NASA正把人工智能引入月球科学研究，帮助科学家彻底改变分析月球表面数据的方式。在与IBM Research及多所高校持续合作的基础上，NASA正式推出了“NASA-IBM月球基础模型”（NASA-IBM Lunar Foundation Model），这是全球首批专为月球科学打造的开源AI模型之一。

图源： Hugging Face

该模型主要基于NASA“月球勘测轨道飞行器”（Lunar Reconnaissance Orbiter，简称LRO）的数据训练而成，目前已在Hugging Face平台公开托管，供全球用户免费使用；完整代码库也已在GitHub上线，方便研究者测试与二次开发。

一幅由NASA月球勘测轨道飞行器窄角相机于2012年6月至2016年4月期间拍摄的10幅图像拼接图，展示了火山地貌吕姆克山及其周围的月海平原。图源：NASA/戈达德太空飞行中心/亚利桑那州立大学

借助这一模型，研究人员可以像使用制图工具一样，快速分析海量数据，从而更好地理解月球地貌，评估月球崎岖的地表环境，认知其地质演化历史，并为未来的月球科研任务制定切实可行的探索策略。

“收集数据只是工作的一部分”

“NASA花费数十年时间，建立起了关于月球的一份非凡科学记录，但收集数据只是工作的一部分。我们还必须让科学数据变得更易于探索和使用。NASA-IBM月球基础模型展示出，当我们把AI引入NASA数以拍字节（PB）计的科学数据时，会发生什么。这正是我们看到的AI带来的真正机遇：把大规模数据转化为新的科学发现。”

NASA总部首席科学数据官兼代理首席数据与AI官凯文·墨菲（Kevin Murphy）如是说。

什么是“基础模型”

与传统AI模型不同，后者往往需要为每一项具体任务从零开始构建并训练专门算法，“基础模型”是先在海量、未标注的数据集上进行预训练。这种预训练方式让模型掌握了广博的知识基础，只需针对特定任务进行少量微调，便可快速迁移应用到多个科学领域，兼具通用性与高效性，能够有效加速科学研究进程。

以LRO十七年数据为基石

过去17年间，NASA的LRO探测器持续采集数据，几乎覆盖了整个月球表面的精细影像，是训练这一基础模型的理想素材。LRO任务产生的数据量，超过了NASA其他所有行星探测任务数据量的总和，拼接出一幅近乎无缝、覆盖整个月球的高分辨率全景图。

NASA-IBM模型的训练数据约包含200万张影像图块，其中超过100万张为1米分辨率的高清相机影像，另有近96.4万张为100米分辨率的多光谱影像。除此之外，模型训练还纳入了多项其他任务的月球高分辨率影像与地形数据，包括NASA的“重力回溯及内部结构实验室”（GRAIL）任务、NASA的“月球勘探者”（Lunar Prospector）任务，以及日本宇宙航空研究开发机构（JAXA）的“月亮女神”（SELENE）任务。

能做什么：从陨石坑到极区水冰

由于该基础模型已在上述数据上完成预训练，行星科学家只需使用少量标注数据，便可将模型迁移应用于多种月球研究任务，例如绘制陨石坑分布图、识别年轻的火山地貌特征，以及估算月球两极附近可能存在水冰的区域。

极区水冰研究：模型可帮助科学家估算冰层在月表及地下可能稳定存在的位置。月球永久阴影区等极暗区域温度极低，足以将水冰保存长达数十亿年之久。研究这些区域，既有助于揭示月球演化历史，也为未来太空探索中的可利用资源勘测提供了重要参考。

NASA-IBM模型再现了月球冰资源勘探潜力分布模式（从蓝色到黄色渐变表示），图中展示了月球极点附近的四个位置（左侧）。第一行：月球南极附近木桐山的参考冰勘探潜力图；中间行：ConvNeXt模型的预测结果；第三行：NASA-IBM模型的预测结果。NASA-IBM模型保留了参考数据中许多精细尺度的勘探潜力分布模式。图源：NASA/IBM研究院

火山地貌研究：月球虽已不再具有火山活动，但历史上曾经历活跃的地质演化过程。模型能够加速识别一类外观异常的火山地貌，“不规则月海斑块”（irregular mare patches）。由于这些结构看起来相对“年轻”，对既有的月球冷却时间线提出了挑战，绘制其分布图有助于科学家更准确地还原月球的热演化历程。

