Space-Computing und autonome KI verändern die Missionswissenschaft
STAR.VISION Aerospace hat am 25. September auf der Global Digital Trade Expo eine Computing-Konstellation mit 1.080 Raumfahrzeugen vorgestellt, abgesichert durch Kreditvereinbarungen über 10 Milliarden Yuan. IEEE Spectrum berichtete am 29. September, dass die NASA generative KI bereits für autonome Entscheidungen an Bord von Raumfahrzeugen testet.

Am 29. September veröffentlichte IEEE Spectrum einen ausführlichen Blick darauf, wie die NASA und andere Raumfahrtorganisationen generative KI von erdgebundenen Laboren auf Raumfahrzeuge bringen. Der Artikel erschien um 13:23 UTC und beschreibt eine Reihe von Experimenten. Sie zeigen, wie sich die Art verändert, in der Ergebnisse der Missionswissenschaft entstehen, geprüft und umgesetzt werden.
Die jüngste Entwicklung in diesem Dossier ist die Vorstellung einer großen Computing-Konstellation im Weltraum 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 Rechenlast. Das Projekt heißt Space.IDC1 Computing Constellation und 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 bei 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 die Claude-Modelle von Anthropic genutzt hat, um zwei Marsfahrten für den Rover Perseverance 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 dem Orbit 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 eine größere Verschiebung in der Raumfahrttechnik hin. Jahrzehntelang legten Ingenieure auf der Erde fest, was eine Maschine im Weltraum tun sollte, und die Maschine tat genau das. Jetzt prüfen Forscher, ob nichtdeterministische Systeme wie generative KI Raumfahrzeugen mehr Spielraum geben können. Die Maschinen sollen ihre Umgebung deuten, Aufgaben planen und eines Tages selbst Entscheidungen treffen.
Robert Ambrose, früher Leiter der Abteilung für Software, Robotik und Simulation der NASA, sagte IEEE Spectrum, Autonomie habe oft kein deterministisches Ergebnis. Wie man in eine bestimmte Situation geraten sei, verändere das Verhalten. "Wenn Sie also in dieselbe Situation kommen, aber über verschiedene Wege, kann das Ergebnis anders sein. Und das hassen Ingenieure", sagte er. Ambrose verbrachte einen großen Teil 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 wachsen konnte. Die Ingenieure mussten nicht nur bedenken, was das Raumschiff tun könnte, sondern auch all die verschiedenen Wege, auf denen es zu einer Entscheidung hätte kommen können.
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 Weltraum betreibt. Orbital Chenguang hat starke finanzielle Unterstützung, während Chaozhisuan Beijing Technology Co Ltd gut vernetzte Partner hat. Beide betreiben ebenfalls Demonstrationen im Orbit.
Das Unternehmen plant drei Raumfahrzeugtypen. Das Verifikationsmodell G1 soll 40 bis 60 PetaFLOPs Rechenleistung liefern und dafür 11,5 Kilowatt aus seinen Solarpaneelen erzeugen. Das Standardmodell G2 soll 160 bis 310 PetaFLOPs mit 48 Kilowatt Leistung bereitstellen. Das Flaggschiff G3 soll 460 bis 1000 PetaFLOPs erreichen und dafür 140 Kilowatt erzeugen.
Angaben zu Umlaufbahnen, Verbindungen zwischen den Raumfahrzeugen, Größe der Radiatoren oder Masse wurden nicht mitgeteilt. Auch internationale regulatorische Unterlagen, die weiteren Aufschluss geben könnten, sind noch nicht eingereicht. Bei der Vorstellung erwähnte STAR.VISION, dass es eine nicht genannte Zahl von Starts bei Orienspace mit der Gravity-1 und bei Galactic Energy mit der Ceres-2 gebucht hat, um G1-Raumfahrzeuge zu starten. Hinweise auf einen möglichen Zielmonat oder ein Zielquartal wurden nicht genannt. Das Unternehmen hat Vereinbarungen mit dem Hangzhou Institute for Advanced Study, UCAS, dem Hangzhou Research Institute of 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 auf Autonomie drängen, prüfen unabhängige Forscher, wie gut aktuelle KI-Modelle Aufgaben erfüllen, die Missionswissenschaftler abgeben könnten. Ein am 29. September veröffentlichter Blogbeitrag von Labqoat beschreibt einen Benchmark namens Wildlife CSI. Dabei wurden acht Modelle an 2.000 Fotos von Tierspuren getestet: Kot, Fußabdrücke, Federn, Eier und Knochen. Das beste Modell, Claude Opus 5.5, lag laut dem Blog über den gesamten Satz hinweg bei 37,15 Prozent richtiger Artbestimmung. 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 Platz vier. Selbst Opus bestimmte nur bei 51,75 Prozent der Fotos die Familie richtig.
