WASHINGTON / LONDON (IT BOLTWISE) – NASA und IBM haben das „NASA-IBM Lunar Foundation Model“ gestartet, eine Open-Source-KI zur Analyse von Mondbeobachtungen. Das Modell bündelt petabytegroße, mehrsensorige Datensätze, die bisher oft manuell oder mit Spezial-Algorithmen ausgewertet werden mussten. Es wurde entwickelt, um Polarregionen mit dauerhaftem Schatten gezielt nach Eiseinlagerungen zu durchsuchen. Darüber hinaus soll es als Mapping-Werkzeug dienen, etwa um junge vulkanische Strukturen schneller zu identifizieren.
Für Mondmissionen ist Datenarbeit meist der Engpass: Sensoren liefern über Jahre hinweg Material in großer Menge, aber die Auswertung erfordert viel Spezialwissen und häufig wiederholte, ad-hoc Pipeline-Bauarbeiten. Genau an dieser Stelle setzen NASA und IBM an. Mit dem „NASA-IBM Lunar Foundation Model“ stellen sie eine offene KI bereit, die petabytegroße Beobachtungen aus Jahrzehnten von Mondmissionen zusammenhängend analysieren soll – statt einzelne Datentypen in separaten Modellen „einmalig“ zu verarbeiten. Das Ziel ist nicht nur eine bessere Trefferquote bei bestimmten Fragestellungen, sondern ein wiederverwendbares Analysewerkzeug, das Forschenden den Zugang zu komplexen Multi-Sensor-Daten erleichtert.
Im Kern handelt es sich um ein Foundation Model, das seine Fähigkeiten aus dem Zusammenspiel mehrerer Datensichten ableitet. IBM nennt es explizit als KI, die polar gelegene Krater am Nord- und Südpol nach Eiseinlagerungen durchsuchen soll. Diese Regionen sind besonders schwer zu untersuchen, weil sie seit Milliarden Jahren in dauerhaftem Schatten liegen und dort weder direkte Sonneneinstrahlung noch einfache optische Beobachtungen im Alltag helfen. Bisherige Ansätze arbeiten häufig mit Single-Use-Modellen, die auf einen Zweck und ein konkretes Daten-Setup zugeschnitten sind. Demgegenüber kombiniert das NASA-IBM-Modell multi-spektometrische Karten und hochauflösende Telemetrie, um die Stabilität von Eis in diesen dunklen Umgebungen genauer vorherzusagen.
Dass „Wasser“ auf dem Mond mehr ist als nur ein Forschungsthema, hängt direkt mit dem Betrieb künftiger Missionen zusammen. NASA betont den Nutzen für Besatzungen: Potenziell als Trinkwasser nutzbare Reserven könnten die Versorgung vor Ort verbessern. Außerdem lassen sich gefrorene unterirdische Bestände – vereinfacht ausgedrückt – in Wasserstoff und Sauerstoff aufspalten, um damit nicht nur Atemluft, sondern auch Treibstoffkomponenten direkt vor Ort herzustellen. Damit wird aus einer wissenschaftlichen Frage nach Eiseinschlüssen auch eine Engineering-Frage nach planbaren Ressourcen. Genau deshalb ist eine KI-gestützte Prospektionsstrategie so attraktiv: Sie kann helfen, Prioritäten für Beobachtungen und Landezonen zu setzen, wenn reale Zeit und Rechenressourcen knapp sind.
Ein zusätzlicher Hebel liegt im Charakter als vortrainiertes System. NASA verweist darauf, dass das Modell bereits auf einem Datensatz basiert, den die Lunar Reconnaissance Orbiter (LRO) in den vergangenen 17 Jahren gesammelt hat. Weil die Vortrainierung bereits den Einstieg in das „Mondbild“ liefert, können Forschende das Modell auf verschiedene Aufgaben anpassen. Dazu gehören laut NASA beispielsweise die Suche nach jungen vulkanischen Merkmalen. Konkret geht es bei der Vulkanismus-Forschung um ungewöhnlich aussehende Strukturen, sogenannte irregular mare patches. Dass solche Formationen eher jung wirken, stellt etablierte Zeitleisten für die Abkühlung des Mondes infrage; ihre Kartierung könnte Forschenden helfen, das Bild der thermischen Entwicklung des Mondes präziser zu rekonstruieren.
Die technische Zugänglichkeit adressiert dabei auch eine zweite Hürde: Nicht jede Arbeitsgruppe kann oder will jedes Mal eine komplett neue Spezialsoftware bauen. Das Modellarchitektur und die Trainingsmethodik werden öffentlich gemacht; die zugrunde liegende Architektur liegt auf Hugging Face bereit und der Code ist zudem bei GitHub verfügbar. Damit können unabhängige Forschende, Studierende und auch Entwickler aus dem Aerospace-Umfeld das Modell in eigenen Testumgebungen mit eigenen Datensätzen evaluieren. Praktisch bedeutet das: Statt das Know-how in proprietären Auswerteketten zu „verstecken“, schaffen NASA und IBM eine Schnittstelle, über die sich Experimente schneller vergleichen lassen. Für den wissenschaftlichen Betrieb ist das vor allem dann wertvoll, wenn Teams unterschiedliche Sensorquellen, Auflösungen oder Vorverarbeitungsstufen nutzen.
Dass NASA-IBM den Datenzugriff betont, passt in eine breitere Entwicklung: KI wandert in der Raumfahrt zunehmend von einzelnen Demonstratoren hin zu wiederverwendbaren Bausteinen, die über Missionen hinweg Datenwissen „mittragen“. Foundation-Modelle sind dafür besonders geeignet, weil sie nicht nur Muster in einem engen Themenraum lernen, sondern mehrgeneralistische Darstellungen bilden, die sich für mehrere Aufgaben adaptieren lassen. Neben der Prospektionslogik für Eis kann das Modell daher auch als Mapping-Werkzeug dienen, etwa um geologische Besonderheiten schneller zu finden oder Trainingsdaten für nachgelagerte Analysen zu ergänzen. In Summe geht es um Skalierung: Die KI soll aus einer großen Menge historisch gesammelter Raumdaten systematisch verwertbaren Informationsgewinn machen.
Für Unternehmen und Forschungsinstitute ergibt sich daraus ein klares Spannungsfeld, das zugleich Chancen eröffnet: Einerseits steigt der Bedarf, Datenpipelines zu vereinheitlichen, damit Multi-Sensor-Modelle konsistent profitieren. Andererseits sinkt der Aufwand, wenn Training und Architektur nicht bei null beginnen müssen. Wer im Umfeld von Geodaten, Bildinterpretation oder Raumfahrt-Analytik arbeitet, kann das NASA-IBM-Modell als Referenz nutzen, um eigene Workflows gegen die gleiche Aufgabenlogik zu testen. Entscheidend bleibt dabei die Validierung auf unterschiedlichen Datensätzen, weil „bessere“ KI in der Praxis immer davon abhängt, wie gut reale Messbedingungen, Vorverarbeitung und Labeling zur Lernumgebung passen. Der öffentliche Release auf Hugging Face und GitHub verkürzt dafür die Experimentierphase spürbar.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "NASA-IBM Lunar Foundation Model: KI für Mondwasser, Karten und Rekorddaten" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "NASA-IBM Lunar Foundation Model: KI für Mondwasser, Karten und Rekorddaten" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »NASA-IBM Lunar Foundation Model: KI für Mondwasser, Karten und Rekorddaten« bei Google Deutschland suchen, bei Bing oder Google News!