Rechnen im All und autonome KI verändern die Missionswissenschaft

Am 29. September veröffentlichte IEEE Spectrum einen ausführlichen Blick darauf, wie die NASA und andere Raumfahrtorganisationen generative KI aus erdgebundenen Labors auf Raumfahrzeuge bringen. Der um 13:23 UTC erschienene Artikel beschreibt eine Reihe von Experimenten. Sie markieren einen Wandel darin, wie Ergebnisse der Missionswissenschaft entstehen, geprüft und in Handlungen umgesetzt werden.

Die jüngste Entwicklung in diesem Dossier ist die Vorstellung einer gewaltigen Rechenkonstellation im All durch STAR.VISION Aerospace am 25. September auf der Global Digital Trade Expo. Laut China in Space will das Unternehmen bis 2035 insgesamt 1.080 Raumfahrzeuge einsetzen, davon 720 für Inferenzaufgaben und 360 für allgemeine Rechenlasten. Das Projekt mit dem Namen Space.IDC1 Computing Constellation soll erhebliche Rechenkapazität in die Umlaufbahn bringen, um Solarenergie und Strahlungskühlung zu nutzen. Das Unternehmen hat 10 Milliarden Yuan (1,49 Milliarden US-Dollar zum Stand vom 28. September) strategischen Kredit von der Industrial and Commercial Bank of China und der Agricultural Bank of China gesichert. Mindestens 1 Milliarde Yuan davon ist für die erste Phase verfügbar.

Autonome Systeme verlassen das Labor

IEEE Spectrum berichtet in der Ausgabe vom 29. September, dass das Jet Propulsion Laboratory der NASA im vergangenen Dezember Claude-Modelle von Anthropic eingesetzt hat, um zwei Fahrten des Rovers Perseverance auf dem Mars zu planen. Im Mai brachten die NASA und IBM ein komprimiertes KI-Modell auf der Internationalen Raumstation und auf einem Satelliten unter, um Überschwemmungen und Wolken aus der Umlaufbahn zu erkennen. Im Juli testeten Astronauten auf der ISS ein großes Sprachmodell. Sie wollten wissen, ob es bei Wartungsverfahren helfen kann.

Diese Experimente deuten auf einen größeren Wandel in der Raumfahrttechnik hin. Jahrzehntelang legten Ingenieure auf der Erde fest, was eine Maschine im All tun sollte, und die Maschine tat genau das. Jetzt prüfen Forscher, ob nichtdeterministische Systeme wie generative KI Raumfahrzeugen mehr Spielraum geben können, ihre Umgebung zu deuten, Aufgaben zu planen und eines Tages selbst Entscheidungen zu treffen.

Robert Ambrose, früherer Leiter der Abteilung für Software, Robotik und Simulation der NASA, sagte IEEE Spectrum, Autonomie habe oft kein deterministisches Ergebnis. Das Verhalten ändere sich also danach, wie man in eine bestimmte Situation geraten sei. "Wenn Sie also in dieselbe Situation geraten, aber auf verschiedenen Wegen, kann das Ergebnis anders ausfallen. Und das hassen Ingenieure", sagte er. Ambrose verbrachte einen Großteil seiner Laufbahn mit autonomen Systemen bei der NASA, darunter die Autonomie für das Raumschiff Orion und Robonaut 2, einen humanoiden Roboter, der 2011 ins All flog. Bei Orion sah er, wie schnell das Testproblem anwachsen konnte. Ingenieure mussten nicht nur bedenken, was das Raumschiff tun könnte, sondern auch all die verschiedenen Wege, auf denen es zu einer Entscheidung gelangt sein konnte.

Das Rennen um die Hardware auf der Erde und im Orbit

Die Konstellation von STAR.VISION ist nicht die erste ihrer Art. China in Space merkt an, dass die Three-Body Computing Constellation von ADA Space und dem Zhejiang Lab allen anderen Firmen voraus ist und derzeit ein Dutzend Satelliten im All betreibt. Orbital Chenguang hat erhebliche finanzielle Unterstützung, während Chaozhisuan Beijing Technology Co Ltd gut vernetzte Partner hat. Beide betreiben ebenfalls Demonstrationesatelliten im Orbit.

