Hvordan AI hjalp med at lancere Artemis II-månelanding

Den 1. april 2026 spændte fire astronauter sig fast i Orion-rumfartøjet og fløj med en raket ind i historien. Kommandør Reid Wiseman, pilot Victor Glover og missionspecialister Christina Koch og Jeremy Hansen blev de første mennesker, der rejste rundt om månen siden Apollo-missionerne.

Deres 10-dages mission var en bedrift af menneskelig intelligens og ekspertise. Det viste dog også AI som en partner i rumforskning.

SIAT: Den AI, der overvåger alt

I centrum af Orions onboard-intelligens er der et system kaldet System Invariant Analysis Technology (SIAT), der er udviklet af NEC Corp. og integreret i Lockheed Martins rumfartøjsystemer. SIAT er en analytics-motor, der overvåger sensor-data kontinuerligt, lærer det normale adfærdsmønster for komplekse systemer og markerer afvigelser, før de udvikler sig til fejl.

Under evalueringerne modellerede SIAT milliarder af relationer på tværs af mange systemvariable og sensorer. Moderne rumfartøjsystemer som Orion genererer store mængder telemetri- og testdata, så SIAT havde meget at arbejde med. Denne mængde information, samt den hastighed, det skulle analyseres, er ud over kapaciteten for menneskelige operatører alene.

Denne teknologi er integreret i Lockheed Martins Technology for Telemetry Analytics for Universal Artificial Intelligence (T-TAURI)-platform, en analyse-ramme, der skaber et komplet billede af rumfartøjets sundhed. Denne forbindelse resulterer i proaktiv fejl-opdækning, der omfatter design, udvikling, produktion og live-missionsoperationer.

SIAT er et af de mange AI-modeller, der sidder langt fra rampelyset, men det er højt essentiel i et besætnings-rumfartøj. Det er stille, men i stand til at fange problemer, der kan være vanskelige at overvåge manuelt.

Digital tvillinge og autonome systemer

Før nogen astronauter gik om bord på Orion, kørte ingeniører og besætningsmedlemmer fulde simulationer inde i en kopi af rumfartøjet, hvor de øvede scenarier, der ikke kunne testes under normale jordforhold.

Digital tvilling-simulationer henviser til AI-drevne virtuelle modeller af rumfartøjets fysiske systemer. Disse værktøjer tillod holdene at stressteste vitalle elementer af rumfartøjet og missionen, såsom livsstøtte, navigation og kommunikation under forhold, der er næsten umulige eller farlige at genskabe i jordbaserede laboratorier.

Computerne om bord på fartøjet var designet til at holde essentielle systemer i gang under de højstrålingsforhold i rummet. Denne arkitektur, kombineret med autonome algoritmer, der styrer banen i realtid, tillod rumfartøjet at opretholde operationer under de forlængede kommunikations sorte udsletter, der er en del af dyb-rum-rejser.

Alexa i kredsløb: Callisto-teknologidemonstrationen

En af de mest synlige AI-anvendelser om bord på Artemis-missionerne har været Callisto, en teknologidemonstration udviklet i samarbejde mellem Lockheed Martin og NASA.

Callisto har integreret Amazon’s Alexa-lydassistent og Cisco’s Webex-kommunikationsplatform direkte i Orions central-konsol. Det forbinder via NASA’s Deep Space Network. Denne integration giver både astronauter og fly-operatører på Johnson Space Center en håndfri grænseflade til dyb-rum-operationer.

Et bemærkelsesværdigt aspekt af Callisto-projektet er dets offentlige facette. Under Artemis I-missionen inviterede Lockheed Martin mennesker på Jorden til at engagere sig direkte med integrationen, hvor de samlede beskeder for menneskeheden og holdet bag Artemis-missionerne. Det er et tidligt eksempel på, hvordan AI kan fungere som en bro mellem en mission hundredtusinder af kilometer væk og den bredere offentlighed, der følger med fra hjemmet.

