IBM 与NASA 联合发布首个开源月球研究AI模型

　　- NASA-IBM 月球基础模型将数十年的观测数据转化为科学探索的基础，以单一仪器无法实现的规模帮助科学家揭示数据中的模式。

　　- 该模型在识别月球表面关键地理特征（包括潜在冰沉积、陨石坑和火山构造）方面显著提升，助力人类持续重返月球；其识别率较广泛使用的方法最高提升 23%。

　　北京 2026年9月14日 /美通社/ -- 近日，IBM（NYSE: IBM）与 NASA宣布开源发布 "NASA-IBM 月球基础模型"（NASA–IBM Lunar Foundation Model）。作为首批面向月球科学探索、公开可用的基础模型之一，该模型由 IBM 和 NASA 研究人员整理的海量月球观测数据集训练而成，旨在帮助科研人员将数十年积累的、来自不同仪器的复杂数据转化为关键洞察，助力人类在月球建立长期足迹。

　　
IBM 与NASA 联合发布首个开源月球研究AI模型

　　月球地形始终处于变化之中。随着时间推移，月球表面不仅遍布新的陨石坑和水冰，甚至经历过多次火山活动。数十年来，通过传感器和仪器对月球的持续观测已经产生PB 级数据，科学家一直以来只能手动筛选地图和图像，或者使用低分辨率、只支持特定任务的机器学习模型来研究月表。这些方法需耗费大量计算资源，且缺乏识别和分析地理特征所需的科学精度。新发布的 NASA-IBM 月球基础模型可识别多种类型和分辨率的月球数据，并揭示数据之间的隐藏关系，加速研究进展。

　　具体而言，研究人员可使用该基础模型研究多种月球现象，包括：

• 潜在月球冰沉积：永久阴影区是最难观测的月球环境之一，但其地下可能含有月球冰。月球冰意味着水和氧的存在——这些资源对未来月球基地的建立以及火星任务的火箭燃料来源至关重要。NASA-IBM 模型可结合多模态和多分辨率观测，预测月球表面可能存在冰的位置。NASA和IBM 联合发表的技术论文显示，与 SwinV2-B (ImageNet) 模型相比，该模型在识别月球冰高潜力区域时的误差（RMSE）最多可减少22%。[1]
• 火山活动历史：通过研究被称为 "不规则月海斑块"（Irregular Mare Patches）的月球火山特征，科学家得以更好地理解月球火山的历史和热演化。此外，识别这些变化区域对未来月面作业有着重要意义。使用不完美标签时，该模型对火山特征的捕捉范围比 SwinV2-B (ImageNet 模型) 多3%，确保精度相当的同时实现更高效率和更低微调成本。[2]
• 陨石坑检测：陨石坑是月球最重要、最具辨识度的特征之一，可揭示有关其历史的重要线索，例如不同地形的年龄、地质以及早期月球内部的化学组成。陨石坑测绘还能帮助 NASA 选择安全着陆点，避开陡坡和巨石等危险，并规划长期基础设施的选址。借助该模型，研究人员可以在米级分辨率下识别、结合上下文分析并分类陨石坑；相关论文显示，其精度与 SwinV2-B 等先进模型相当，同时效率和微调成本更优。在上下文尺度分辨率（约100米）下，它仅使用一半的训练数据，就比 SwinV2-B 高出近19%。[3]

　　NASA 华盛顿总部首席科学数据官、代理首席数据与 AI 官 Kevin Murphy 表示："NASA 用数十年建立了一套全面的月球科学数据记录，但收集数据只是工作的一部分。我们还要让数据更好地支持科研人员的探索和使用。NASA-IBM 月球基础模型展示了将 AI 引入 PB 级科学数据带来的可能性。这正是AI带来的真正机遇：把大规模数据转化为新的科学发现。"

　　IBM 研究院欧洲、英国和爱尔兰地区负责人 Juan Bernabe-Moreno 表示："揭开月球奥秘，从海量科学数据中学习的能力必不可少。NASA-IBM 月球基础模型为科研人员提供了规模化探索月球的基础，打通跨仪器的观测洞察，从而揭示单点观察中难以发现的模式，并打造全球性的开放研究平台。"

　　尽管月球数据丰富，但尚无公开可用的统一数据集，能将多模态、多分辨率的数据纳入适合现代机器学习的通用框架。除了基础模型，IBM 和 NASA 科学家还构建了业界首个开源月球数据集——一个统一的、可直接用于机器学习的月球数据集，聚合来自四次月球任务、九种观测仪器的 30 多个空间对齐层。该数据集整合了数万张图像和地图数据，来源包括 NASA 的月球勘测轨道飞行器（LRO）及其"重力恢复与内部实验室"（GRAIL）任务，以及日本宇宙航空研究开发机构（JAXA）的"月亮女神"（SELENE）任务，为月球科学界提供丰富的多模态月表和次表层视图。

　　NASA-IBM 月球基础模型延续了双方的多年合作，旨在将宝贵的科学数据转化为面向整个科学界的研究基石。通过开源该模型，科学家和研究人员得以借助前沿 AI 技术加速月球探索。该模型成为Prithvi 系列开放基础模型的最新成员，后者已覆盖地理空间、天气、太阳物理、月球等观测数据。这些模型的背后是一个更宏大的愿景：研究人员无需为每个科学问题打造新的算法系统，而是充分利用共享模型，加速跨领域的科研发现。

　　关于IBM

　　IBM 是全球领先的混合云、人工智能及企业服务提供商，帮助超过 175 个国家和地区的客户，从其拥有的数据中获取商业洞察，简化业务流程，降低成本，并获得行业竞争优势。金融服务、电信和医疗健康等关键基础设施领域的超过 4000 家政府和企业实体依靠 IBM 混合云平台和红帽 OpenShift 快速、高效、安全地实现数字化转型。IBM 在人工智能、量子计算、行业云解决方案和企业服务方面的突破性创新为我们的客户提供了开放和灵活的选择。对企业诚信、透明治理、社会责任、包容文化和服务精神的长期承诺是 IBM 业务发展的基石。了解更多信息，请访问：

　　媒体联络人

　　崔守峰，

　　[1] "Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing", pg 17，IBM和NASA联合署名 [2] "Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing", pg 17，IBM和NASA联合署名 [3] "Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing", pg 15，IBM和NASA联合署名