NASA 與 IBM 開源月球基礎模型，以 17 年月球觀測資料訓練而成

NASA、IBM Research 與數所學術機構共同發表了 NASA-IBM 月球基礎模型（NASA-IBM Lunar Foundation Model）。該模型定位為專為行星科學設計的開源人工智慧系統，將長達 17 年的月球軌道飛行器原始記錄，轉化為可用於繪製撞擊坑地圖、分析表面地質以及尋找潛在水冰儲備的彈性工具。

太空任務產生的觀測資料極為豐富，但經人工標註的樣本卻非常稀少且耗費人力。這款基礎模型不再依賴針對單一應用訓練的特定任務演算法，而是先在海量的未標註資料上進行預訓練。研究人員隨後只需使用極少量的標註樣本，即可針對下游的月球科學目標進行微調。

以 SomBench 進行訓練：跨越 17 年與四項太空任務

該模型使用 SomBench 從頭開始訓練，研究團隊稱其為迄今為止所建立規模最大的空間配準（co-registered）多模態月球語料庫。該資料集包含橫跨 11 種模態與兩種空間尺度的近 200 萬組圖塊包：

• 窄角相機（Narrow Angle Camera, NAC）拍攝的約 100 萬張高解析度影像，解析度約為每像素 1 公尺。

• 廣角相機（Wide Angle Camera, WAC）拍攝的近 96.4 萬張多光譜影像，解析度為每像素 100 公尺。

• 來自四項任務中 9 種科學儀器的 30 多個空間對齊資料層，包括來自 GRAIL 的重力資料、Lunar Prospector 的氫分佈資料，以及 JAXA 的輝夜號（Kaguya/SELENE）探測器所測得的礦物學數據。

絕大部分的訓練資料來自 NASA 月球勘測軌道飛行器（Lunar Reconnaissance Orbiter, LRO）長達 17 年的觀測數據——該任務產生的原始資料總量超過了 NASA 其他所有行星任務的總和。為了避免訓練和評估過程中的資料外洩，研究團隊依據地理地圖區域對語料庫進行劃分，而非隨機打亂影像圖塊。

明確幾何特徵與多尺度視覺

在架構方面，這款月球模型基於 TerraMind，後者是 IBM 於 2025 年與歐洲太空總署（ESA）及尤利希研究中心（Forschungszentrum Jülich）合作開發的地球觀測模型。然而，團隊並未直接微調該地球模型，而是從頭開始訓練這個月球網路。

月球上的一大關鍵挑戰在於，光照角度與陰影長度會劇烈改變表面外觀，往往掩蓋了地形真實的物理特性。為了解決這個問題，該模型將包含光照角度、太陽位置與圖塊邊界在內的明確成像幾何，作為上下文輸入，與影像及高程資料一同處理。

該架構將月球影像、高程圖層與幾何資料分割為 token，並透過預測遮罩區塊來學習彼此之間的關聯。模型採用稱為 FlexiViT 的技術，能在單次訓練中同時學習粗尺度與高解析度影像，使其無須重新訓練便能適應不同的影像 Patch 大小。此外，它還透過專用路徑處理各種不同的資料模態，避免了將不同感測器輸入單純視為堆疊通道的常見限制。

極地水冰探測表現超越基準模型

研究團隊在數項科學基準測試中對該模型進行評估，包括 100 公尺與 1 公尺解析度的撞擊坑偵測、不規則月海斑塊（Irregular Mare Patches，一種對月球冷卻理論構成挑戰的年輕火山特徵）的分割，以及極地水冰沉積的預測。

月球兩極的永久陰影區溫度極低，足以將水冰封存數十億年，使其成為飲用水、可呼吸氧氣與火箭推進劑等潛在資源的關鍵目標。在極地水冰沉積預測方面，這款月球基礎模型相較於領先的基準模型 SwinV2-B，將預測誤差降低了高達 22%。

在粗尺度（100 公尺）撞擊坑偵測中，該模型僅使用一半的標註訓練資料，表現便超越 SwinV2-B 近 19%。在米級撞擊坑偵測與不規則月海斑塊分割上，該模型的表現與頂尖基準模型相當，在火山斑塊測試中展現了約 3% 的微幅優勢。研究作者還發現，透過 LoRA（Low-Rank Adaptation）進行參數高效微調，在多數基準測試中的表現均能媲美甚至超越全參數微調。

著重科學分析，而非取代大地測量

儘管具備強大的分析能力，該模型並非設計用於精確的空間定位。在生成式評估測試中，模型預測的經緯度座標在某些情況下會出現數十度的偏差；而在重建地形時，儘管能夠維持正確的形態結構，偶爾仍會出現絕對高度值偏移的現象。

IBM Research 歐洲總監 Juan Bernabé-Moreno 指出，該模型的核心價值在於連結多元的儀器讀數，進而揭示單一獨立資料集中難以察覺的規律；他強調該模型是作為分析基礎，而非直接實體測量的替代品。

這款月球模型延續並拓展了 NASA 與 IBM 自 2022 年初依據《太空法案協議》（Space Act Agreement）展開的「AI for Science」計畫。雙方先前的合作曾於 2023 年 8 月推出 Prithvi 地球觀測模型，用於繪製洪水與野火地圖。

NASA-IBM 月球基礎模型連同其預訓練資料集與基準測試套件已在 Hugging Face 上公開提供，原始碼亦已發布於 GitHub，並整合至開源工具包 TerraTorch 中。