pour des clusters TPU distribués, pas d’une exigence pour le CubeSat de détection de nuages d’aujourd’hui. Pour les charges de travail du calcul spatial actuelles, « réseau de clusters » désigne plus souvent des maillages de relais et des réseaux de programmation des tâches qu’une architecture Clos complète dans le vide.

Catégorie 3 — Autonomie, reprogrammation et surveillance de l’état

L’IA edge justifie aussi sa masse embarquée lorsqu’elle ferme une boucle de contrôle qui ne peut pas attendre la Terre :

• Reprogrammation des capteurs : si un détecteur de feux de forêt se déclenche, réorienter le prochain collecteur de la constellation qui survole la zone ou relever sa priorité.
• Compression adaptée à la qualité : consacrer les bits aux tuiles nettes et sans nuages ; sacrifier la brume.
• Détection de pannes : classer les anomalies de télémétrie avant un passage afin que les opérateurs reçoivent une liste de surveillance plutôt qu’un vidage brut.
• Edge pour l’équipage et la science en station : les missions Spaceborne Computer de la NASA et de HPE sur l’ISS ont montré que des serveurs commerciaux peuvent exécuter des charges significatives en orbite grâce à une résilience fondée sur le logiciel ; Spaceborne Computer-2 a ajouté une accélération de classe GPU pour des tâches de type apprentissage automatique et un délestage hybride vers le cloud terrestre (descriptions publiques de HPE et de la NASA). C’est du calcul edge au service de la latence de l’exploration, pas un modèle pour des fermes d’entraînement hyperscale.

La sélection dynamique de modèles sous contraintes d’énergie et d’échéance — étudiée dans des recherches SmallSat comme RADMA sur des charges utiles Coral Edge TPU — est un autre thème durable : les politiques statiques du type « toujours exécuter le plus gros CNN » gaspillent de l’énergie ou manquent des passages ; les ordonnanceurs qui choisissent la largeur et la profondeur du modèle en fonction de l’énergie prévue et des fenêtres de contact augmentent le nombre d’inférences correctes dans des études de simulation (les pourcentages publiés sont expérimentaux, pas des garanties en vol).

Ce qui n’a pas de sens en orbite (pas encore — voire jamais, pour certaines tâches)

L’entraînement de modèles à grande échelle et l’entraînement distribué fortement couplé

L’entraînement des modèles de fondation repose sur des réseaux est-ouest de plusieurs térabits, des remplacements matériels rapides et des ingénieurs qui peuvent entrer dans une salle. L’orbite n’offre rien de tout cela de façon courante. Des démonstrations ponctuelles — comme l’entraînement d’un petit modèle de type NanoGPT sur le GPU de classe H100 de Starcloud-1 (selon l’entreprise et la presse) — prouvent que des accélérateurs commerciaux peuvent exécuter du code d’apprentissage en orbite basse. Elles ne prouvent pas que l’orbite soit un lieu d’entraînement compétitif. Gardez l’entraînement sur Terre ; faites voler des graphes d’inférence distillés ou quantifiés.

Les systèmes interactifs à ultra-faible latence

Tout ce qui exige des réponses en quelques millisecondes ou quelques dizaines de millisecondes pour des utilisateurs terrestres — certaines piles de trading, le cloud gaming, les boucles fermées industrielles au sol — relève de l’edge terrestre, au plus près de l’utilisateur. L’orbite basse ajoute de la variabilité de propagation, d’ordonnancement et de transfert entre satellites. Le positionnement public de Starcloud elle-même (estimation et positionnement de l’entreprise) exclut les usages sous ~50 ms et note que de nombreuses applications destinées aux humains tolèrent de l’ordre de ~200 ms ; même cela suppose une infrastructure sol en bon état et ne fait pas de l’orbite l’option par défaut.

Les archives de qualité scientifique et les produits retraitables de niveau 2 et plus

Les pratiques de la NASA en matière de niveaux de traitement existent pour une bonne raison. La correction atmosphérique, l’étalonnage croisé, la traçabilité et le retraitement pluriannuel exigent de gros volumes de stockage, des chaînes expertes et des jeux de données de référence. L’IA embarquée peut émettre des alertes et des aperçus rapides ; elle ne doit pas supprimer en silence l’unique copie des données brutes ou peu traitées que la science et les marchés de l’assurance voudront réanalyser plus tard. Règle hybride : trier en orbite, archiver au sol (ou dans des services de stockage hors de la Terre choisis délibérément lorsque la souveraineté l’exige).

