1. Naslov in uvod
Največja ovira pri raziskovanju vesolja niso več rakete ali zrcala, temveč isti grafični procesorji, ki poganjajo vaš priljubljeni klepetalni robot. Nove vesoljske in zemeljske opazovalnice bodo v naslednjih letih ustvarile petabajte podatkov, astronomi pa se bodo za obdelavo teh podatkov morali boriti za GPU-je z velikimi AI laboratoriji in oblačnimi velikani. To ni le tehnična zanimivost, temveč resno vprašanje za javno znanost – tudi v Sloveniji. V nadaljevanju analiziram, kaj pomenijo misije Roman, Webb in Rubin za globalno pomanjkanje GPU‑jev ter kje v tej sliki stoji Evropa.
2. Novica na kratko
Kot poroča TechCrunch, namerava NASA septembra 2026 v orbito poslati vesoljski teleskop Nancy Grace Roman, približno osem mesecev pred načrtovanim rokom. Roman naj bi v času delovanja ustvaril okoli 20.000 terabajtov podatkov. To se pridružuje približno 57 GB slik na dan, ki jih trenutno pošilja James Webb, ter prihajajočemu nebu pregledu Observatorija Vere C. Rubin v Čilu, od katerega pričakujejo okoli 20 TB podatkov na noč. Za primerjavo: Hubble je dolga leta zagotavljal le 1–2 GB meritev dnevno.
Astronomi se za obdelavo takšnih količin podatkov vse bolj zanašajo na GPU-je in globoko učenje. TechCrunch izpostavlja delo astrofizika Branta Robertsona z Univerze v Kaliforniji v Santa Cruzu, ki že petnajst let sodeluje z Nvidio in je so‑avtor modela Morpheus za prepoznavanje galaksij v velikih podatkovnih nizih. Morpheus prehaja s konvolucijskih mrež na transformerje, poleg tega pa Robertson razvija generativne modele za izboljšanje slik zemeljskih teleskopov. Njegov grozd GPU-jev, zgrajen s podporo Nacionalne znanstvene fundacije ZDA, pa hitro zastareva, medtem ko povpraševanje in politični pritiski na znanstveno financiranje naraščajo.
3. Zakaj je to pomembno
Sodobna vesoljska tekma je vse bolj tekma v računski moči. Misije Roman, Webb in Rubin drastično povečujejo količino in kompleksnost astronomskih podatkov, vendar za njimi ne stojijo avtomatično zagotovljeni GPU‑ji za obdelavo. Tu je osnovni problem: infrastruktura za izstrelitev satelita je javno financirana, infrastruktura za razumevanje podatkov pa je pogosto v zasebnih rokah.
Od tega imajo neposredno korist veliki proizvajalci čipov, hiperskalaška oblaka in največji AI laboratoriji, ki si lahko privoščijo preplačati najnovejše GPU‑je in si zagotoviti dolgoročne dobave. Delno bodo profitirala tudi podjetja, ki znajo znanstvene algoritme prilagoditi omejenim resursom – optimizacija modelov, pametnejše razporejanje in kompresija postajajo donosne niše.
Na izgubi je javna znanost, predvsem izven nekaj elitnih inštitutov. Če ste astrofizik na srednje veliki univerzi – recimo v Ljubljani ali Gradcu – se naenkrat za iste GPU‑je potegujete z globalnimi podjetji. Zamude pri obdelavi podatkov pomenijo počasnejše objave, izgubljene priložnosti pri prehodnih dogodkih in slabše izhodišče za mlade raziskovalce.
To poglablja neenakost v znanosti: bogate ustanove v ZDA ali na severu Evrope si lahko privoščijo najem oblaka, manjše fakultete v vzhodni in južni Evropi ali globalnem jugu pa veliko težje. Če napredna analiza zahteva večmilijardne modele, postane računska moč nova oblika znanstvenega elitizma.
4. Širša slika
Dogajanje v astronomiji se lepo vpenja v tri širše trende.
Prvič, globalno pomanjkanje GPU‑jev. Razcvet velikih jezikovnih modelov je ustvaril kronično premajhno ponudbo zmogljivih pospeševalnikov. Ponudniki oblaka uvajajo čakalne vrste in omejitve, start‑upi se hvalijo z nekaj tisoč pridobljenimi karticami kot z naftnimi polji. Znanstveni projekti – od podnebnega modeliranja do biomedicine – pogosto pristanejo na repu vrste, ker svojih rezultatov ne morejo hitro spremeniti v prihodke.
Drugič, platformizacija računalništva. Namesto gradnje lastnih gruče se raziskovalci selijo v komercialne oblake. To je udobno, a dolgoročno pomeni vezanost na peščico ameriških ponudnikov in odvisnost od njihovih cen ter prioritet. Dejstvo, da mora astrofizik postati »podjetnik«, da ohrani svoj GPU grozd pri življenju, veliko pove o zasuku moči.