Das Unternehmen plant drei Raumfahrzeugtypen. Der Verifikationsflugkörper G1 soll 40 bis 60 PetaFLOPs Rechenleistung liefern und dafür 11,5 Kilowatt aus seinen Solarmodulen erzeugen. Das Standardmodell G2 soll 160 bis 310 PetaFLOPs bei 48 Kilowatt Leistung bereitstellen. Das Flaggschiff G3 soll 460 bis 1000 PetaFLOPs bei 140 Kilowatt erzeugen.

Details zu Umlaufbahnen, Verbindungen zwischen den Raumfahrzeugen, Größen der Radiatoren oder zur Masse wurden nicht mitgeteilt. Auch internationale Regulierungspapiere, die weiteren Aufschluss geben könnten, sind noch nicht eingereicht. Bei der Vorstellung erwähnte STAR.VISION, dass es eine nicht genannte Zahl von Starts bei Orienspaces Gravity-1 und Galactic Energys Ceres-2 gebucht hat, um G1-Raumfahrzeuge einzusetzen. Hinweise auf einen möglichen Startmonat oder ein Quartal wurden nicht gegeben. Das Unternehmen hat Vereinbarungen mit dem Hangzhou Institute for Advanced Study, UCAS, dem Hangzhou Research Institute der Xidian University, Hongqing Technology, Baidu AI Cloud und MinoSpace unterzeichnet. Nicht näher bezeichnete Unterstützung kam von den Regierungen der Deqing Moganshan High-Tech Zone, der Fuyang Economic and Technological Development Zone und der Stadt Yunqi, alle in der Provinz Zhejiang, sowie aus Xichang in der Provinz Sichuan und Chongzhou in Guangxi.

Die Grenzen der KI im Feld testen

Während Raumfahrtbehörden die Autonomie vorantreiben, prüfen unabhängige Forscher, wie gut aktuelle KI-Modelle Aufgaben bewältigen, die Missionswissenschaftler delegieren könnten. Ein am 29. September veröffentlichter Blogbeitrag von Labqoat beschreibt einen Benchmark namens Wildlife CSI. Getestet wurden acht Modelle an 2.000 Fotos von Tierspuren: Kot, Fußabdrücke, Federn, Eier und Knochen. Das beste Modell, Claude Opus 5.5, traf die Art über den gesamten Satz hinweg in 37,15 Prozent der Fälle, heißt es in dem Blog. Muse Spark 1.3 folgte mit 33,35 Prozent, dann GPT-6 Astra mit 31,70 Prozent. Claude Sonnet 5.5 kam mit 25,15 Prozent auf den vierten Platz. Selbst Opus traf die Familie nur bei 51,75 Prozent der Fotos.

Über alle acht Modelle hinweg blieben 842 Fotos ohne korrekte Artbestimmung. Opus identifizierte 205 von 400 Eierfotos, aber nur 82 von 400 Fußabdruckfotos. Über alle acht Modelle hinweg blieben 257 der 400 Fußabdrücke ohne einen einzigen richtigen Artentipp. Bei den Eiern lag diese Zahl bei 123. Der Autor nennt eine Einschränkung: Manche Arten haben mehr Fotos als andere, deshalb bringt es mehr Punkte, diese Arten richtig zu bestimmen. Wenn die Ergebnisse nach Arten gemittelt werden, sodass jede Art gleich zählt, fällt Opus' Ei-Wert von 51,25 Prozent auf etwa 37 Prozent. Der Autor merkt außerdem an, dass iNaturalist in seinen eigenen Richtlinien empfiehlt, nur so genau zu bestimmen, wie es die Belege zulassen. Ein Artname an einer Beobachtung bedeutet zudem nicht zwangsläufig, dass sich die Art aus einem einzelnen Spurenfoto ableiten lässt.