« Déplacer toute la région hyperscale en SSO parce que le solaire est gratuit »

L’ensoleillement continu en orbite héliosynchrone aube-crépuscule et le refroidissement radiatif sans eau sont des avantages physiques réels évoqués par Google Suncatcher et Starcloud (présentation de l’entreprise et de la recherche). Ils n’effacent ni la surface des radiateurs, ni le coût du lancement au kilogramme, ni les cycles de remplacement de l’ordre de cinq ans (estimation de Starcloud pour ses premières générations), ni le coût des liaisons descendantes. Tant que ces coûts ne passent pas sous les seuils de compétitivité publiés — Starcloud a cité environ 500 $/kg au lancement comme point de bascule (estimation de l’entreprise), Google Research a esquissé moins d’environ 200 $/kg d’ici le milieu des années 2030 comme scénario —, l’inférence hyperscale généraliste reste un problème terrestre avec des compléments orbitaux, pas un déménagement en bloc.

La confiance aveugle dans des modèles embarqués sans voies de validation

Un masque de nuages erroné gaspille un passage ; un détecteur de navires défaillant peut créer un risque opérationnel ou juridique. Les déploiements edge ont besoin de canaux de mise à jour, d’une télémétrie sur les taux de faux positifs et de faux négatifs, et de la possibilité de revenir à la transmission brute lorsque la confiance est faible. Les architectures de type Φsat, où l’on peut « téléverser des applications », aident, mais la gouvernance fait partie intégrante de la définition de la charge de travail.

Une liste de contrôle pratique

Recourez à l’orbite pour l’IA lorsque la plupart de ces conditions sont réunies :

1. Les données naissent dans l’espace (EO, RF, capteurs du domaine spatial) et l’alternative est une liaison descendante saturée.
2. La valeur se dégrade en quelques minutes ou heures, pas en jours (réponse aux catastrophes, activités maritimes non déclarées, détection et pointage croisés « tip-and-cue »).
3. Le modèle est dimensionné pour l’inférence dans les limites SWaP-C : classifieurs de vision, détecteurs, compresseurs, petites têtes de langage ou de vision — pas des entraînements complets.
4. Les résultats sont petits par rapport aux entrées : masques, boîtes englobantes, embeddings, alertes, tuiles compressées, vecteurs cartographiques.
5. Un chemin sol ou relais existe pour livrer le produit au décideur (directement vers les terminaux utilisateurs, par relais optique ou au passage suivant).
6. Les données brutes ou intermédiaires peuvent toujours être archivées lorsque l’audit et la science l’exigent.

Gardez la tâche sur Terre dans le cas inverse : archives massives réutilisables, entraînement lourd, ultra-faible latence pour des utilisateurs au sol, ou modèles qui changent chaque semaine et exigent une exploitation sur place.

Comment les pièces s’assemblent

Raisonnez en couches, pas en slogans :

• Edge capteur (sur le collecteur) : détection de nuages de type Φsat, détecteurs de navires et d’incendies, apprentissage automatique RF à la Spire, compression.
• Edge réseau (relais et ODC) : maillages optiques de type Kepler, nœuds de data centers orbitaux à la Axiom, inférence hébergée pour les satellites de plusieurs clients.
• Cloud terrestre : étalonnage, archives, entraînement des modèles, analyses lourdes, revue humaine.
• Couche de calcul future, optionnelle : de plus grands clusters GPU/TPU orbitaux pour l’inférence tolérante à la latence si l’économie du lancement et de la thermique mûrit (feuilles de route de Starcloud et de Google — des estimations, pas des garanties).

Liaisons optiques et IA embarquée sont complémentaires. Des tuyaux plus rapides réduisent le besoin d’écarter des données ; l’IA embarquée décide toujours des priorités et permet l’autonomie lorsque le tuyau est fermé. Les travaux de recherche et les commentaires d’opérateurs (y compris les analyses de New Space Economy comparant calcul orbital et liaisons descendantes optiques) convergent vers ce modèle hybride, pas vers un choix binaire.

En résumé

L’IA edge spatiale est déjà une catégorie opérationnelle : filtrer les nuages, détecter des événements, compresser intelligemment, reprogrammer les capteurs et relayer les informations utiles via des maillages optiques. L’inférence IA par satellite se justifie lorsqu’elle allège le tuyau ou raccourcit la boucle. Les charges de travail du calcul spatial qui ignorent le tuyau — gros entraînements, régions de chat hyperscale, expérience utilisateur terrestre à la milliseconde — restent des projets scientifiques ou des diapositives marketing.

Concevez pour l’hybride. Faites voler le modèle adapté à la fenêtre de contact. Transmettez les données de référence que vous devez conserver. Et mesurez le succès en minutes jusqu’à l’information utile et en bits par décision — pas en fonction de qui a lancé le plus gros GPU en premier.

À lire aussi

• Data centers orbitaux pour l’IA : promesses, physique et épreuve des coûts
• Edge incarné : quand robots et véhicules doivent inférer sans le cloud
• L’IA embarquée en 2026 : NPU, modèles locaux et ce qui exige encore le cloud

< !– Schema.org NewsArticle (CF_SEO) — image paths relative to draft ; replace with absolute CDN URLs at publish –>

Images : illustrations originales créées pour AndBeyond.Tech ; aucun logo ni aucune personne réelle n’y figurent.