陨石坑测绘：每一个陨石坑都由撞击事件形成，陨石坑的数量统计与尺寸测量，是判定月表年代、重建太阳系历史的关键依据。该模型可大幅加快陨石坑识别与测量效率，让科学家把更多精力投入到结果解读与探索意义分析上。

案例：识别新形成的撞击坑

在一次测试中，研究团队利用LRO在“爱因斯坦”（Einstein）陨石坑附近，于SpaceX火箭残骸撞击月面前后拍摄的影像进行对比。NASA-IBM模型不仅识别出已有的陨石坑（以蓝色框标出），还准确标出了撞击后新形成的陨石坑（以红色框标出）。

这些月球勘测轨道飞行器的图像展示了爱因斯坦环形山附近的月球表面在SpaceX火箭箭体撞击前（左）和撞击后（右）的情况。NASA-IBM月球基础模型检测出了已有的环形山（蓝色轮廓），并标出了新形成的撞击坑（红色方框）。由于撞击后的图像被排除在预训练之外，这一测试表明该模型可以通过微调来识别不同观测之间新出现的表面变化。这种方法可以帮助科学家在庞大的月球数据集中自动检测自然撞击和表面变化，不过不同轨道之间光照条件的差异可能会影响较小撞击坑的可见性。图源：NASA/IBM研究院

由于撞击后的影像并未包含在模型的预训练数据中，这一测试有力证明了该模型可以通过微调，识别不同观测时间点之间出现的全新地表变化。这种方法有望帮助科学家在海量月球数据集中，自动检测自然撞击事件与地表变化，不过不同轨道间的光照差异，可能会影响对较小陨石坑的识别效果。

整体表现：多项任务比肩甚至超越现有模型

总体而言，该模型在所有评估任务中，表现均达到或超过了多个强基线模型的水平：在陨石坑测绘与不规则月海斑块分割任务上取得了相当的成绩，而在极区水冰稳定性估算方面，则展现出明显优势。

NASA与IBM的“AI用于科学”版图

NASA-IBM月球基础模型，是NASA首席科学数据官办公室“AI用于科学”战略的一部分，也是NASA与IBM之间一项更大规模、持续推进的合作成果，目标是借助先进AI技术探索地球与太阳系。该模型的加入，进一步壮大了这一合作体系下已有的AI模型阵容，其中包括：

Prithvi系列模型：一组基于地球观测数据预训练的模型，可支持灾害监测、洪水测绘、农作物产量预测、飓风预报等多种应用场景。

Surya模型：一款日球物理学模型，基于高分辨率太阳观测数据训练，用于预测太阳耀斑等空间天气现象，这类现象可能干扰电网运行与卫星业务。

跨机构协作的开放科学范例

在NASA内部，位于阿拉巴马州亨茨维尔的NASA马歇尔太空飞行中心Impact AI团队，与NASA科学任务理事会行星科学部门、位于马里兰州格林贝尔特的NASA戈达德太空飞行中心，以及位于加州“硅谷”的NASA艾姆斯研究中心的科学家们通力合作，共同打造了这一模型。

该模型正是“开放科学”理念的生动实践，汇聚了来自NASA、产业界与学术界的专家力量，将原始数据转化为服务于月球科学发现的宝贵资源。为支持全球科研群体，团队还随模型一同发布了完整的、可直接用于机器学习的预训练数据集与基准测试集，并已将模型整合进开源工具包TerraTorch中。配合在Hugging Face平台发布的配套论文，此次开放发布确保了研究工作的可复现性，也为全球科学家提供了构建、比较与优化AI模型的基础，助力月球探索的未来发展。

由NASA总部组建的科学团队成员，还包括来自阿拉巴马州亨茨维尔“大学空间研究协会”（USRA）、加州硅谷SETI研究所、马里兰州卡顿斯维尔的马里兰大学巴尔的摩县分校、华盛顿特区霍华德大学，以及NASA科学任务理事会行星科学部门、NASA艾姆斯研究中心和NASA戈达德太空飞行中心的多位专家。