Nel dibattito sulle reti 6G, l’orizzonte temporale del 2030 continua a fare da riferimento, mentre l’attenzione della ricerca si sposta progressivamente oltre l’atmosfera. Secondo la visione dell’International Telecommunication Union, le comunicazioni di prossima generazione dovranno integrare in modo nativo l’AI e garantire connettività diffusa. Le reti terrestri, però, mostrano limiti strutturali quando si parla di oceani, regioni isolate e territori poco infrastrutturati, soprattutto per applicazioni intelligenti sensibili alla latenza. Da qui nasce l’interesse verso lo spazio come estensione naturale dell’infrastruttura digitale, non più semplice supporto ma parte attiva del sistema.
Uno studio accademico propone una nuova visione ove i satelliti vengono descritti come nodi di edge computing. Questi nodi sono capaci di elaborare modelli di AI direttamente in orbita. Questo paradigma, definito space–ground fluid AI, introduce l’idea di un’intelligenza che scorre in modo continuo tra cielo e terra. Con l’integrazione dell’AI, le caratteristiche tipiche dei sistemi satellitari vengono trattate come risorse. Queste caratteristiche includono l’elevata velocità orbitale e i collegamenti intermittenti. L’addestramento dei modelli, attraverso il cosiddetto fluid learning, sfrutta il movimento dei satelliti. Questo avviene per diffondere parametri e aggiornamenti senza dipendere da reti dense di stazioni o collegamenti inter-satellitari permanenti. La dinamica orbitale diventa così parte del processo di apprendimento distribuito.
Inferenza fluida e limiti fisici
Per l’uso operativo entra in gioco il fluid inference, che prevede la suddivisione delle reti neurali tra spazio e terra. Una parte dell’elaborazione avviene in orbita, mentre il resto viene completato a terra. Questo avviene adattandosi in tempo reale alle risorse disponibili. Meccanismi di uscita anticipata permettono di ridurre la latenza quando serve, mantenendo livelli di accuratezza adeguati a vari contesti. Questi contesti includono il monitoraggio ambientale, la guida autonoma o le comunicazioni di emergenza.
A questo si affianca il fluid model downloading, basato sulla distribuzione selettiva dei parametri lungo le orbite. Questo porta benefici in termini di efficienza spettrale e tempi di accesso. Restano vincoli tecnici rilevanti, legati a radiazioni, alimentazione discontinua e affidabilità dell’hardware. Lo studio indica soluzioni come componenti resistenti e calcolo tollerante ai guasti. Inoltre, suggerisce pianificazione energetica basata su traiettorie prevedibili. In questo scenario, l’integrazione fluida di AI viene descritta come un tassello decisivo. Questa integrazione è fondamentale per portare servizi intelligenti su scala davvero globale, con l’AI a guidare l’evoluzione tecnologica.
