NASA与IBM发布面向月球科学的人工智能基础模型

NASA 正在将人工智能引入月球研究，以帮助研究人员改变分析月球表面的方式。在与 IBM Research 及多家学术机构的持续合作中，NASA 推出了 NASA-IBM 月球基础模型，这是首批专为月球科学构建的开源 AI 模型之一。该模型主要基于 NASA 月球勘测轨道飞行器（LRO）的数据训练，已公开托管在 Hugging Face 上供任何人使用，完整代码库可在 GitHub 上获取，用于测试和实验。NASA-IBM 月球基础模型通过帮助研究人员快速分析海量数据、更好地理解月球表面，为下一代月球科学提供支持。研究人员将该模型用作制图工具，可以快速制定可操作的策略，用于评估月球崎岖的表面、理解其地质历史，并规划未来的月球研究。“NASA 用数十年时间建立了关于月球的非凡科学记录，但收集数据只是工作的一部分，”位于华盛顿的 NASA 总部首席科学数据官兼代理首席数据与 AI 官 Kevin Murphy 表示。“我们还必须让科学家更容易探索和使用数据。NASA-IBM 月球基础模型展示了当我们把 AI 引入 NASA 的拍字节级科学数据时所能实现的可能性。这正是我们在 AI 上看到的真正机会：把大规模数据转化为新发现。”与需要为特定任务从零构建和训练专用算法的传统模型不同，基础模型会在庞大的无标注数据集上进行预训练。它们在预训练中获得的广泛知识，使其能够通过快速微调泛化到多个科学领域，从而使基础模型在加速科学研究方面既通用又高效。NASA-IBM 月球基础模型展示了当我们把 AI 引入 NASA 的拍字节级科学数据时所能实现的可能性。

Kevin MurphyNASA 首席科学数据官兼代理首席数据官/首席 AI 官NASA 的 LRO 在过去 17 年中收集的数据非常适合用于训练这一基础模型，因为它详细覆盖了月球表面的大部分区域。LRO 任务产生的数据量超过 NASA 所有其他行星任务数据量的总和，捕捉到了几乎无缝的高分辨率全月影像拼接图。NASA-IBM 模型基于该数据集中的约 200 万张图像切片进行训练，其中包括超过 100 万张 1 米分辨率的高分辨率相机图像，以及近 964,000 张 100 米分辨率的多光谱图像。该模型还基于来自多个其他任务的高分辨率月球影像和地形数据进行了训练，例如 NASA 的

GRAIL （重力恢复与内部实验室）、NASA 的 Lunar Prospector， 以及 JAXA（日本宇宙航空研究开发机构）的月球学与工程探测器。由于该基础模型已在该数据集上完成预训练，行星科学家只需使用少量标注数据，就能将模型适配到许多不同的月球研究任务中，例如绘制陨石坑、识别年轻火山特征，以及估算月球两极附近可能存在冰的位置。对于研究月球极地冰的研究人员来说，NASA-IBM 模型可以帮助他们估算哪些冰斑可能在地表之上和之下保持稳定。月球永久阴影区等黑暗区域始终保持足够低温，可将冰捕获并保存长达数十亿年。研究这些区域有助于深入了解月球历史，也为绘制未来太空探索可能可用资源的位置提供了机会。虽然人们认为月球如今已不再有火山活动，但它曾经经历过活跃的地质过程。对于研究月球火山活动的研究人员来说，NASA-IBM 模型可加速识别外观异常、被称为不规则月海斑块的火山特征。由于这些结构看起来相对年轻，它们对既有的月球冷却时间线提出了挑战，而绘制这些结构可能有助于科学家更准确地拼合对月球热演化历史的理解。原文内容较长，本文保留主要内容节选；完整信息请参考下方来源链接。来源：

NASA。；内容经中文翻译改写，采集时间：2026-09-11 21:32:08。主题配图，非事件现场。摄影：