NASA 与 IBM 开源月球基础模型，把 17 年绕月数据变成科研底座

10 月 4 日，NASA 与 IBM Research 联合多所高校发布 NASA-IBM Lunar Foundation Model（月球基础模型），被称为首批面向月球科学的开源基础模型之一。它把 NASA 数十年积累的月球观测数据，转成了机器学习可直接使用的科研底座，尤其在极地水冰预测和陨坑识别上表现突出。

模型的训练数据来自 SomBench——目前最大的多模态共配准月球数据集。它涵盖 11 种模态、两个空间尺度，包含近 200 万组图块：约 100 万张窄角相机（NAC）约 1 米分辨率的高清影像，以及近 96.4 万张宽角相机 100 米分辨率的多光谱影像。数据主体来自月球勘测轨道器（LRO）长达 17 年的观测，其数据量超过 NASA 其他所有行星任务之和，并融合了 GRAIL、Lunar Prospector 与日本 Kaguya 探测器的重力、氢分布与矿物学信息。

与常见算法不同，这个基础模型并非为单一任务而生，而是先在海量无标注数据上预训练，再用少量标注样本适配具体任务——这对“观测多、标签少”的月球研究尤为关键。研究团队以 TerraMind 地球观测模型为底，从零训练，并显式把光照角度、太阳位置等成像几何作为输入，避免模型仅凭像素“猜”表面属性。在极地水冰预测上，它把最佳基线 SwinV2-B 的误差最高降低 22%；在粗尺度陨坑检测上领先近 19%，且只用一半数据就能达到可比效果。

对探月而言，永久阴影的极区常年低温，足以把水冰保存数十亿年，被视为未来取水、制氧与火箭燃料的潜在资源。该模型能高分辨率复原极区水冰分布的细粒度 pattern，帮助科研人员圈定最值得实地勘探的区域。它也能分割“不规则月海斑块”（IMPs）等年轻火成特征，挑战既有月球冷却时间线。

不过团队也明确：它是下游任务的“可复用地基”，不是物理测量仪器的替代品。在生成测试中，模型给出的经纬度有时会偏差数十度，绝对高程也可能整体平移。因此它更适合分析研判，而非精确定位。

该模型已在 Hugging Face 公开，代码托管于 GitHub，并集成进开源工具 TerraTorch，预训练数据集与评测基准也一并放出。这是 NASA 与 IBM 自 2022 年初“AI for Science”合作的延续——2023 年 8 月，双方曾发布首个 Prithvi 气候研究模型。把基础模型从地球观测扩展到月球，意味着“以数据驱动科学发现”的范式正在太空领域落地。