Über alle acht Modelle hinweg blieben 842 Fotos ohne korrekte Artbestimmung. Opus erkannte 205 von 400 Eierfotos, aber nur 82 von 400 Fußabdrücken. Über alle acht Modelle hinweg blieben 257 der 400 Fußabdrücke ohne einen einzigen richtigen Artbestimmungsversuch. Bei Eiern lag diese Zahl bei 123. Der Autor nennt einen Vorbehalt: Manche Arten haben mehr Fotos als andere, deshalb bringt eine richtige Bestimmung dieser Arten mehr Punkte. 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 Hinweisen empfiehlt, nur so genau zu bestimmen, wie es die Belege zulassen. Ein Artname an einer Beobachtung bedeutet zudem nicht unbedingt, 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, nimmt Text-, Bild- und Videoeingaben an und ist seit dem 24. September 2026 bei OpenRouter gelistet. Während einer Vorschauphase ist es kostenlos.
Die Website berichtet, dass space-bunny-alpha bei einem standardisierten Teilsatz von 60 Fragen aus GPQA Diamond 82,0 Prozent erreichte. Zum Vergleich: GPT-6 Sol erreichte 95,45 Prozent bei einem unabhängigen Audit mit 198 Fragen, GPT-5.5 erreichte 93,6 Prozent beim von OpenAI veröffentlichten Ergebnis, und MiniMax M3 erreichte 92,9 Prozent bei 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. Bei einem Teilsatz von 300 Fragen aus Humanity's Last Exam kam das Modell auf 46,1 Prozent, mit einem 95-Prozent-Konfidenzintervall von 40,4 bis 51,8 Prozent.
Die Website berichtet außerdem, dass space-bunny-alpha bei denselben Benchmarks etwa ein Drittel der Ausgabetoken von Qwen3.8 Flash verbrauchte: 305.989 Ausgabetoken gegenüber 913.989. Das Modell erreichte 10,0 von 10 Punkten bei Datenparsing und -extraktion sowie bei Tool Calling, aber nur 4,2 bei allgemeiner Intelligenz und 3,0 bei Trivia.
Was das für die Missionswissenschaft bedeutet
Das Dossier enthält keinen direkten Zusammenhang zwischen der Konstellation von STAR.VISION und den Autonomieexperimenten der NASA. Beide deuten jedoch in dieselbe Richtung: mehr Rechenleistung im Weltraum und mehr Entscheidungen im Weltraum statt am Boden.
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, da Missionen komplexer, weiter entfernt und zahlreicher werden. Der Artikel zitiert Ambrose mit der Aussage, Ingenieure hätten Wege gefunden, die Komplexität autonomer Systeme zu bewältigen, darunter die Automatisierung des Testprozesses. China in Space berichtet, dass die Zentralregierung die nötigen Technologien für Space Computing als Schwerpunktbereich für den 15. Fünfjahresplan (2026 bis 2030) festgelegt hat, unter Beteiligung des Ministeriums für Industrie und Informationstechnik. Der Artikel merkt an, dass chinesische Firmen im globalen Boom der künstlichen Intelligenz stillschweigend die Führung beim Space Computing übernommen haben.
Der Benchmark Wildlife CSI und die Ergebnisse von space-bunny-alpha deuten unterdessen darauf hin, dass aktuelle KI-Modelle weiterhin Schwierigkeiten mit Aufgaben haben, 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, bleibt groß. Für die Missionswissenschaft heißt das: KI hilft zunehmend bei Datenverarbeitung, Zeitplanung und Anomalieerkennung, die menschliche Aufsicht aber bleibt unverzichtbar. Die Experimente auf der ISS und am Rover Perseverance zeigen, dass KI helfen kann. Sie zeigen aber auch, dass Menschen die Arbeit weiterhin prüfen.
Quellen
4- 01Star.vision Unveils 'Space.IDC' Computing Constellation with PartnersEN
- 02Autonomous AI in Space Exploration Raises New StakesEN
- 03I Made AI Look at Traces. For ScienceEN
- 04Space-bunny-alpha a reasoning model from an anonymous providerEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.