NASA与IBM发布开源月球基础模型，把30层月面数据汇入一张AI地图

NASA与IBM近日发布了一套开源月球基础模型（Lunar Foundation Model），目标是把数十年的月球观测数据汇入同一个系统，让月球更易于测绘、研究与规划。模型、统一数据集及相关代码通过Hugging Face与GitHub公开，研究者、高校、航天机构与初创公司都可以在它的基础上继续开发，而不必从零搭建一套月面AI系统。

数据规模是这项工作最直观的部分。模型在超过30层数据上训练，这些数据来自9台仪器、4次月球任务，其中包括NASA的月球勘测轨道飞行器（LRO）与重力恢复与内部实验室（GRAIL）。过去这些观测分散在不同任务与不同仪器中，研究者往往只能孤立处理单一数据集；统一进一套多模态系统之后，跨数据源的月面特征分析成为可能。

在能力上，该模型采用多模态思路同时处理多种月球信息，可用于识别撞击坑、绘制火山地貌，并评估可能含有水冰沉积的区域。水冰在月球上不只是科学趣味：水可以分解为氢和氧，与未来探索和资源规划直接相关。月球两极附近的永久阴影区温度极低、可能保存水冰，但用常规观测手段很难研究，模型把热学、地形与多光谱信息结合起来，用于圈定更有潜力的区域。

评测结果是这次发布里最硬的部分。与SwinV2基线相比，模型在冰潜势任务上把均方根误差（RMSE）降低了22%；在不规则月海斑块（irregular mare patches）的制图上，交并比（IoU）提升3%；在100米分辨率的撞击坑检测中，精度与平均精度均值（mAP）提升19%，而训练数据用量只有一半。

最后一项结果对算力有限的机构尤其有意义：它意味着不必依赖同等规模的标注数据，也能提取出可用的信息。对高校、小型航天机构与初创团队来说，这降低了自行构建月面AI能力的门槛。

IBM Research Europe主任Juan Bernabé-Moreno把这一过程比作在启程之前先弄懂陌生地形。这个类比也点出了模型的定位：它的目标不是再产出一张静态的月球地图，而是帮助任务团队判断该把仪器、机器人与着陆研究投向哪里。

除资源勘探之外，模型还服务于地质研究。撞击坑检测有助于理解月球的地质历史，同时为着陆区选址提供地形信息；不规则月海斑块的制图则与月球的火山活动历史相关。这些任务原本各自需要专门的模型，如今被收进同一套表征之中。

从方法论上看，这套模型延续了Prithvi系列基础模型所代表的开放科学路线，把这一思路从地球观测延伸到月球探索。在Artemis计划推动长期月球探索的背景下，如何把既有观测数据转化为可用的地图与科学洞见，正在变得和抵达月球同样重要。接下来的看点，是开源社区会把模型适配到哪些初始评测之外的问题上。