2026 年 9 月 10 日，NASA 与 IBM 联合开源了 NASA-IBM 月球基础模型（NASA-IBM Lunar Foundation Model，LFM）。模型权重发布在 Hugging Face，代码在 GitHub 的 NASA-IMPACT 仓库，采用 Apache-2.0 许可，任何人都能下载、微调甚至商用。按两家机构的说法，这是首批专门为月球科学构建的开源 AI 模型之一，也是目前对月球表面刻画得最完整的一个。
月球的数据，早就多到没人看得完
月球勘测轨道器（LRO）绕月飞行 17 年，产出的数据量比其他所有 NASA 行星任务加起来还多，几乎覆盖整颗月球的无缝高分辨率影像。但要用上这些数据，科学家只有两条路：手工翻图比对，或者为单一任务训练一个小模型——算力贵、泛化差、精度也上不去。
更麻烦的是多源异构。GRAIL 的重力场是 20 公里/像素量级，LRO 窄角相机（NAC）能到 1 米/像素，尺度相差四个数量级，模态也完全不同。要把它们放进同一个理解框架，此前根本不存在可用的公共数据集。
做法：把地球观测模型改到月球上
架构不是从零发明的。IBM 选用自家与欧洲空间局（ESA）合用的地球观测模型 TerraMind 的一个版本，转做月球版：编码器与解码器是 ViT-B，预训练输入 256×256 像素、patch 16×16，支持 FlexiViT 弹性缩放；9 种图像模态各配一个 VQ-VAE 分词器（FSQ 量化 + DDPM 解码），再加每片的光学元数据与静态地图上下文，共 11 种模态。
- 训练用了 16 张 H100 跑 15 万步、全局 batch 1536，总计约 1100 GPU 小时——放在今天的基础模型里是相当克制的预算。
- 下游适配用 LoRA：冻结基座 90% 的权重，只需少量标注数据就能迁移到新任务。
真正的重头戏，其实是那个数据集
- SomBench：96.36 万张 WAC（100 米/像素）切片加 100 万张 NAC（约 1 米/像素）切片，合计约 200 万个已配准的图像包。
- 数据来自 NASA 的 LRO、重力恢复与内部实验室（GRAIL）、月球勘探者号，以及日本 JAXA 的辉夜号（SELENE/Kaguya）。
- 30 多个空间对齐的数据层、9 台仪器、4 个任务，并按地理分区切分训练与测试集，避免同一地区既训练又测试的数据泄漏。这是第一个能直接喂给现代机器学习框架的开源月球数据集，已集成进开源工具链 TerraTorch。
以前没有一个月球模型能做得又全又强，是因为数据没有被整理成正确的形状。——IBM Research 欧洲、英国及爱尔兰主管 Juan Bernabé-Moreno
他还有一句话更值得记：模型会被更好的模型取代，数据才是真正沉淀下来的东西。
三个优先任务，都被拿去和主流视觉模型对比
- 月球水冰：永久阴影区里可能藏着水冰，那是饮用水、氧气乃至火箭燃料的来源。模型把识别高潜势区域的均方根误差降低了 22%（对比业界常用的 SwinV2-B）。
- 陨石坑：1 米/像素下精度与专门训练的 SwinV2-B 持平；在 100 米/像素下反而高出近 19%，而且只用了一半的训练数据。环形山计数是给月面定年的基础手段，也是选择着陆点、避开陡坡与巨石的依据。
- 火山地貌：识别不规则月海斑块（IMP）比任务专用模型好 3%，成本更低。这些结构看上去很年轻，对既有的月球冷却时间线构成挑战。
官方新闻稿把总体口径写成：在地貌识别上最多领先现有方法 23%。
一次意外的实测：猎鹰九号撞出的新坑
此前一枚 SpaceX 猎鹰九号火箭的上面级撞上月球，NASA 的 LRO 事后拍到了那个约 60 英尺（约 18 米）宽的新鲜陨石坑。IBM 把撞击前后的图像喂给模型，它第一次就正确认出了新坑——即便新坑与一个已有的老坑大幅重叠。Bernabé-Moreno 的评价是：干得非常漂亮。
这说明模型学到的不是「哪里长得像坑」，而是能分辨同一位置在撞击前后的差异。
为什么值得关注
- 月球南极的水冰直接关系到阿尔忒弥斯计划能否长期驻留：水可以喝，可以电解出氧气，也能做成火箭燃料。把「哪里有冰、冰是否稳定」预测得更准，等于把基地选址的风险降下来。
- 方法论更值得注意。先是 IBM 与 NASA 的 Prithvi 地球观测模型、太阳物理模型 Surya，现在轮到月球——「一个领域一个基础模型，其余任务靠微调复用」的范式，正从自然语言扩散到科学遥感。
- 对国内读者也有一层参照：LRO 17 年的公开数据加上开放的模型与数据集，形成了一条「数据—模型—社区」的飞轮。我们也积累了大量遥感与行星数据，如何把它们整理成机器学习可用的统一数据集，可能比把模型参数堆得更大更关键。
也要泼一点冷水：官方自己称这是对 PB 级卫星数据的「第一版翻译」，上述精度数字全部来自 NASA 与 IBM 自己的评测基准，尚无第三方独立复现。
一句话总结：这次发布最值钱的可能不是模型，而是那个约 200 万片、30 多层、横跨 4 个任务拼起来的开源月球数据集——模型会过时，数据不会。
参考来源
- NASA Science：NASA, IBM Launch AI Foundation Model for Lunar Science（science.nasa.gov）
- IBM Research Blog：Introducing IBM and NASA's new foundation model for the Moon（research.ibm.com）
- PR Newswire 新闻稿：IBM and NASA Release Open-Source AI Model to Support Lunar Exploration
- Hugging Face 模型卡：NASA-IBM Lunar Foundation Model（nasa-ibm-ai4science）
- Engadget：NASA and IBM made an AI model for exploring the Moon
- 作者:lee
- 链接:https://ligan.cc/article/nasa-ibm-lunar-foundation-model
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
