Un foundation model géospatial tourne pour la première fois à bord d'un satellite en orbite

Jusqu'ici, faire tourner un foundation model géospatial sur une image satellite supposait un détour obligé par le sol : l'image est acquise en orbite, puis transmise à une station de réception, avant d'être traitée dans un centre de calcul terrestre. Une équipe associant l'université d'Adelaide, l'Agence spatiale européenne (ESA), Thales Alenia Space et le SmartSat Cooperative Research Centre vient de démontrer qu'on peut sauter cette étape : Prithvi, le modèle de fondation géospatial développé par la NASA et IBM, a été déployé et exécuté directement à bord de deux plateformes en orbite.

Le goulot d'étranglement que l'IA embarquée cherche à supprimer

Pour des usages sensibles au temps comme la cartographie d'une inondation ou la détection d'un départ de feu, le délai entre l'acquisition d'une image et la disponibilité d'une information exploitable pèse lourd. Ce délai vient rarement du capteur lui-même, mais de la chaîne de traitement : temps d'attente pour un passage en visibilité d'une station sol, bande passante de la liaison descendante, puis file d'attente de calcul avant que l'image ne soit analysée. Traiter l'image directement dans le satellite, ou à bord d'une plateforme en orbite, permet en théorie de produire un résultat exploitable avant même que l'image brute n'ait quitté l'espace.

Prithvi, un foundation model déjà connu au sol

Prithvi n'est pas un nouveau modèle. Développé par une équipe de data scientists d'IBM et de l'équipe IMPACT AI de la NASA, au sein de l'Office of Data Science and Informatics du Marshall Space Flight Center à Huntsville, il a été entraîné sur treize années de données du jeu Harmonized Landsat and Sentinel-2 (HLS). Jusqu'à présent, son usage restait celui de tout foundation model de télédétection : un modèle pré-entraîné, mobilisé depuis une infrastructure de calcul au sol pour des tâches de classification, de détection de changement ou de cartographie. Ce qui change ici, ce n'est donc pas le modèle, mais l'endroit où il s'exécute.

Deux plateformes, un même modèle compressé

La démonstration a consisté à téléverser une version compressée de Prithvi sur deux environnements de calcul en orbite très différents : le satellite Kanyini, opéré par le gouvernement d'Australie-Méridionale, et IMAGIN-e (ISS Mounted Accessible Global Imaging Nod-e), un payload de Thales Alenia Space installé à bord de la Station spatiale internationale. Sur ces deux plateformes, l'équipe a testé les performances du modèle sur deux tâches concrètes : la détection d'inondations et la détection de nuages.

Faire tourner le même modèle, dans une version compressée, sur deux plateformes aussi différentes qu'un petit satellite dédié et un payload installé sur l'ISS n'est pas un détail technique secondaire. Cela démontre une forme de portabilité : le modèle n'a pas été conçu sur mesure pour un unique calculateur embarqué, ce qui conditionne sa capacité à être repris par d'autres missions à l'avenir.

Pourquoi la compression compte autant que la précision

La puissance de calcul et l'énergie disponibles à bord d'un satellite n'ont rien à voir avec celles d'un centre de données terrestre. Faire tenir un foundation model dans cette enveloppe de contraintes, sans perdre l'essentiel de sa capacité de détection, est un exercice d'ingénierie à part entière, distinct de l'entraînement du modèle lui-même. C'est ce compromis entre compacité et performance qui détermine si l'IA embarquée reste un exercice de démonstration ou devient un outil opérationnel : un modèle trop dégradé par la compression ne vaut plus la peine d'être exécuté en orbite plutôt qu'au sol.

Ce que ça change pour la conception de systèmes de télédétection

Pour qui conçoit une chaîne de traitement en télédétection, cette démonstration ouvre une option de conception supplémentaire, à mettre en balance avec l'approche classique : plutôt que de redescendre toute l'image brute, un satellite pourrait ne transmettre au sol qu'un résultat déjà interprété, ou ne prioriser la transmission que des tuiles jugées pertinentes par un modèle embarqué. Cela ne remplace pas les foundation models exécutés au sol, qui restent nécessaires pour l'entraînement et les tâches ne nécessitant pas une réponse immédiate, mais cela ouvre un cas d'usage complémentaire pour tout ce qui touche à l'urgence : inondation, feu de forêt, ou tout événement où chaque heure de délai a un coût.

À suivre

Cette démonstration porte sur deux tâches précises, inondation et nuages, sur deux plateformes de test. Le passage à l'échelle, vers d'autres tâches de détection utiles à la gestion des ressources naturelles et vers des constellations opérationnelles plutôt que des payloads de démonstration, reste à observer. C'est néanmoins un jalon à noter pour quiconque suit de près la convergence entre foundation models et observation de la Terre : la question n'est plus seulement de savoir ce qu'un modèle peut apprendre, mais où il peut s'exécuter.