Elon Musk ha lanciato l’ennesima previsione roboante: «Il posto più economico per l’AI sarà lo spazio, e sarà vero entro due, massimo tre anni». Parole pronunciate al World Economic Forum di Davos mentre SpaceX preparava la quotazione in borsa e depositava presso la FCC la richiesta per una costellazione fino a un milione di satelliti in orbita bassa, tra i 500 e i 2.000 chilometri di altitudine. Tre giorni prima dell’IPO, in un’intervista video, ha persino abbozzato le specifiche del satellite AI-1. Seguono i soliti paragoni: auto a guida completamente autonoma entro il 2017, prima missione umana su Marte nel 2024, 10.000 robot Optimus entro fine 2025. La storia insegna a prendere con le pinze le scadenze del fondatore di SpaceX.

La fisica non si quota in borsa

Il raffreddamento di una singola GPU Nvidia H100 nello spazio è un problema concreto. Assorbe 700 watt e richiede un radiatore di 1,4 metri quadrati a 60 °C per dissipare il calore. Un rack da 40 kilowatt avrebbe bisogno di 80 metri quadrati di superficie radiante; un data center da 100 megawatt necessiterebbe di 2.500 radiatori di quella taglia. Starcloud, startup che ha inviato un H100 in orbita, ha scoperto che il suo radiatore era troppo debole per far funzionare il chip a piena potenza, come ricorda Dina Genkina, computing and hardware editor di IEEE Spectrum. E la produzione? Oggi SpaceX sforna circa 4.000 satelliti Starlink all’anno. Anche moltiplicando per dieci la capacità, per costruire un milione di satelliti servirebbero 25 anni. Con il ritmo record di 165 lanci orbitali del 2025, e ipotizzando uno Starship che trasporti 60 satelliti per volta, servirebbero oltre 16.000 lanci dedicati: dieci volte tanto, anche accelerando, si parla di un decennio.

La scommessa degli analisti

Michael Pierce di Technology Strategy Partners ritiene che la parità di costo con i data center terrestri possa arrivare in 5-10 anni, non nei 2-3 promessi. La rete di collegamenti laser Starlink già esiste e rappresenta un vantaggio infrastrutturale che nessun nuovo entrante può replicare rapidamente. Il design agnostico rispetto al chip, secondo Pierce, riflette tanto la difficoltà di approvvigionamento di silicio AI quanto una filosofia modulare. L’unica applicazione realistica nel breve termine sarebbe una costellazione per inference; il training distribuito difficilmente tollererebbe i vincoli di sincronizzazione e latenza. Matt Hasan, stratega AI indipendente, aggiunge che l’annuncio di AI-1 non stravolge le ragioni di fondo ma segnala lo spostamento da discussione teorica a decisioni di ingegneria e allocazione di capitale. Le vere incognite restano i costi di lancio, la manutenzione, la sostituzione dell’hardware, la gestione termica e il profilo di latenza per carichi sensibili.

Per chi guarda all’on-premise: terra, non spazio

Per chi valuta infrastrutture locali per LLM, il sogno orbitale serve da utile cartina al tornasole. I vincoli non sono molto diversi: energia, smaltimento termico, approvvigionamento hardware. La differenza è che a terra esiste già un ecosistema maturo per deployment on-premise, con opzioni di raffreddamento ad aria, liquido o immersione, e con la possibilità di controllare la residenza dei dati. SpaceX spera che il calcolo spaziale sia più veloce da attivare rispetto alla costruzione di nuovi data center terrestri, ma la realtà dei fatti suggerisce che per la stragrande maggioranza delle organizzazioni, l’urgenza di potenza di calcolo si risolve ancora con server montati in rack, non in orbita. AI-RADAR offre framework analitici su /llm-onpremise per chi deve soppesare trade-off tra cloud e infrastruttura proprietaria, e la priorità della sovranità dei dati – concetto che lassù, al di fuori di qualsiasi giurisdizione terrestre, assume contorni decisamente fumosi.