Lunar Foundation Model: NASA och IBM släpper AI för månen

Lunar Foundation Model: NASA och IBM släpper AI för månen

NASA och IBM har den 10 september 2026 släppt Lunar Foundation Model, en ny öppen AI-modell för analys av månen. Modellen är tränad på mer än 30 datalager från nio instrument på fyra NASA-uppdrag och ska hjälpa forskare att bland annat identifiera möjliga isfyndigheter, kartlägga kratrar och studera vulkaniska strukturer.

Lanseringen är en del av NASA:s och IBM:s bredare arbete med öppna så kallade foundation models för vetenskap. Tanken är inte att AI:n ska ersätta forskarnas analyser, utan att den ska kunna sortera och tolka stora mängder observationsdata snabbare och ge forskare bättre utgångspunkter för vidare granskning.

Vad är Lunar Foundation Model?

Lunar Foundation Model är en AI-modell specialiserad på data om månens yta och miljö. Enligt Reuters har modellen tränats på fler än 30 lager av data som samlats in av nio instrument på fyra NASA-missioner, däribland Lunar Reconnaissance Orbiter.

Den typen av underlag kan innehålla flera sorters observationer samtidigt. I en tidigare IBM Research-presentation om Lunar Foundation Model beskrivs bland annat högupplösta bilder, flerbandsbilder, spektroskopi och radar som relevanta datatyper för en generell modell av månen.

En foundation model tränas för att lära sig breda representationer ur stora datamängder och kan därefter anpassas till flera mer specifika uppgifter. För månvetenskap kan det exempelvis handla om geologisk kartläggning, resursanalys eller bedömning av landningsområden.

AI:n ska hitta is och kartlägga kratrar

De praktiska användningsområden som NASA och IBM lyfter fram är direkt kopplade till framtida månforskning och utforskning.

Modellen ska kunna hjälpa till att:

• identifiera områden där det kan finnas is i permanent skuggade regioner,
• kartlägga och klassificera kratrar,
• analysera geologiska och vulkaniska strukturer,
• ge underlag för bedömning av säkrare landningsplatser.

Reuters uppger att NASA och IBM i benchmarktester såg upp till 23 procent högre träffsäkerhet för vissa centrala uppgifter jämfört med vanligt använda metoder. Det är ett resultat som kommer från organisationernas egna tester och bör därför inte tolkas som en oberoende jämförelse av alla möjliga användningsfall.

Därför är is på månen viktig

Månens permanent skuggade områden är särskilt intressanta eftersom de kan innehålla vattenis. Vatten är viktigt både för forskning och för planer på längre mänsklig närvaro på månen.

Om vatten kan utvinnas lokalt kan det i framtiden användas som dricksvatten och delas upp i väte och syre. Syre kan användas för livsuppehållande system, medan väte och syre också kan ingå i raketbränsle. Det gör kartläggning av möjliga isresurser strategiskt viktig för framtida månbaser och längre expeditioner.

Det betyder inte att en AI-modell i sig kan fastställa att ett område innehåller användbar is. Modellen kan peka ut kandidater och mönster i observationsdata, men resultaten behöver fortfarande verifieras med vetenskapliga metoder och i vissa fall framtida mätningar på plats.

Bygger vidare på NASA:s och IBM:s Prithvi-modeller

Lunar Foundation Model ingår i den familj av vetenskapliga AI-modeller som NASA och IBM byggt under namnet Prithvi. Tidigare modeller har bland annat använts för jordobservation, väder, klimat och solfysik.

NASA:s AI-översikt visar att organisationen under 2026 också demonstrerade den geospatiala Prithvi-modellen i omloppsbana. Det illustrerar hur samarbetet gått från generella jordobservationsmodeller till allt fler specialiserade vetenskapliga modeller.

IBM Research beskrev redan i december 2025 arbetet med en lunar foundation model som en bas för framtida maskininlärningsverktyg inom NASA:s planetforskning. Den nu lanserade modellen är därför resultatet av ett längre utvecklingsspår, inte en helt fristående produktlansering.

Vad betyder att modellen är öppen?

En viktig del av lanseringen är att modellen görs tillgänglig som ett open-source-verktyg. Det gör det möjligt för forskare och utvecklare utanför NASA och IBM att undersöka modellen, bygga egna tillämpningar och använda den som bas för mer specialiserade forskningsprojekt.

För svenska universitet, rymdforskare och AI-team betyder det åtminstone att tröskeln för att experimentera med samma typ av modell blir lägre. Det finns däremot ingen uppgift i lanseringsmaterialet om att svenska organisationer redan använder just Lunar Foundation Model.

Öppenheten är också viktig för reproducerbar forskning. När modell, metod och träningsunderlag kan granskas blir det lättare att förstå begränsningar och jämföra resultaten med andra tekniker.

Kopplingen till framtidens månresor

Utvecklingen kommer samtidigt som NASA och andra rymdorganisationer förbereder en ny period av mer omfattande månutforskning. Marketplace har tidigare skrivit om Artemis II och den bemannade resan runt månen.

Bättre kartor över kratrar, terräng och möjliga resurser är centrala när framtida landningsplatser ska utvärderas. AI kan där bli ett verktyg för att minska den manuella genomgången av stora datamängder och snabbt hitta områden som förtjänar närmare analys.

Samma utveckling syns även inom astronomin i stort. NASA:s nya Roman Space Telescope kommer att generera mycket stora datamängder, vilket ökar behovet av automatiserade analysmetoder inom rymdforskningen.

Vad händer nu?

Det mest intressanta framåt blir hur forskargrupper använder Lunar Foundation Model på verkliga vetenskapliga problem och hur väl resultaten håller när de testas utanför NASA:s och IBM:s egna benchmarkmiljöer.

Modellen kan bli särskilt värdefull om den gör det enklare att kombinera observationer från flera instrument och upplösningar. Men som med andra vetenskapliga AI-system behöver slutsatser kunna spåras tillbaka till data, osäkerheter och en metod som kan granskas av andra forskare.

Källor

• Reuters: IBM och NASA lanserar Lunar Foundation Model
• IBM Research: From Orbits to Insights – A Foundation Model for Lunar Science
• NASA Science: Artificial Intelligence

Sammanfattning

NASA och IBM:s Lunar Foundation Model är en ny öppen AI-modell som ska göra stora mängder måndata lättare att analysera. Den har tränats på data från flera NASA-missioner och är byggd för uppgifter som kartläggning av kratrar, möjliga isfyndigheter och geologiska strukturer.

De första benchmarkresultaten är lovande men kommer från NASA och IBM själva. Det verkliga värdet kommer därför att avgöras när oberoende forskare börjar använda modellen och jämföra den med andra metoder.