「月球档案终于有了共同底子：NASA 与 IBM 开源了月球基础模型」

月球勘测轨道飞行器（LRO）绕月飞了 17 年，它产出的数据量超过 NASA 其他所有行星任务的总和。9 月 10 日，NASA 与 IBM Research 放出了 NASA-IBM 月球基础模型，权重挂在 Hugging Face，代码在 GitHub。大约 200 万个图像块，其中 100 多万个是 1 米分辨率的窄角相机影像，近 96.4 万个是 100 米分辨率的多光谱影像。这是第一批专门为月球科学做的开源基础模型。

🌑 先把「数据有了但用不了」这件事说清楚

NASA 手上的月球档案来自多个任务、多台仪器，格式、分辨率、物理量纲全不一样。GRAIL 任务做的是月球内部结构，分辨率大约每像素 20 公里；LRO 的相机能看清单个巨石和陨石坑边缘，分辨率 1 米。

这两份数据怎么放一起用？过去要靠研究者手工配准、转换单位，还得祈祷过程中不引入伪影。九台仪器、四个任务，光对齐这一件事就能吃掉一个博士生几个月。

IBM 和 NASA 的解决办法是先做数据集：SomBench。它把来自九个仪器的 30 多层空间对齐数据聚合成大约 200 万个配准图块，覆盖月球表面和次表面的多样性。

30 多层里包括影像、高程、紫外反射率、热行为、矿物组成和重力异常。

🧠 训练时特意把「影子」教给了它

模型用的是掩码 token 学习：遮住图块的一部分，让它预测被遮住的内容。这一步和常见的自监督预训练差不多。

差别在于条件输入。太阳高度角和航天器位置被作为条件喂进去，目的是让模型学会把地形本身和光照造成的阴影分开。月球上没有大气散射，永久阴影区和正午高地之间的对比极端，不把光照条件显式建模，模型很容易把「影子」当成「地形」。

多尺度设计是另一处：区域语境和细节影像结合，让模型同时看得见「这一片是月海还是高地」和「这个坑的边缘在哪」。

📊 三个任务，三个数字

模型发布时给了三个初始科学优先级，每个都直接连着 Artemis 计划的着陆区规划。

第一个，极区冰。月球南极周围有一批永久阴影区，坑底永远照不到太阳，表面温度可以低到零下 246 摄氏度（零下 410 华氏度）。光学相机看不见里面，要判断次表层有没有冰，得把热读数、雷达回波、重力和地形测量熔在一起。

模型在这项上把误差（RMSE）比 SwinV2-B 基线降低了最多 22%。SwinV2-B 是在 ImageNet 上预训练的变换器，是计算机视觉里常用的对照基准。

第二个，陨石坑。陨石坑既是月球上最丰富的地表特征，也是着陆时最危险的障碍，同时还是一把地质时钟：越老的地形坑越多。在米级精细分辨率上，模型与当前最好的陨石坑检测器相当；在 100 米粗分辨率语境下，它比同一个基线高出近 19%，而且只用了大约一半的标注训练数据。

NASA 的月球地形专家 Michael Barker 对这一项的解释是：模型已经内化了月球地表的底层物理。

第三个，不规则月海斑块（IMP）。这类结构看起来相对年轻，对既有的月球冷却时间线构成挑战。把它们普查出来，有助于拼出更准确的月球热演化史。

🆕 一个没见过的坑

有一项测试挺有意思：模型检出了一个新形成的撞击坑，来自一次 SpaceX 火箭体的撞击。而撞击后的那张影像并不在预训练数据里。

这属于分布外泛化的一个小样本。它说明的有限：模型学到的是「什么样的形态是新鲜撞击坑」这类通用特征，而不是记住了某张图。这类变化检测能力对长期月球监测有价值，但单次结果不足以支撑更强的结论。

🔓 开放的意思是连数据集一起给

这次发布里，权重和代码只是其中一部分。团队同时放出了机器学习就绪的预训练数据集和基准集合，模型集成进开源的 TerraTorch 工具包，Hugging Face 上还有一篇配套论文。

这一条比模型本身更重要。基础模型这个玩法有个前提：下游研究者得能在同一套数据上复现和比较。只有权重没有基准，别人无法判断自己的微调到底好不好，模型就只是一个黑盒 API。

NASA 首席科学数据官 Kevin Murphy 的说法是，NASA 花了几十年建起一份了不起的月球科学记录，但收集数据只是工作的一部分，还得让科学家更容易去探索和用它。

⚖️ 它能做什么，不能做什么

模型不替代直接测量。这一点 NASA 在发布里说得很明白：它是模式识别助手，不是物理测量的替代品。

判断一句：它压缩的是「找特征」的时间，不是「判读」的时间。陨石坑计数背后的地质解释、冰远景图背后的钻探验证、IMP 背后的热演化推断，都还要人来做。

另一重局限是标注本身。月表特征的真值标签并不充裕，这也是为什么「只用一半标注达到更好结果」这一条会被单独强调。标签稀缺的领域，预训练的价值才最大。

🧬 它不是孤例，是一族

这个月球模型属于 NASA 首席科学数据官办公室的「AI for Science & Research」策略。同一个 NASA-IBM 合作已经出过两个：

• Prithvi 系列：在地球观测数据上预训练，用于洪水制图、灾害监测。
• Surya：日球物理模型，在太阳观测数据上训练，用于预测太阳耀斑等空间天气事件。

三个模型都集成进了开源的 TerraTorch 工具包。团队同时发布了机器学习就绪的预训练数据集和基准集合，Hugging Face 上还有一篇配套论文支持复现。

参与方包括 NASA 马歇尔航天飞行中心的 Impact AI 团队、科学任务理事会行星科学部的科学家、戈达德航天飞行中心和艾姆斯研究中心。

🧊 为什么是现在

Artemis 计划要把宇航员送到月球南极附近，那里正是可能存在水冰的地方。那些冰如果真的可用，能变成饮用水、可呼吸的氧，以及火箭燃料。

NASA 估计月球北极可能持有 6 亿吨水冰；IBM Research 的博客提到南极预计含有相当或更多的浓度。这些是估算值，不是实测储量。

判断一句：这个模型真正改变的是「从存档到可用」这一段的时间成本，而不是科学结论本身。它不替代直接测量，也不替代陨石坑计数的地质解释。它做的是把研究者从「翻 PB 级影像找特征」里解放出来，把时间留给假说检验。

参考来源

1. NASA Science《NASA, IBM Launch AI Foundation Model for Lunar Science》，2026-09-10 — https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/ 2. Space.com《NASA, IBM launch new AI model for studying the moon》 — https://www.space.com/astronomy/moon/nasa-ibm-launch-new-ai-model-for-studying-the-moon 3. Tech Times《NASA and IBM Open-Source Lunar AI That Pinpoints Moon Ice 22% More Accurately》，2026-09-11 — https://techtimes.com/articles/327302/20260911/nasa-ibm-open-source-lunar-ai-that-pinpoints-moon-ice-22-more-accurately.htm 4. Science Times《NASA and IBM Unveil New AI Model Designed to Map the Moon in Greater Detail》，2026-09-11 — https://www.sciencetimes.com/articles/62585/20260911/nasa-ibm-unveil-new-ai-model-designed-map-moon-greater-detail.htm 5. Complete AI Training《NASA releases open-source AI model trained on lunar orbiter data》 — https://completeaitraining.com/news/nasa-releases-open-source-ai-model-trained-on-lunar-orbiter

#天文 #行星科学 #基础模型