当地时间9月10日，IBM与NASA联合发布了NASA-IBM月球基础模型（Lunar Foundation Model）。这是一款开源的多模态人工智能系统，已在Hugging Face平台上线，供全球研究人员免费下载使用。

该模型旨在解决月球科学领域长期存在的数据瓶颈。数十年来，各类探测仪器积累了数PB的月球观测数据，但研究人员大多仍依靠人工翻阅地图和图像，或使用低分辨率的单一任务模型，效率低下且难以规模化。

三大应用方向

NASA和IBM为模型确定了三个优先应用场景。

首先是寻找潜在的水冰资源：

月球永久阴影区是太阳系中最难观测的环境之一，但那里可能蕴藏着水冰。水冰意味着水和氧气的存在，对未来月球基地的建设和火箭燃料生产具有战略价值。模型通过融合不同分辨率的多模态观测数据，预测冰层可能存在的区域。

其次是研究月球火山历史：

科学家通过分析“不规则月海斑块”来理解月球的火山活动和热演化过程，模型能够更高效地识别这些地质特征的分布范围。

第三是陨石坑的识别与分类：

陨石坑是月球最重要的地貌特征，记录了不同地形的年龄、地质结构乃至月球内部化学成分的信息。准确的陨石坑地图还能帮助NASA选择安全的着陆点、避开陡坡和巨石，并规划长期月球基础设施的选址。

基准测试表现

根据IBM和NASA公布的数据，该模型在识别月球表面关键地理特征方面，比广泛使用的方法准确率高出最多23%。在与微软SwinV2-B视觉模型的对比测试中，模型在冰层识别任务上的误差降低了23%；在陨石坑识别和分类任务中，性能高出19%，而训练数据用量仅为后者的一半。

一个值得关注的实战案例是：今年8月5日一枚SpaceX猎鹰9号火箭撞击月球后，IBM将撞击区域的图像输入模型，模型在首次尝试中便正确识别出这是一个新形成的陨石坑——尽管它与一个已有的陨石坑高度重叠。这一案例说明模型在处理月球遥感中“重叠地质特征”这一核心难题上具备实际能力。

技术架构与数据基础

该模型基于IBM与欧洲空间局联合开发的地球观测模型TerraMind构建，后者擅长整合不同模态和分辨率的数据，并能学习跨模态关联以填补缺失或含噪声的数值。

训练数据来自9台仪器、4次探测任务，包括NASA的月球勘测轨道飞行器和GRAIL任务，以及日本的SELENE/Kaguya任务。研究人员将30多个空间对齐的数据层整合为一个统一的、机器可读的数据集，命名为SomBench，包含近200万个重叠的地图切片。

开放资源与背景

模型权重已在Hugging Face开放下载，配套的SomBench数据集也已公开发布。该模型是IBM与NASA合作的Prithvi系列基础模型的最新成员。此前该系列已涵盖地球观测、气象预报和太阳物理学应用。

IBM研究院欧洲（英国和爱尔兰）主任Juan Bernabé-Moreno表示：“NASA-IBM月球基础模型为科学家提供了规模化探索月球的基础，将不同仪器的观测连接起来，揭示孤立数据中难以看到的规律。”

（ 素材来自：IBM/NASA 智算芯能前沿网综合）

本文由智算芯能前沿网编辑整理，转载请注明出处。