Tretjič, »poumetnačen« vsak znanstveni področji. Prehod astronomije s klasične obdelave na transformerje in generativne modele je podoben dogajanju v biologiji in kemiji. To ni zgolj tehnološki napredek, temveč sprememba v dostopnosti: če vrhunska analiza terja ogromne modele, si jo lahko privošči le manjšina dobro financiranih skupin.
Podobno situacijo smo že videli pri Velikem hadronskem trkalniku, ki je sprožil razvoj lastne globalne podatkovne infrastrukture. Razlika je, da danes znanstveniki plast računske infrastrukture pogosto prepuščajo trgu, kjer motivi odprte znanosti in dolgoročne ponovljivosti eksperimentov niso v ospredju.
5. Evropski in slovenski vidik
Za Evropo je tekma za GPU‑je v astronomiji hkrati opozorilo in priložnost.
Evropske ustanove vodijo nekatere najbolj podatkovno intenzivne projekte: misiji Euclid in Gaia, observatoriji ESO v Čilu in prihajajoči radioteleskop SKA z močno evropsko udeležbo. Če bodo GPU‑ji ostali ozko grlo, se bodo evropski astronomi hitro znašli v položaju, ko morajo za dostop do ameriških oblakov tekmovati z globalnimi AI podjetji – točno tisto odvisnost, ki jo EU na deklarativni ravni želi zmanjšati.
Pobude, kot so EuroHPC in superračunalniški centri v Tampereju, Bologni, Jülichu ali Mariboru, so ključne, vendar pogosto temeljijo na CPU‑jih. Delitev omejenih GPU particij je že danes boleča. Če ne bo jasnih pravil, ki dajejo prednost javno‑interesnim projektom, lahko tudi evropske zmogljivosti preplavijo komercialni najemi.
Slovenski raziskovalci so v nekoliko posebnem položaju: domači resursi so omejeni, hkrati pa je vključevanje v evropske infrastrukture (denimo prek EuroHPC ali sodelovanja z ESO/ESA) realna možnost. Toda brez usklajene politike – od ARIS do ministrstev – se bo marsikatera skupina znašla v klasični dilemi: ali žrtvovati del podatkov, znižati ambicije modelov ali pa preprosto čakati na prost termin v vrsti.
6. Pogled naprej
V naslednjih letih lahko pričakujemo tri ključne premike.
Prvič, več umetne inteligence »na robu«. Da bi zmanjšali pritisk na podatkovne centre, bodo prihodnji instrumenti več analize izvajali že v bližini senzorjev – na specializiranih čipih ali FPGA-jih. Del tega bo veljalo tudi za evropske projekte, kar bo dvignilo pomembnost sodelovanja med inženirji elektronike, astrofiziki in AI skupnostjo.
Drugič, večja raznolikost strojne opreme in modelov. Ko transformerji postajajo standard za slike in časovne nize, raste interes za učinkovitejše, manjše modele ter domensko specifične čipe. Skupni odprti modeli za znanstveno slikanje, ki jih skupaj trenirajo konzorciji laboratorijev, bi lahko bistveno zmanjšali potrebo, da vsak oddelek razvija svoj »veliki model«.
Tretjič, politična razprava o pravičnem dostopu do računske moči. Kdo ima prednost na javnih superračunalnikih? Kolikšen delež zmogljivosti mora biti rezerviran za neprofitno znanost? Ali je dopustno, da se strojna oprema, kupljena z davkoplačevalskim denarjem, pretežno uporablja za zaprt, komercialni razvoj modelov? Ti odgovori bodo neposredno vplivali na to, ali bodo preboji iz misij Roman, Webb in Rubin rezultat širokih mednarodnih sodelovanj ali privilegij peščice ustanov.
Za slovenske bralce je ključno vprašanje, ali se bomo kot država pravočasno vključili v evropske »računske skupnosti« in ali bodo domači financerji prepoznali računsko moč kot osnovno raziskovalno infrastrukturo – podobno kot laboratorije in teleskope.
7. Zaključek
Pomanjkanje GPU‑jev ni več samo težava start‑upov, temveč postaja strukturna omejitev za to, kakšno znanost si lahko privoščimo. Lovci na galaksije danes tekmujejo za isto strojno opremo kot razvijalci klepetalnih robotov in oglasnih algoritmov – in izid te tekme ni samoumeven. Če želimo, da bodo misije, kot so Roman, Webb in Rubin, služile javnemu interesu, moramo računsko moč obravnavati kot temeljno raziskovalno infrastrukturo, ne kot luksuzni dodatek. Ključno vprašanje je, ali bomo to spoznali dovolj zgodaj – ali šele, ko bo naslednja generacija odkritij ostala v čakalni vrsti za GPU.
