NASA 与 IBM 近日联合发布一套开源的月球研究基础大模型，相关模型已上线 Hugging Face，供科研人员下载和使用。该模型的核心应用方向，是帮助研究者处理月球轨道影像与探测数据，识别月表可能存在水冰的区域，并对陨石坑进行检测、分类与分析。
面向月面科研的基础模型
这次发布的模型被称为 NASA-IBM 月球基础大模型。它并非单一用途的图像识别工具，而是被定位为一个可服务多个科研任务的基础模型。IBM 欧洲、英国及爱尔兰研究院院长胡安 · 贝尔纳韦-莫雷诺博士表示，基础大模型可以完成多项任务，而双方目前发现该模型尤其擅长识别月球表面可能存在冰的区域。
月球水冰被认为是未来月球探测和资源利用研究的重要对象之一。对于科研团队来说，要从大量轨道影像、地形数据、温度数据和其他探测数据中筛选出值得进一步分析的区域，人工处理和传统算法都面临不小负担。基础模型的价值，正是在这种高频、重复、跨数据源的分析任务中提供更高的自动化能力。
在冰区识别和陨石坑检测中展现优势
在识别月表冰区的测试中，NASA 与 IBM 将模型的预测结果与一套基于成熟科研流程生成的月球地图进行对照。该地图融合了地形、温度以及其他环境数据。研究团队同时把 NASA-IBM 模型与微软开发的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%。SwinV2-B 常被用作各类图像分析任务的基准模型，因此这一对比被用来衡量新模型在类似视觉任务上的表现。
陨石坑识别是另一项关键测试。研究团队评估了模型识别和分类陨石坑的能力。在这项任务中，NASA-IBM 模型仅使用一半训练数据，性能就比 SwinV2-B 高出 19%。
团队还利用了一次真实撞击事件进行验证。8 月 5 日，SpaceX 一枚猎鹰 9 号火箭撞击月球。IBM 将撞击影像输入模型后，模型准确识别出撞击形成的新陨石坑。即便这个新坑与原有陨石坑大面积重叠，模型仍完成了识别。贝尔纳韦-莫雷诺评价称：“效果非常出色，模型一次就识别成功。”
月面阴影与相似地貌带来的训练难题
训练一套月球视觉模型并不像处理普通遥感影像那样直接。贝尔纳韦-莫雷诺解释，在地球遥感观测中，图像通常具有较完整的画面信息。地球大气会散射阳光，环境光可以填充阴影区域，让阴影边缘变得柔和。但月球表面没有类似条件，阴影边缘非常锐利，暗部区域往往漆黑一片，拍摄时阴影区域的像素不携带有效信息。
月面光照条件还会随拍摄时间变化。不同时段的阳光照射角度不同，同一个陨石坑在不同照片里可能呈现出完全不同的外观。这对依赖视觉特征稳定性的计算机视觉模型提出了更高要求。
另一个问题来自常规训练方式。计算机视觉模型常见的一种训练方法是抹除图像部分区域，让模型根据已学到的图像规律还原被抹掉的内容。贝尔纳韦-莫雷诺举例称，可以抹掉一个陨石坑 90% 的画面，只留下 10%，让模型还原剩下 90%。但在月球场景中，这种方法并不适用。原因在于，从轨道拍摄的照片里，大量陨石坑外观高度相似，模型很难依靠常规重建任务获得足够的判别信息。
IBM 最初尝试使用传统方式训练模型，结果并不理想。研究团队随后采用了一种新的数据划分方案：把月球像橙子一样切成多个扇形区块，使训练集区块和测试集区块完全分开。这样模型训练可以保持更好的一致性，也避免了同一区域或高度相似地貌同时出现在训练和测试环节带来的干扰。
开源数据集或比模型本身更有长期价值
除了模型本身，NASA 与 IBM 还同步发布了全球首个同类开源数据集，供其他科研人员开发新的月球模型。该数据集整合了数万张影像与探测仪器数据，来源包括 NASA 的月球勘测轨道飞行器（LRO）、重力恢复与内部实验室（GRAIL）任务，以及日本的月亮女神号月球探测器（SELENE）。
贝尔纳韦-莫雷诺表示，过去一直没有功能全面、性能强大的月球专用大模型，一个重要原因是缺少整理得当的配套数据。这里的数据整理，不只是收集影像，而是要构建一套网格体系，让影像里的每一个像素都能对应模型可调用的其他维度探测数据。
在他看来，这项工作本身就具有科研价值。该数据集包含超过 200 万个数据点，并且完成了配准对齐。相比具体模型，这类结构化数据更可能成为后续月球 AI 研究的长期基础设施。贝尔纳韦-莫雷诺表示：“AI 模型总会被更新的模型淘汰，但数据才是支撑 AI 模型持续发展的根基。”
对于遥感科研而言，这次发布的意义并不只是多了一个可下载的大模型。更值得关注的是，NASA 与 IBM 正在把基础模型的方法引入月球科学研究，并同步开放经过对齐的数据集，让后续研究者能够在统一基础上继续开发冰区识别、撞击坑分析、月表演化研究等应用。随着阿尔忒弥斯系列任务继续推进，这类工具可能成为月球探测任务数据分析和目标筛选的重要辅助手段。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/nasa-yu-ibm-kai-yuan-yue-qiu-ji-chu-mo-xing-rang-yue-biao
