检测到您的浏览器版本过低，可能导致某些功能无法正常使用，建议升级您的浏览器，或使用推荐浏览器 Google Chrome 、Edge、Firefox 。 X
随着月球探测任务不断推进，人类已经积累了规模庞大的月球观测数据。如何从这些海量数据中快速提取有价值的信息，成为月球科学研究面临的现实问题。针对这一问题，美国国家航空航天局（NASA）与IBM近期联合开发出NASA-IBM月球基础模型（NASA-IBM Lunar Foundation Model），将来自不同探测任务、不同仪器和不同空间尺度的月球观测数据进行整合，并训练形成面向月球科学的基础模型。该模型进一步应用于月球冰层、火山特征和陨石坑等多个研究任务，并通过开源模型、数据集和相关工具，为科研人员提供使用和进一步开发的条件。
（一）数据困境：月球观测数据快速增长，但利用难度也在增加
几十年来，各类传感器和科学仪器持续观测月球，积累了海量数据。然而，数据规模的快速增长并没有自动转化为科研效率的提升。过去，科学家主要通过人工筛查地图和图像，或者针对具体任务使用低分辨率、面向单一任务的机器学习模型。这些方法不仅需要投入大量时间和计算资源，而且在面对复杂月球地理特征时，也难以充分满足科研所需的准确性和处理效率。
与此同时，不同探测任务获得的数据在类型、尺度和分辨率等方面存在显著差异。例如，NASA的GRAIL任务以每像素约20千米的尺度绘制月球重力场，用于观测月壳及地下结构；而月球勘测轨道飞行器（LRO）则能够以每像素1米的尺度，对小型巨石和陨石坑边缘进行高分辨率成像。对于月球科学家而言，如何将这些不同来源、不同尺度的数据放在同一个分析框架中，是长期存在的挑战。
因此，NASA-IBM月球基础模型的研发，首先针对的并不是某一个具体科学问题，而是如何更有效地整合和利用已经积累的海量月球观测数据。
（二）模型构建：从海量数据预训练到多源信息融合
针对传统数据利用方式存在的不足，NASA与IBM构建了NASA-IBM月球基础模型。与过去针对单一任务从头训练专用模型不同，该模型首先利用大规模月球数据进行预训练，再通过少量标注数据进行调整，使其能够适配不同的月球科学任务。
基于NASA海量无标注数据集进行预训练
与传统模型需要针对特定任务从头设计、训练不同，NASA-IBM月球基础模型首先在海量月球数据集上进行预训练，再通过快速微调适配不同的科学任务。通过预训练，模型可以获得更广泛的月球数据表征能力，从而在少量标注数据的基础上完成不同任务的调整。
其中，NASA的月球勘测轨道飞行器（LRO）在过去17年持续获取月球表面数据，其任务产生的数据量超过NASA其他所有行星任务的数据总和，并形成了覆盖月球大部分表面的高分辨率观测数据。NASA-IBM模型使用其中约200万幅图像切片进行训练，包括超过100万幅分辨率为1米的高分辨率相机图像，以及近96.4万幅分辨率为100米的多光谱图像。
除LRO数据外，模型还使用了多个其他月球探测任务的数据，包括NASA的GRAIL任务、月球勘探者号，以及日本宇宙航空研究开发机构（JAXA）的SELENE/Kaguya任务，从而形成更为丰富的月球表面和地下结构多模态数据基础。
NASA华盛顿总部首席科学数据官兼代理首席数据与人工智能官凯文·墨菲表示，NASA数十年来积累了丰富的月球科学数据，但收集数据只是第一步，更重要的是让科学家能够更加方便地探索和使用这些数据。NASA-IBM月球基础模型正是试图通过人工智能，将大规模科学数据转化为新的研究发现。
构建统一的开源月球数据集
尽管月球数据资源丰富，但目前尚不存在公开可用的统一数据集，能够将多模态、多分辨率数据纳入适用于现代机器学习的共同框架。作为模型开发的一部分，IBM和NASA科学家构建了首个同类开源月球数据集——这是一个统一、可直接用于机器学习的月球数据集，汇集了来自四项任务、九种仪器的30多个空间对齐图层。该数据集整合了数万张图像和地图，展示了月球表面独特的地球物理特性。
采用能够处理多种科学“方言”的AI架构
为了整合不同仪器、不同空间尺度的测量结果，NASA和IBM选择了TerraMind的一个版本，作为能够熟练处理多种科学“方言”的AI架构。TerraMind由IBM与欧洲航天局（ESA）共同开发，能够处理不同类型、不同分辨率的数据，并学习跨模态数据之间的关联，以填补缺失或含噪数据。这一架构使NASA-IBM模型能够将不同来源的月球观测数据放入统一的模型框架中，从而减少不同数据类型之间的割裂，并帮助研究人员发现单独分析某一种观测数据时难以识别的规律。
通过LoRA实现轻量级任务适配
IBM和NASA的开源基础模型首次尝试将数拍字节的卫星数据转化为一种快速、灵活的月球表面建模方式。在模型微调阶段，研究人员采用轻量级低秩适配器（LoRA），使基础模型约90%的权重保持冻结。研究人员无需对整个基础模型进行大规模重新训练，只需进行较小幅度的调整，就可以将其应用于具体的月球研究任务。这种方式使月球基础模型能够在保持预训练能力的同时，以相对较低的调整成本适应不同任务，为后续开展多种月球科学应用提供了基础。
（三）应用场景：一个基础模型服务多个月球研究任务
完成基础模型构建后，NASA和IBM首先将其应用于三个具有代表性的月球科学问题：寻找潜在冰资源、研究火山历史和识别陨石坑。