Dybe læring til månenavigation

At komme til månen er en udfordring. At have astronauter, der ved, hvor de er, når de er der, er en anden opgave. Da Apollo-besætningerne arbejdede inden for et mindre område, havde de ikke brug for præcis bredt-område-navigation. Men Artemis-missionerne, der sigter mod månens sydpol, vil kræve, at astronauter skal orientere sig over et større og mere komplekst terræn.

I 2018 byggede forskere på Frontier Development Lab et AI-navigationsværktøj ved hjælp af en detaljeret simulation af månens terræn. Astronauter kan fange billeder af deres omgivelser, og dybe læring-modeller vil sammenligne dem med den simulerede omgivelse for at bestemme deres koordinater præcist.

Systemet fungerer som en GPS, der arbejder med maskin-vision i stedet for satellitter, hvilket viser stor løfte, da missioner vokser i omfang og ambition. AI bliver allerede brugt på tværs af missioner til at navigere og udforske nye terræner og exoplaneter. Med tiden kan denne teknologi udvikle sig yderligere og udvide menneskers viden om universet.

Styringsgapet

Da AI overtager mere ansvar i besætnings-rumfart, stiller regeringer og institutioner spørgsmål om tilsyn og ansvarlighed. FN’s kontor for ydre rum har kaldt til styre-rammer, der afhænger af disse nøgleobjektiver:

• Etisk og gennemsigtig AI til rumoperationer: Dette kræver forklarlige AI-systemer, meningsfuld menneskelig tilsyn og robuste sikkerhedsforanstaltninger, især for kritiske funktioner.
• Fairness, inklusivitet og global kapacitetsopbygning: For at adresse fordomme i AI-modeller og den urente fordeling af ressourcer, fremhæver UNOOSA diverse datasæt, åben adgang til data og værktøjer samt målrettede træningsprogrammer for udviklingslande.
• Ansvarlig udvikling og brug af georumlige grundmodeller: Mens organisationen anerkender potentialet for store AI-modeller, understreger den behovet for en omfattende evaluering ud over nøjagtighed. Dette inkluderer faktorer som energiforbrug, robusthed og sociale og etiske påvirkninger.
• Integration af klimaresistens og bæredygtighed: Kontoret opfordrer til integration af klima-overvejelser på tværs af hele livscyklussen for AI og jordobservationsteknologier.
• Beskyttelse af dataejerskab og integritet: Dette objektiver fokuserer på behovet for foranstaltninger til at forhindre data-manipulation og sikre oprindelsen af georumlig information.

Et bemærkelsesværdigt aspekt af UNOOSA’s politik-brief er opfordringen til rammer, der skal skabe sikkerhedssager før udsendelse. Disse anbefalede politikker godkender AI-beslutninger inden for definerede parametre for rummissioner, hvor realtids-menneskelig intervention er umulig.

AI vil sandsynligvis træffe beslutninger i rummet, især i kritiske situationer, hvor kommunikationssystemer er kompromitteret. Mens holdene stræber efter at forhindre, at dette sker, er det alligevel afgørende at forberede sig på disse situationer og afgøre under hvilke betingelser AI kan træffe beslutninger og med hvilket niveau af menneskelig tilsyn.

Hvad Artemis II beviste

Artemis II validerede med succes Orion-rumfartøjets systemer, besætningsoperationer og missions-procedurer under forhold, der ikke kan genskabes på Jorden. Undervejs har det også valideret måder, hvorpå mennesker og AI kan arbejde sammen ud over atmosfæren.

Apollo-æraen krævede ekstraordinær menneskelig præstation under pres, primært på grund af nødvendighed. Artemis tager en anden, mere fordelt tilgang, som er samarbejdet mellem menneskelig intuition og træning og maskin-intelligens.

Her håndterer AI den kontinuerlige, data-intensive overvågning, der kan være vanskelig for besætningen at håndtere. Denne assistance har frigjort deres tid og indsats, så de kan fokusere på de beslutninger og processer, der kun kan træffes af mennesker.

For AI-entusiaster er Artemis II-månelandingen et bevis på, hvad bevidst og gennemtænkt AI-integration kan opnå, især med fire liv, der afhænger af, at teknologien får det rigtigt.