Am 10. September 2026 haben NASA und IBM ein Foundation Model als Open Source veröffentlicht, das nur für den Mond gebaut wurde. Es wurde mit mehr als 30 Ebenen Orbitaldaten trainiert und kartiert Krater, schätzt Polareis und findet vulkanische Flecken in Satellitenbildern.
Das Ergebnis, das man sich merken sollte: Ein rein mit Monddaten trainiertes Modell schlug ein größeres Allzweckmodell um bis zu 22 % beim Finden von Mondeis und erkannte Krater fast 19 % besser mit der halben Datenmenge. Spezialisierung hat gewonnen.
Ich baue beruflich KI-Agenten, und diese Zahl ist die ganze Geschichte. Es ist derselbe Grund, warum ein Support-Bot, der mit Ihren echten Tickets trainiert ist, einen generischen Bot hinter sich lässt. Der Mond ist nur ein sehr fotogenes Beispiel für eine Lehre, die das Feld immer wieder neu lernt: Die Trainingsdaten schlagen die Größe des Modells.
Was NASA und IBM tatsächlich veröffentlicht haben
Das NASA-IBM Lunar Foundation Model ist nach allem, was man weiß, eines der ersten Open-Source-KI-Modelle, die speziell für die Mondforschung gebaut wurden. Entwickelt wurde es von IBM Research gemeinsam mit dem IMPACT-Team der NASA und einer Gruppe akademischer Partner: der Universities Space Research Association, dem SETI Institute, der University of Maryland, Baltimore County, und der Howard University.
Die Idee ist dieselbe wie hinter jedem Foundation Model, von dem Sie gehört haben. Statt ein schmales Modell für eine einzelne Aufgabe zu trainieren, trainiert man ein großes Modell vor, mit einem Berg an Rohdaten, damit es die allgemeine „Form“ eines Gebiets lernt, und feinjustiert es dann günstig für konkrete Aufgaben. ChatGPT hat das für Text getan. Dieses Modell tut es für die Oberfläche des Mondes.
„That's a real opportunity we see with AI: turning large-scale data into discoveries.“
Kevin Murphy, Chief Science Data Officer der NASA
Vorab zu beachten: NASA und IBM haben die Parameterzahl des Modells nicht veröffentlicht, also erfinde ich keine. Zum Vergleich: Das Schwestermodell für die Sonne, Surya, hat 366 Mio. Parameter. Ausführlich beschrieben haben sie die Daten, und die sind ohnehin der interessante Teil.
Womit es trainiert wurde: 17 Jahre Orbitaldaten
Hier steckt die Arbeit. Das Team hat den nach eigenen Angaben ersten offenen, einheitlichen Mond-Datensatz zusammengestellt: mehr als 30 räumlich ausgerichtete Ebenen von 9 Instrumenten aus 4 Missionen, zusammen rund 2 Millionen Bildkacheln.
Den Großteil liefert der Lunar Reconnaissance Orbiter der NASA, der den Mond seit 17 Jahren fotografiert. Das gab dem Team über eine Million hochauflösende Kamerabilder mit 1 Meter Detailgrad sowie rund 964.000 Multispektralbilder mit 100 Meter Auflösung. Daten der NASA-Missionen GRAIL und Lunar Prospector sowie des japanischen Orbiters Kaguya füllten die Lücken.
Alle diese Ebenen so auszurichten, dass sie über demselben Stück Boden liegen, ist unglamouröse, teure Arbeit. Es ist auch der Grund, warum das Modell etwas taugt. Die Lehre wiederholt sich überall in der KI: Der Burggraben ist selten die Architektur, sondern die saubere, domänenspezifische Trainingsdatenbasis, die sonst niemand zusammengetragen hat.
Was das Modell kann
Nach dem Training lässt sich das Modell auf eine Handvoll Aufgaben der Mondforschung richten, die früher jeweils eine eigene Pipeline brauchten:
- Polareis schätzen. Wassereis in dauerhaft beschatteten Kratern nahe den Polen ist die wertvollste Ressource des Mondes, denn es ist potenzieller Treibstoff und Lebenserhaltung für eine dauerhafte Artemis-Präsenz. Das Modell schätzt, wo Eis stabil und wahrscheinlich vorhanden ist.
- Krater kartieren. Es erkennt und klassifiziert Krater im Meter-Maßstab und im Maßstab von etwa 100 Metern, was direkt in Landeplatzwahl, Gefahrenvermeidung und die Altersbestimmung der Oberfläche einfließt.
- Vulkanische Merkmale finden. Es markiert irreguläre Mare-Flecken, junge vulkanische Formationen, die Wissenschaftlern etwas über die thermische Geschichte des Mondes verraten.
- Veränderungen über die Zeit erkennen. Wendet man es auf Bilder verschiedener Zeitpunkte an, zeigt es Oberflächenveränderungen. Im Test erkannte es neue Einschlagskrater, die in Bildern nach dem Trainingsende aufgetaucht waren.
Die NASA betont, dass dies ein Forschungsassistent ist und kein Orakel. Es liefert Kandidaten, die Wissenschaftler prüfen. Diese Unterscheidung, ein leistungsfähiges Modell, das vorschlägt, während ein Mensch entscheidet, ist genau die Leitplanke, die ich mir bei mehr KI-Produkten standardmäßig wünschen würde.