Das Modell hinter dem Vorhang

Am 29. September veröffentlichte eine Website namens spacebunnyalpha.com Benchmarks für ein anonymes Reasoning-Modell namens space-bunny-alpha. Das Modell hat ein Kontextfenster von einer Million Token, akzeptiert Text-, Bild- und Videoeingaben und ist seit dem 24. September 2026 auf OpenRouter gelistet. In einer Vorschauphase ist es kostenlos.

Die Website berichtet, dass space-bunny-alpha in einem standardisierten Teilsatz von 60 Fragen aus GPQA Diamond 82,0 Prozent erreichte. Zum Vergleich: GPT-6 Sol erreichte 95,45 Prozent in einem unabhängigen Audit mit 198 Fragen, GPT-5.5 erreichte 93,6 Prozent im veröffentlichten Ergebnis von OpenAI, und MiniMax M3 erreichte 92,9 Prozent in einer standardisierten Auswertung von Artificial Analysis. Bei MMLU-Pro erreichte space-bunny-alpha 75 Prozent, während GPT-5.6 Sol 89,1 Prozent und Qwen3.8 Flash etwa 89,0 Prozent erzielten. In einem Teilsatz von 300 Fragen aus Humanity's Last Exam erreichte das Modell 46,1 Prozent mit einem 95-Prozent-Konfidenzintervall von 40,4 bis 51,8 Prozent.

Die Website berichtet außerdem, dass space-bunny-alpha in denselben Benchmarks etwa ein Drittel der Ausgabe-Token von Qwen3.8 Flash verbrauchte: 305.989 Ausgabe-Token gegenüber 913.989. Das Modell erreichte 10,0 von 10 Punkten bei Datenanalyse und -extraktion sowie beim Aufruf von Werkzeugen, aber nur 4,2 bei allgemeiner Intelligenz und 3,0 bei Trivia.

Was das für die Missionswissenschaft bedeutet

Das Dossier enthält keine direkte Verbindung zwischen der Konstellation von STAR.VISION und den Autonomieexperimenten der NASA. Beide weisen jedoch in dieselbe Richtung: mehr Rechenleistung im All und mehr Entscheidungen, die im All statt am Boden getroffen werden.

IEEE Spectrum merkt an, dass die Technologie noch lange nicht vertrauenswürdig genug ist, um die Kontrolle über ein Raumfahrzeug abzugeben. Doch Ingenieure beginnen zu fragen, ob sie es sich leisten können, darauf zu verzichten, während Missionen komplexer, entfernter und zahlreicher werden. Der Artikel zitiert Ambrose mit den Worten, Ingenieure hätten Wege gefunden, die Komplexität autonomer Systeme zu beherrschen, etwa durch die Automatisierung des Testprozesses. China in Space berichtet, dass die Zentralregierung die nötigen Technologien für das Rechnen im All als Schwerpunkt für den Zeitraum des 15. Fünfjahresplans (2026-2030) festgelegt hat, wobei das Ministerium für Industrie und Informationstechnologie beteiligt ist. Der Artikel merkt an, dass chinesische Firmen inmitten des globalen Booms der künstlichen Intelligenz still die Führung beim Rechnen im All übernommen haben.

Der Benchmark Wildlife CSI und die Ergebnisse von space-bunny-alpha deuten indes darauf hin, dass aktuelle KI-Modelle weiterhin mit Aufgaben kämpfen, die eine präzise Bestimmung aus begrenzten Belegen verlangen. Die Lücke zwischen dem, was autonome Systeme im Labor leisten können, und dem, was sie im Feld leisten können, bleibt groß. Für die Missionswissenschaft heißt das, dass KI zunehmend bei Datenverarbeitung, Zeitplanung und Anomalieerkennung helfen wird, menschliche Aufsicht aber unverzichtbar bleibt. Die Experimente auf der ISS und am Rover Perseverance zeigen, dass KI helfen kann, aber sie zeigen auch, dass Menschen die Arbeit noch prüfen.