IBM与NASA合作推出开源月球AI模型，重塑月表探测与资源评估

IBM与美国国家航空航天局（NASA）日前联合发布了一款开源人工智能模型，旨在助力科研人员高效分析月球观测数据，其应用范围广泛，包括绘制月球撞击坑、分析火山特征以及识别可能蕴藏水冰的区域。

这款名为“NASA-IBM月球基础模型”的创新成果，能够整合在不同分辨率和光照条件下采集的观测数据。IBM方面指出，该模型旨在为月球遥感研究提供一个可复用的起点，从而避免了针对每项特定任务都需从零开始训练独立系统的繁琐过程，极大地提升了科研效率。

月球研究依赖于多种探测仪器，它们以不同的方式和尺度对月球进行测量。例如，NASA的“月球重力恢复与内部实验室”（GRAIL）任务负责绘制月球引力场的变化图，而“月球勘测轨道飞行器”（LRO）则产出了更高分辨率的图像和测量数据，广泛用于地形和极地水冰的研究。

该系统经过精心训练，整合了来自NASA四项任务中九台仪器的逾30层数据。据该模型的技术说明显示，它采用了一种视觉转换器编码器-解码器架构，训练数据量庞大，包含约200万个经过协同配准的月球瓦片数据集，涵盖11种模态，并处理了两种主要空间尺度的数据。其中部分输入数据的分辨率可达每像素约一米，而另一些则为每像素约一百米。

此系统借鉴了IBM与欧洲空间局此前为地球观测开发的“TerraMind”方法。针对月球探测的特殊性，其月球版本特别融入了关于数据获取几何的信息，包括光照角度，因为月球表面的外观会随太阳位置显著变化。同时，它还在一个训练流程中融合了高分辨率和较低分辨率的样本数据。

模型的支持数据产品来自NASA的各类仪器，以及日本的“辉夜”（Kaguya，又称SELENE）月球探测器。该模型及其配套的基准数据集已向全球科研社区开放，旨在推动更广泛的创新与应用。

IBM与NASA最初对该模型进行了评估，聚焦于月球科学的三个核心领域：月球两极附近的水冰勘探潜力、撞击坑的识别，以及对不规则月海斑块的测绘。后者是一种火山地质特征，有望帮助科学家深入研究月球的地质历史。

在水冰勘探潜力的基准测试中，项目团队报告称，相较于作为基线的SwinV2转换器模型，新模型将错误率降低了22%。在每像素100米分辨率下的撞击坑探测任务中，该模型在仅使用一半训练数据的情况下，性能超越同一基线近19%。而在米级尺度的撞击坑探测中，其结果被描述为与基线相当，而非显著优越。此外，在不规则月海斑块的测绘方面，模型也实现了较小的改进。

本次发布标志着IBM与NASA在构建“Prithvi”系列开放基础模型方面的又一重要进展，该系列模型广泛应用于地理空间、气象及其他科学领域。

项目文档对结果的解读提出了明确限制。模型技术说明指出，所生成的数据场并非经过校准的预测，不应取代传统仪器、立体摄影测量或大地测量系统。该模型尚未获得用于操作决策的验证，例如认证着陆点或清除路线障碍等。

水冰产出评估是基于知识型参考地图进行的勘探潜力估计，而非直接测量冰体。文档同时说明，该模型未维护绝对大地测量参考框架，且其最高分辨率的训练覆盖范围分布于选定地点，并非全球密布。

科研人员可以利用发布的检查点和代码，对编码器进行调整，以执行检测、分割和回归任务。IBM表示，其团队在初步微调工作中采用了轻量级低秩适配器，使基础模型的大部分权重保持不变。

潜在的月球水冰资源备受关注，因为水可以为未来的载人任务提供生命支持，还可能提供氧气或用于生产火箭燃料的材料。更精准的撞击坑地图则有助于科学家研究月球表面的演化历史，并缩小需要更详细勘探的区域。

NASA的“阿尔忒弥斯”计划正致力于恢复载人月球探测，目前规划于2028年实现宇航员重返月球表面。随着计划的推进，具体时间表和任务方案仍可能调整。

此次开源发布使得IBM和NASA之外的研究团队也能获取该模型、数据集及评估材料。其在实际应用中的价值，将取决于独立的测试、针对特定任务的微调以及与新观测数据的验证，方可应用于科学或操作工作流程中。