Die Zahl, die zählt: spezialisiert schlug generisch
Dieses Ergebnis hat mich dazu gebracht, darüber zu schreiben. IBM hat das Modell gegen SwinV2-B verglichen, ein starkes, weit verbreitetes Bildmodell, das auf ImageNet vortrainiert wurde, einem riesigen Allzweck-Bilddatensatz. Also groß und generisch gegen kleiner und spezialisiert.
Das spezialisierte Modell gewann auf ganzer Linie:
- Bis zu 22 % weniger Fehler bei der Schätzung von Polareis.
- Fast 19 % besser bei der Kratererkennung im Kontextmaßstab, mit der halben Trainingsdatenmenge.
- 3 % besser bei der Erkennung vulkanischer Merkmale, selbst mit unvollkommenen Labels.
- Vergleichbare Genauigkeit bei Kratern im Meter-Maßstab, aber deutlich effizienter.
Die eigene Zusammenfassung der NASA rundet das auf ein Modell auf, das „widely used methods by up to 23%“ übertrifft. Hinter der konkreten Zahl ist die Aussage einfach: Ein Modell, das den Mond gelernt hat, schlug ein Modell, das alles gelernt hat, und brauchte dafür weniger Daten.
„The model gives scientists a foundation to explore the Moon at scale.“
Juan Bernabe-Moreno, Director von IBM Research Europe
Warum ein „Foundation Model für eine Domäne“ die eigentliche Geschichte ist
Man könnte ein Modell zur Mondkartierung als Nischenmeldung der Raumfahrt abtun. Ich würde das Gegenteil behaupten. Es ist eine der klarsten öffentlichen Demonstrationen eines Prinzips, das über den Erfolg fast jedes KI-Projekts entscheidet: Relevanz schlägt rohe Größe.
Ein generisches Modell hat von allem viel gesehen und von Ihrem Thema nichts. Ein spezialisiertes Modell hat Ihr Thema erschöpfend gesehen. In einer begrenzten Domäne mit hohem Einsatz gewinnt das zweite, aus demselben Grund, aus dem ein KI-Agent, der mit Ihrer eigenen Wissensdatenbank trainiert ist, besser antwortet als ein rohes Sprachmodell, das an ein Chatfenster angeschlossen ist.
Darüber denke ich in meinem Berufsalltag ständig nach. Eine Support-KI ist nicht nützlich, weil sie auf einem großen Modell läuft. Sie ist nützlich, weil sie jedes Ihrer früheren Tickets, Ihr Help Center, Ihre internen Dokumente und Ihre Makros gelesen hat und so antwortet wie Ihr bester Mitarbeiter. Setzt man ein generisches Modell ohne Unternehmenskontext auf ein Help-Widget, bekommt man selbstsichere, falsche Antworten, genau die Schwäche, die regelbasierten Chatbots und dünnen KI-Hüllen einen schlechten Ruf eingebracht hat.
Bei eesel ist das der ganze Entwurf. eesel ist eine Plattform für KI-Teammates, und Sie stellen einsatzbereite Teammates für bestimmte Aufgaben ein, wobei der KI-Helpdesk-Teammate hier am relevantesten ist. Dieser Teammate ist kein leeres Modell. Er lernt aus Ihren historischen Tickets und Wissensquellen, sobald er verbunden ist, und kennt Ihr Produkt von Anfang an, so wie das Modell der NASA den Mond von Anfang an kennt.
Und wie beim „vorschlagen, nicht entscheiden“ der NASA können Sie die Arbeit prüfen, bevor sie live geht. eesel simuliert die KI an Tausenden Ihrer echten früheren Tickets, sodass Sie genau sehen, wie sie geantwortet und was sie gelöst hätte, bevor ein einziger Kunde mit ihr spricht. Kein Schalter umlegen und hoffen.
Die Preisgestaltung folgt derselben Logik „zahlen für das, was relevant ist“: eesel rechnet pro Ticket ab, das es tatsächlich bearbeitet, nicht pro Arbeitsplatz. Ein spezialisierter Teammate, der Ihre wiederkehrenden Fragen löst, kostet Sie also dann, wenn er arbeitet. Wenn Sie den Support leiten und darauf gewartet haben, dass aus dem KI-Hype etwas wird, das Ihr Geschäft wirklich kennt, hat der Mond Ihnen gerade den Machbarkeitsnachweis geliefert. eesel testen, kostenlos, und auf Ihre eigenen Tickets richten.
Wo es das Modell gibt und was als Nächstes kommt
Alles ist offen. Die Gewichte liegen auf Hugging Face in der Sammlung nasa-ibm-ai4science, der Code liegt auf GitHub als NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model, und das Modell wurde in das Open-Source-Toolkit TerraTorch eingebunden, damit Forschende es für eigene Aufgaben feinjustieren können.
Es gehört auch zu einem größeren Bogen. Dieses Modell reiht sich neben Prithvi, das Geodatenmodell von NASA und IBM für die Erde, und Surya, ihr Modell der Sonne. Der erklärte Plan ist, weiterzugehen zu Planetenforschung, Astrophysik und den biologischen und physikalischen Wissenschaften. Die NASA baut leise eine Familie von Domänen-Foundation-Models auf, eine schwierige wissenschaftliche Domäne nach der anderen, und stellt jedes als Open Source bereit.
Auf diese Strategie würde ich wetten. Nicht ein Modell, das alles weiß, sondern eine Flotte von Spezialisten, die jeweils eine Sache wirklich tief kennen. Beim Mond funktioniert das. Bei der Sonne funktioniert das. Und auf eine weit profanere Weise funktioniert es für Ihr Support-Postfach.