IBM 与 NASA 发布开源 AI 模型支持月球探索

IBM 与 NASA（美国国家航空航天局）宣布开源发布 NASA‑IBM 月球基础模型（NASA-IBM Lunar Foundation Model），这是首批面向月球科学探索的公开基础模型之一，现已可用。该模型基于 IBM 与 NASA 研究人员整理的大规模月球观测数据集训练而成，能够帮助科学家将数十年积累的复杂多仪器数据转化为科学见解，为人类在月球上建立可持续存在提供支持。

月球的地形在不断变化。随着时间推移，月球表面形成了陨石坑、分布了冰，甚至经历过火山活动。几十年来，传感器和仪器持续观测月球，产生了 PB 级的数据。但要研究月球表面，科学家要么需要手工翻阅地图和图像，要么使用低分辨率、任务特定的机器学习模型。这些方法计算密集，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 月球基础模型将帮助研究人员加速科学进展，通过识别多种类型、多种分辨率月球数据之间隐藏的关系来实现。

研究人员可以利用 NASA-IBM 月球基础模型研究多种月球现象，包括：

潜在的月球冰沉积：永久阴影区是月球上最难观测的环境之一，但它们的地下可能蕴藏月球冰。月球冰意味着水和氧气的存在——这些资源被认为是未来月球基地以及为未来火星任务生产火箭燃料所必需的关键资源。NASA-IBM模型结合多模态、多分辨率观测，预测月球表面哪些区域可能存在冰。一篇由 NASA-IBM 撰写的技术论文显示，与 SwinV2-B（ImageNet）模型相比，NASA-IBM 模型在识别月球冰高潜力区域方面的误差（RMSE）最多降低了 22%。

火山历史：科学家研究被称为"不规则月海斑块"（Irregular Mare Patches）的月球火山地貌，以更好地了解月球的火山历史和热演化。此外，识别这些不断变化的区域对未来的表面作业具有战略意义。在存在不完美标注的情况下，该模型比 SwinV2-B（ImageNet 模型）对火山地貌范围的捕捉提升了 3%，在相当精度下实现了更高的效率和更低的微调成本。

陨石坑检测：陨石坑是月球最重要、最具辨识度的特征之一，能揭示其历史的重要线索，例如不同地形的年龄、地质状况以及早期月球内部的化学成分。陨石坑测绘还能帮助 NASA 选择安全的着陆点、避开陡坡和巨石等危险，并规划长期月球基础设施的位置。借助该模型，研究人员现在可以在米级分辨率下识别、定位和分类陨石坑——所引论文显示其精度与 SwinV2-B 等最先进模型相当，同时效率更高、微调成本更低。在上下文尺度分辨率（约 100 米）下，它仅用一半的训练数据，性能就比 SwinV2-B 高出近 19%。

"NASA 花了几十年建立了非凡的月球科学记录，但收集数据只是工作的一部分，"NASA 总部首席科学数据官兼代理首席数据与 AI 官 Kevin Murphy 说。"我们还必须让数据更容易被科学家探索和使用。NASA-IBM 月球基础模型展示了当我们把 AI 应用于 NASA 的 PB 级科学数据时能实现的成果。这就是我们在 AI 中看到的真正机遇：把大规模数据转化为新发现。"

"揭开月球之谜，需要具备从海量科学数据中学习的能力，"IBM 欧洲、英国和爱尔兰研究院院长 Juan Bernabe-Moreno说。"NASA-IBM 月球基础模型为科学家提供了大规模探索月球的基础，连接跨仪器的观测、揭示孤立观察难以发现的模式，并为全球研究社区提供一个可以在此基础上构建的开放平台。"

尽管月球数据非常丰富，但此前并不存在一个公开可用的统一数据集，能够把多模态、多分辨率的数据纳入适合现代机器学习的通用框架。除模型之外，IBM 和 NASA 科学家还构建了同类首个开源月球数据集——一个统一的、机器学习就绪的月球数据集，汇聚了来自四次任务的九台仪器的 30 多个空间对齐数据层。该数据集结合了 NASA 月球勘测轨道飞行器（LRO）和 NASA GRAIL 任务的数万张图像与地图，展示了月球表面独特的地球物理性质，并纳入了日本宇宙航空研究开发机构（JAXA）SELENE/Kaguya 任务的补充月球数据，为月球科学社区提供了一个丰富的、多模态的月球表面及地下观测视角，供其在此基础上继续构建。

该模型延续了 IBM 与 NASA 既有的合作，将宝贵的科学数据转化为向整个科学界开放的发现基础。通过开源该模型，科学家和研究人员得以使用最前沿的 AI 系统，加速月球探索的进展。

它加入了 Prithvi 开放基础模型家族——覆盖地理空间、天气、太阳物理学，如今又扩展到月球。这些模型共同推动一个更宏大的愿景：研究人员无需为每一个科学问题构建新的算法系统，而是可以从一个共享模型出发，将其适配到新任务，从而跨领域加速发现。