O problema real não é o espaço, é o hardware
A NASA anunciou que o telescópio Nancy Grace Roman será lançado em setembro de 2026, oito meses antes do previsto. Ele vai gerar 20 mil terabytes de dados ao longo da missão. Para comparação, o Hubble entrega 1 a 2 GB por dia. O Webb manda 57 GB diários. E o observatório Vera Rubin, no Chile, deve capturar 20 TB por noite.
O problema não é mais coletar dados. É processá-los. E aí entra a IA e os GPUs.
O fato: Morpheus está migrando de CNN para transformers
Brant Robertson, astrofísico da UC Santa Cruz, desenvolveu o Morpheus, um modelo de deep learning que identifica galáxias em grandes volumes de dados. Agora ele está trocando a arquitetura de CNNs para transformers, o mesmo motor por trás dos LLMs. A mudança promete analisar áreas várias vezes maiores que o modelo atual, acelerando o trabalho.
Robertson também trabalha com IA generativa para melhorar observações de telescópios terrestres, cujos dados são distorcidos pela atmosfera. Em vez de colocar um espelho de 8 metros em órbita, ele prefere corrigir os dados via software.
Como funciona na prática (visão de operador)
Do ponto de vista técnico, a troca de CNN para transformer significa maior custo computacional por inferência, mas ganho em capacidade de generalização. O Morpheus atual precisa de fine-tuning para cada tipo de galáxia. Com transformers, a expectativa é que ele aprenda representações mais robustas com menos dados rotulados.
Isso exige mais memória de GPU e mais tokens processados. Se hoje o modelo roda em clusters locais, a nova versão pode precisar de nós com GPUs A100 ou H100. E isso custa caro.
O que isso muda na prática
Quem ganha: pesquisadores que dependem de dados dos novos telescópios. Eles terão ferramentas mais rápidas para classificar galáxias e testar teorias cosmológicas. Quem perde: laboratórios sem acesso a GPUs modernas. Robertson já sente o aperto. Ele montou um cluster com verba da NSF, mas ele está ficando obsoleto enquanto a demanda explode.
Ação prática: Se você trabalha com análise de dados astronômicos, comece a testar transformers em datasets do Webb ou do Hubble. Prepare seu pipeline para rodar em múltiplas GPUs. O Morpheus novo pode não rodar em hardware antigo.
Tensão: o gargalo virou o acesso a GPUs
Robertson diz que universidades são avessas a risco porque têm recursos limitados. E a proposta do governo Trump de cortar 50% do orçamento da NSF só piora o cenário. Enquanto isso, a demanda por GPUs cresce em todas as áreas, da biologia à linguística. A astronomia agora compete com startups de IA por acesso a hardware.
Isso levanta uma questão prática: vale a pena investir em clusters próprios ou é melhor alugar na nuvem? Para datasets de 20 TB, o custo de transferência e armazenamento pode inviabilizar a nuvem. Mas manter hardware local exige manutenção e atualização constante. Não tem resposta fácil.
Fechamento
O telescópio Romano vai gerar dados que podem transformar a cosmologia. Mas se os pesquisadores não tiverem GPUs para processá-los, o avanço será mais lento. A IA resolve o problema de análise, mas cria outro: o acesso ao hardware. Quem construir pipelines eficientes e baratos vai sair na frente.