NASA-IBM月球基金会模型开源，包含2万块数据，冰层测绘误差降低22%。

by 哈罗德弗里茨 on 2026 年 9 月 14 日

AI ◇ 企业版

IBM 和 NASA 已将 NASA-IBM 月球基础模型开源，这是首批面向公众开放的月球科学研究基础模型之一。该模型的权重、技术报告以及用于训练的机器学习数据集均已上传至Hugging Face网站的 Prithvi 系列，该系列已涵盖地球观测、气象和太阳物理学等领域。该模型的优势在于，数十年来多仪器采集的月球数据已无法满足人工筛选的地图和针对特定任务的狭隘模型的需求，而一个预训练的主干模型即可应用于陨石坑测绘、火山特征探测和冰层勘探等任务，无需每次都从头开始训练。在 IBM 和 NASA 的基准测试中，该模型在识别潜在冰层方面的均方根误差比 SwinV2-B 基线模型降低了高达 22%。

NASA-IBM月球基金会模型陨石坑探测输出：两幅灰度月球表面图，探测到的陨石坑周围绘制了蓝色边界框。

基于九种仪器的 30 层 TerraMind 主干网

该模型基于 IBM 与欧洲航天局 (ESA) 联合开发的地球观测模型 TerraMind 的一个版本构建而成。之所以选择 TerraMind，是因为它能够处理混合数据类型和分辨率，并学习跨模态相关性，从而填充缺失值或噪声值。针对每个月球任务的微调都使用了低秩适配器，将 90% 的基础权重冻结，从而降低了自适应成本。训练数据集是 NASA 所说的此前不存在的部分：一个统一的、空间对齐的数据集，包含来自四个任务中九个仪器的 30 多个图层，约 2 万个图像瓦片，其中包括超过 100 万张 1 米分辨率的相机图像和近 1 万张 964,000 米分辨率的多光谱图像。数据来源包括 NASA 月球勘测轨道飞行器 (LRO) 的图像、GRAIL 任务 20 公里/像素的重力场图、月球勘探者 (LPP) 数据以及 JAXA SELENE/Kaguya 的补充观测数据。该模型附带名为 SOMBench 的基准测试数据集。

NASA-IBM月球基金会模型冰前景对比：北极和南极地图旁标注了ConvNeXt和月球基金会模型的预测图块，前景等级从蓝到黄，标尺为10公里。

两种尺度下的冰、火山斑块和陨石坑

22% 的数据来自冰层探测任务。该模型结合了多模态、多分辨率的观测数据，预测永久阴影区（未来月球基地将开采水、氧气和火箭推进剂的区域）表面下可能存在的冰层。在火山历史方面，该模型在不完善的标签上进行训练，其不规则月海斑块的覆盖率比 SwinV2-B 高出 3%。IBM 认为，这相当于在微调成本更低的情况下实现了相当的精度。陨石坑探测的性能则因尺度而异：在米级分辨率下，该模型与 SwinV2-B 的性能相当；而在约 100 米的尺度下，该模型仅使用一半的训练数据，性能就比 SwinV2-B 高出近 19%。NASA 月球地形专家、该项目的共同负责人迈克尔·巴克表示，该模型的优势在于那些年龄仍存在争议的地貌特征：“这些地貌特征的年龄仍然是一个备受争议的问题，因此，我们越了解它们的分布和属性，就越有可能解开这个谜团。”

“NASA 花费数十年时间构建了非凡的月球科学记录，但收集数据只是工作的一部分。我们还必须让科学家更容易地探索和使用数据，”NASA 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 (Kevin Murphy) 表示。IBM 欧洲、英国和爱尔兰研究院院长胡安·贝尔纳贝-莫雷诺 (Juan Bernabe-Moreno) 表示，该模型“为科学家大规模探索月球奠定了基础，将不同仪器的观测结果联系起来，揭示了单独观测难以发现的模式，并提供了一个全球研究界可以共同构建的开放平台。”

现在所有功能都以开源许可发布，IBM 的研究博客更深入地介绍了 NASA 的三个初始用例。这与 IBM 在企业级Granite 4.0中采用的开源策略如出一辙，只不过这次应用于科学领域。在这个领域，稀缺资源是标记数据和用于对其进行微调的计算能力，而直接用户则是着陆点风险分析和为长期月球驻留进行资源勘探。