发布了什么

NASA 与 IBM 联合发布 NASA-IBM 月球基础大模型，开源，可在 Hugging Face 平台下载。发布时点紧接今年春天阿尔忒弥斯 2 号完成 1972 年以来人类首次载人绕月飞行之后，目标是给科研人员一套月球研究的专用工具。

三个可核验的测试结果

  • 识别月球表面可能存在冰的区域是官方点名的强项；与融合地形、温度等环境数据的成熟科研地图比对，模型识别误差降低 23%
  • 陨石坑识别与分类任务中，新模型仅用一半训练数据，性能比常被用作基准的微软高分辨率视觉模型 SwinV2-B 高出 19%
  • 8 月 5 日 SpaceX 猎鹰 9 号撞击月球后，把撞击影像输入模型，模型一次就准确识别出与原有陨石坑大面积重叠的新坑

月球训练的难点不在算力，在数据

IBM 欧洲、英国及爱尔兰研究院院长胡安·贝尔纳韦-莫雷诺解释了为什么此前没有月球专用大模型：地球遥感能拿到画质完好的图像，大气散射会柔化阴影边缘；月球阴影边缘锐利、像素不带有效信息，同一陨石坑在不同光照下外观差异极大。常规「抹掉图像一部分让模型还原」的自监督做法在这里失效，因为轨道照片里大量陨石坑外观高度相似，IBM 起初用传统方式训练「完全失败」。

团队最终的解法是把月球像橙子一样切成多个扇形区块，训练集与测试集区块完全分开，保证训练一致性。真正被低估的产出是配套数据集：整合数万张影像与探测仪器数据，来源包括 NASA 月球勘测轨道飞行器（LRO）、重力恢复与内部实验室（GRAIL）以及日本月亮女神号（SELENE），构建起一套网格体系让每个像素都能对应其他维度的探测数据，最终包含超过 200 万个配准对齐的数据点。

值得搬走的两条经验

  • 领域基础模型的门槛往往在「数据配准」而不是模型结构：先把多源数据对齐成统一样本，再谈训练
  • 评估要跟通用视觉基准（如 SwinV2-B）正面比，并且用真实新事件（如这次撞击）做一次端到端验证
AI 模型总会被更新的模型淘汰，但数据才是支撑模型持续发展的根基——这句话是这次发布里最经得起时间检验的部分。