（1）寻找潜在月球冰沉积物：永久阴影区是月球上最难观测的区域之一，但由于长期处于极低温环境，其表面及地下可能存在较为稳定的冰。月球冰资源不仅有助于研究月球历史，也可能为未来月球基地以及前往火星的任务提供水和氧气等资源。NASA-IBM模型结合多模态和多分辨率观测结果，预测月球表面可能存在冰的区域。一篇由NASA-IBM联合署名的技术论文显示，在识别月球冰高潜在区域方面，与SwinV2-B（ImageNet）模型相比，NASA-IBM模型将均方根误差（RMSE）最多降低了22%。
（2）研究月球火山历史：科学家长期利用月球火山地貌研究其地质演化过程，其中一种被称为“不规则月海斑块”的火山特征尤其值得关注。NASA-IBM模型可以帮助科学家识别和绘制这些火山特征的分布，从而为研究月球过去的火山活动及热演化提供更多数据支持。借助不完善的标注，该模型比SwinV2-B（ImageNet模型）更准确地捕捉火山特征的范围，准确率提高了3%，同时实现了相当的精度、更高的效率以及更低的微调成本。
（3）识别和检测陨石坑：陨石坑是月球表面最重要、最具辨识度的地貌特征之一，其数量和分布能够为判断月球表面年代、地质历史以及早期月球内部情况提供线索。借助NASA-IBM模型，研究人员现在可以在米级分辨率下识别、分析和分类陨石坑；绘制陨石坑分布图还有助于NASA选择安全的着陆点，避开陡坡和巨石等危险，并规划长期月球基础设施的位置。论文显示，该模型的准确率可与SwinV2-B等最先进模型相当，同时效率更高、微调成本更低。在上下文尺度分辨率（约100米）下，该模型仅使用一半的训练数据，性能就比SwinV2-B高出近19%。
（四）开源推广：模型、数据和工具同步向科研群体开放
NASA-IBM月球基础模型是开放科学付诸实践的典范，将NASA、业界和学术界专家汇聚起来，把原始数据转化为月球发现的资源。此次发布不仅包括基础模型，还包括可用于机器学习的预训练数据集和基准数据集，相关内容被整合进开源TerraTorch工具包。模型托管于Hugging Face，完整代码可以在GitHub获取，同时还提供配套论文，以支持研究人员复现、比较和进一步改进相关模型。
这种开放方式，使项目不仅能够服务NASA和IBM自身的研究，也能够为更广泛的科研群体提供可直接使用的模型和数据基础。研究人员可以在已有的预训练模型和数据集基础上，根据自身研究问题进行进一步调整，而无需从零开始构建完整的数据和模型体系。从这一角度看，此次项目的开源不仅是对模型成果的公开，也是对相关数据资源、研究工具和实验条件的同步开放，有助于其他科研团队在此基础上开展新的月球科学研究。
（五）“科学领域人工智能”战略：利用先进AI探索地球和太阳系
NASA-IBM月球基础模型是NASA“科学领域人工智能”战略的一部分，是NASA与IBM持续开展人工智能合作的组成部分。该合作旨在利用先进人工智能技术，推动地球和太阳系科学研究，并逐步形成覆盖不同科学领域的基础模型体系。
目前，这一合作已经形成多个面向不同科学领域的模型。其中，Prithvi模型是一系列基于地球观测数据进行预训练的模型，可用于灾害监测、洪水制图、作物产量预测和飓风预测等任务；Surya模型则基于高分辨率太阳观测数据训练，用于太阳物理研究以及太阳耀斑等空间天气现象的预测。NASA-IBM月球基础模型进一步将这一模式拓展到月球科学领域，即通过预训练的基础模型，将大量科学观测数据转化为可以被不同研究任务重复利用的模型能力。
从更长远的角度看，人工智能也可能逐步成为科学计算工作流的一部分：经典超级计算机继续承担大多数传统计算任务，人工智能则用于整理和分析观测数据、构建更加快速的近似模型以及识别具有研究价值的假设；随着量子计算技术逐步发展，量子处理器还可能参与部分复杂模拟和优化问题。
参考文献
[1] NASA, IBM Launch AI Foundation Model for Lunar Science[EB/OL].(2026-09-10)[2026-09-23]. https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
[2] IBM and NASA Release Open-Source AI Model to Support Lunar Exploration[EB/OL].(2026-09-10)[2026-09-23]. https://newsroom.ibm.com/2026-09-10-ibm-and-nasa-release-open-source-ai-model-to-support-lunar-exploration
[3] IBM, NASA launch AI model to help map ice, craters on Moon[EB/OL].(2026-09-10)[2026-09-23]. https://www.reuters.com/science/ibm-nasa-launch-ai-model-help-map-ice-craters-moon-2026-09-10/
[4] A rough guide for going back to the Moon[EB/OL].(2026-09-10)[2026-09-23]. https://research.ibm.com/blog/nasa-ibm-lunar-foundation-model
[5] IBM and NASA release an open-source lunar foundation model[EB/OL].(2026-09-10)[2026-09-23]. https://thenextweb.com/news/nasa-ibm-lunar-foundation-model-open-source
