NASA 与 IBM 发布开源月球基础大模型：面向冰区识别与撞击坑分析

据 IT之家 9 月 10 日消息，NASA 与 IBM 在当地时间周四联合发布了一套面向月球科研的开源人工智能系统——NASA-IBM 月球基础大模型，并已可在 Hugging Face 平台下载。来源显示，在 NASA 继续推进阿尔忒弥斯系列任务的背景下，这一模型被定位为科研人员分析月表环境的新工具，可用于识别潜在月表冰区、陨石坑分类以及新撞击坑探测等任务。

今年春天，NASA 阿尔忒弥斯 2 号任务完成月球掠飞，来源称这是 1972 年之后人类首次载人绕月飞行。随着后续载人登月与月面科研任务逐步筹备，月球南极等区域的资源识别、地形理解和风险评估变得更关键。对 AI 行业而言，这次发布的重点不仅在“模型”，还在于 NASA 与 IBM 同步开放了配套数据集，为月球遥感领域提供了更接近通用基础设施的工具链。

模型能做什么：找冰区、看撞击坑，还能处理复杂月面光影

IBM 欧洲、英国及爱尔兰研究院院长胡安·贝尔纳韦-莫雷诺博士介绍，作为基础大模型，该系统可以执行多类月球图像与遥感分析任务。其中最受关注的是识别月球表面可能存在冰的区域。NASA 与 IBM 将模型预测结果同一套由成熟科研流程生成的月球地图对照，该地图融合了地形、温度及其他环境数据。研究团队还把新模型与微软高分辨率图像视觉处理模型 SwinV2-B 进行比较，结果显示 NASA-IBM 模型的识别误差降低了 23%。

在陨石坑识别与分类测试中，新模型同样表现突出。来源显示，在只使用一半训练数据的情况下，该模型性能比 SwinV2-B 高出 19%。8 月 5 日，一枚 SpaceX 猎鹰 9 号火箭撞击月球，研究团队利用这次事件验证模型能力。IBM 将撞击影像输入模型后，系统识别出了新形成的陨石坑，即便该新坑与已有陨石坑存在大面积重叠。

• 开放方式：模型以开源形式发布，可在 Hugging Face 获取。
• 核心任务：潜在冰区识别、陨石坑识别与分类、新撞击坑发现。
• 对比基准：研究团队采用常用于图像分析任务的 SwinV2-B 作为参照。
• 数据来源：包括 NASA LRO、GRAIL 任务以及日本 SELENE 月球探测器等。

为什么月球模型难训练：阴影、相似地貌与数据配准都是挑战

月球视觉分析并不是把地球遥感模型直接迁移过去那么简单。贝尔纳韦-莫雷诺解释称，地球遥感图像通常有大气散射形成的环境光，阴影区域仍保留一定信息；但月球没有类似条件，阴影边界非常锐利，深色区域像素往往不携带有效信息。同一处陨石坑在不同太阳照射角度下，外观可能差异巨大，这对模型的稳定识别提出了更高要求。

传统计算机视觉训练方式也遇到问题。常见做法是遮挡图像一部分，让模型根据已学到的视觉规律补全内容。但月球轨道图像中大量陨石坑外观高度相似，如果简单采用这种方法，模型很容易学不到真正可泛化的地质特征。来源称，IBM 最初尝试传统训练方式并未成功，随后团队改用类似把月球切分为多个扇形区块的方案，使训练集与测试集区块完全分离，以提升训练与评估的一致性。

影响解读：开源数据集可能比单个模型更重要

这次发布对 AI 科研社区的意义，在于 NASA 与 IBM 同时推出了被称为全球首个同类开源数据集。该数据集整合了数万张影像与探测仪器数据，并通过网格体系完成配准，让影像中的每个像素都能关联到模型可调用的其他维度探测信息。来源提到，这套数据集包含超过 200 万个数据点。

从产业视角看，NASA-IBM 月球基础大模型展示了专用科学基础模型的一个方向：它并不追求通用对话能力，而是围绕高价值科研场景，把多源数据、领域知识和视觉模型结合起来。对未来月球基地选址、资源勘探、任务规划和自动化探测而言，这类工具有望减少人工标注与判读成本，并提高对复杂地貌变化的响应速度。

更重要的是，开源模型与配准数据集可能吸引更多高校、研究机构和开发者复现实验、训练新模型或扩展任务。正如 IBM 方面所强调，AI 模型会不断被更新系统替代，但高质量数据才是支撑后续模型演进的根基。对中文科技读者而言，这也是观察 AI 从互联网应用走向深空科学的一次典型案例。