NASA与IBM开源月球基础模型：17年数据炼成

美国国家航空航天局（NASA）与IBM近日联合发布月球基础模型（Lunar Foundation Model），这是最早一批面向月球科学的开源AI模型之一。该模型基于近200万个瓦片数据包训练，数据主体来自月球勘测轨道器（LRO）长达17年的观测积累，并在预测月球极地冰沉积分布时显著降低了误差。模型以开源形式发布，全球科研团队都可以直接调用并继续改进，而不必从零开始训练自己的月球AI。

17年轨道器数据，炼成一个基础模型

月球勘测轨道器是NASA在2009年发射的探测器，十几年来持续环绕月球运行，对月面进行高分辨率成像和测绘，积累了极为庞大的观测数据。此次月球基础模型的训练素材正是来自这些数据：研究团队将轨道器影像切分为近200万个瓦片数据包，其中绝大部分出自LRO过去17年的观测积累。如此规模的数据处理是单个科研团队难以独立完成的，这也正是基础模型路线的价值所在。

所谓基础模型，是近年来人工智能领域的主流范式：先在海量、无需精细标注的数据上进行预训练，让模型形成对数据分布的通用理解，之后再针对撞击坑识别、岩石探测、地形分类等具体任务做轻量微调，就能以较低成本获得可靠效果。把这一思路搬到月球科学上，相当于把LRO长达17年的观测成果浓缩进一个可复用的模型，后续研究不必每次都从像素层面重新开始。

为什么紧盯月球极地的冰

模型最直接的能力体现，是在预测月球极地冰沉积时降低了误差。月球两极分布着大量常年晒不到阳光的永久阴影区，科学界普遍认为其中储存着水冰。这些水冰不仅是重要的科学研究对象，更被视作未来载人深空探测的关键资源：有水就意味着可以饮用、可以制备氧气，甚至分解为氢氧推进剂，从而大幅降低从地球运输补给的代价。对计划在月面长期驻留的任务而言，能否就地取水，很大程度上决定着任务设计的自由度。

问题在于，永久阴影区温度极低、光照近乎于无，直接探测非常困难，科学家往往要依靠模型去推断哪些区域更可能蕴藏水冰。预测误差每降低一分，着陆点与采样方案的把握就多一分。NASA正在推进重返月球的阿尔忒弥斯计划，月球南极正是重点考察区域，一个能更准确圈定冰沉积范围的AI工具，价值不言而喻。

开源发布：把研究门槛降到最低

与许多闭源的商业模型不同，NASA与IBM选择将月球基础模型开源。任何研究者都可以获取模型，在自己的数据上继续微调，用于撞击坑测绘、地形分类、着陆区评估等各类月球科学任务。这实质上是把探测器任务十几年积累的数据资产，转化为全球共享的公共研究基础设施。

这并非两家机构的第一次合作。此前NASA与IBM已在地球观测领域合作开发过开源的地理空间基础模型，面向卫星影像分析；此番把合作延伸到月球，路径一脉相承——一方提供权威数据与领域知识，一方贡献基础模型的工程能力。对高校、小型实验室以及预算有限的研究团队来说，这意味着不必自建大规模算力、不必准备海量标注样本，也能开展前沿的行星科学研究。

从一次发布到一片生态

从行业视角看，月球基础模型的意义不止于一次技术发布。行星探测数据长期存在存而难用的问题：探测器回传的数据量巨大，但标注稀缺、格式复杂，大量数据长期沉睡在档案库中。基础模型提供了一条激活存量数据的现实路径——用自监督学习消化原始影像，再把通用能力开放给各个细分任务。

对IBM而言，这是其在科学领域基础模型布局的又一落子；对NASA来说，开源合作让有限的科研预算撬动了更大范围的外部研究力量。当更多团队基于同一模型开展工作，各自的结果更容易相互比较和验证，有助于在整个领域形成统一的方法基线，减少低水平的重复建设。这种网络效应，正是开源模式在科学领域最被看重的价值之一。

展望后续，月球基础模型的用武之地大概率还会持续扩展：从极地冰沉积预测出发，延伸到撞击坑统计、着陆点安全评估、月面变化监测等任务，都是顺理成章的方向。随着未来更多月球任务带回新数据，这一模型还能继续吸收养料、迭代升级。当AI成为行星科学的公共基础设施，月球乃至更远天体的研究节奏，或许都会被显著加快。