NASA en IBM maken AI-model voor de maan open source

TL;DR

• Wat: NASA en IBM hebben een open-source AI-model gebouwd dat ijsvoorraden, kraters en vulkanische kenmerken op de maan in kaart brengt — tot 22% nauwkeuriger dan bestaande methoden.
• Waarom relevant: Het laat zien hoe open-source foundation models met beperkte data en standaardhardware bruikbaar worden — ook buiten de ruimtevaart.
• Wat je ermee kunt: Onderzoek of een open-source foundation model in jouw sector (bijv. landbouw, logistiek, bouw) taken kan overnemen die je nu handmatig doet.

Ik viel over een bericht van The Rundown AI over een samenwerking tussen NASA en IBM. Niet omdat ik zelf iets met maanonderzoek doe, maar omdat de aanpak — een open-source AI-model dat met beperkte gelabelde data en gewone hardware werkt — precies het soort ontwikkeling is waar ik als ondernemer alert op wil zijn.

Wat is er precies gebouwd?

NASA en IBM hebben begin september 2026 het zogenaamde Lunar Foundation Model vrijgegeven. Dat is een AI-model, gebouwd op een Vision Transformer-architectuur (een type AI dat afbeeldingen analyseert), dat drie dingen kan:

1. IJsdetectie — Het model zoekt naar waterijs in kraters op de maan die permanent in de schaduw liggen. Die kraters zijn al miljarden jaren zo koud dat ijs er bewaard kan blijven. Het model combineert thermische data, radardata, zwaartekrachtmetingen en topografie om te voorspellen waar dat ijs zich bevindt.
2. Kraters in kaart brengen — Voor het selecteren van veilige landingsplaatsen.
3. Vulkanische geschiedenis traceren — Het herkent onregelmatige patronen die op relatief recente vulkanische activiteit kunnen wijzen.

Het model is getraind op SomBench, een dataset van meer dan 30 ruimtelijk uitgelijnde datalagen van negen instrumenten, verspreid over vier NASA-missies. De Lunar Reconnaissance Orbiter, die al ruim 17 jaar de maan in kaart brengt, leverde het leeuwendeel van de data.

De cijfers: wat presteert het?

Wat mij hier opvalt, zijn drie benchmarkresultaten:

• 22% minder fouten bij het identificeren van ijsvoorraden, vergeleken met gangbare methoden.
• 19% betere nauwkeurigheid bij het in kaart brengen van kraters — en dat met slechts de helft van de gelabelde trainingsdata die normaal nodig is.
• 3% verbetering bij het herkennen van vulkanische kenmerken, ondanks onvolledige trainingslabels.

Die 22% klinkt misschien abstract, maar stel je voor dat je als ondernemer een model hebt dat met de helft van de data die je normaal nodig hebt al betere resultaten levert. Dat scheelt tijd, geld en handwerk.

Open source: waarom dat ertoe doet

Het model is beschikbaar onder een Apache-2.0-licentie op Hugging Face en GitHub. Dat betekent: iedereen kan het downloaden, aanpassen en verbeteren. Geen IBM-infrastructuur nodig. Geen licentiekosten.

De fine-tuning — het aanpassen van het model voor een specifieke taak — werkt via LoRA (Low-Rank Adaptation). In gewone taal: 90% van het model blijft bevroren, en je traint alleen een klein stukje bij voor jouw specifieke toepassing. Dat maakt het haalbaar op standaardhardware, zonder een serverpark van tonnen.

Ik vind het eerlijk gezegd bijzonder dat een organisatie als NASA, samen met IBM, dit volledig opengooit. Het signaal is duidelijk: de waarde zit niet in het model geheim houden, maar in wat de wereld ermee doet.

Wat betekent "foundation model" eigenlijk?

Een foundation model is een groot, breed getraind AI-model dat je kunt hergebruiken voor allerlei taken. Vergelijk het met een goed opgeleide generalist die je met een korte bijscholing kunt inzetten als specialist. Je hoeft niet van nul te beginnen — je bouwt voort op wat het model al weet.

Dit is dezelfde aanpak die IBM eerder toepaste met TerraMind, een foundation model voor aardobservatie. Het maanmodel is daar een directe afgeleide van.

Wat betekent dit buiten de ruimtevaart?

Nu denk je misschien: leuk voor wetenschappers, maar wat heb ik hier als ondernemer aan? Ik snap die vraag. Maar kijk even naar het onderliggende patroon.

Het Lunar Foundation Model laat zien dat je met open-source AI, beperkte gelabelde data en bescheiden rekenkracht serieuze resultaten kunt halen in een domein dat voorheen alleen toegankelijk was voor grote organisaties met diepe zakken.

Dat patroon herhaalt zich in steeds meer sectoren:

• Landbouw: foundation models die satellietbeelden analyseren om gewasopbrengsten te voorspellen of ziektes vroeg te detecteren.
• Bouw en vastgoed: AI die luchtfoto's of dronebeelden analyseert voor inspecties, zonder dat je duizenden handmatig gelabelde voorbeelden nodig hebt.
• Logistiek: modellen die routedata of sensordata interpreteren met minimale aanpassing.

De technologie die NASA en IBM hier toepassen — een breed getraind model dat je met weinig data kunt specialiseren — is precies wat open-source AI-modellen nu ook voor het MKB bereikbaar maakt. Niet morgen, maar nu. De drempel is niet meer de technologie, maar de vraag of je weet welke taken in jouw bedrijf zich hiervoor lenen.

Van maanijs naar bedrijfsdata

Kun je je voorstellen dat je een model hebt dat — net als dit maanmodel — jouw bedrijfsdata combineert uit verschillende bronnen, en daar patronen in vindt die je handmatig over het hoofd zou zien? Stel dat je als ondernemer sensordata, klantdata en logistieke data hebt. Een foundation model dat je met een beperkte set voorbeelden kunt bijsturen, zou daar bruikbare inzichten uit kunnen halen.

Ik wil hier geen beloftes doen. Wat ik wel wil zeggen: de bouwstenen liggen er. Open-source modellen worden steeds beter, de hardware-eisen dalen, en de methoden om met weinig data toch goede resultaten te halen — zoals LoRA — worden steeds toegankelijker.

Een korte observatie

Voor mij is dit vooral een signaal dat de scheidslijn tussen "AI voor grote organisaties" en "AI voor de rest" dunner wordt. Als NASA en IBM een model vrijgeven dat op standaardhardware draait en met de helft van de data al betere resultaten levert, dan verschuift de vraag van "kunnen wij dit?" naar "waar passen wij dit toe?". Dat vind ik een interessantere vraag.