NASA与IBM于近日联合推出了一款面向月球研究的开源基础大模型，该模型可在Hugging Face平台上获取。今年春季，NASA的阿尔忒弥斯2号任务实现了自1972年以来首次载人绕月飞行，宇航员里德·怀斯曼、克里斯蒂娜·科赫、维克多·格洛弗和杰里米·汉森于4月6日抵达了比以往任何人类都更远的地外空间。目前，NASA在推进后续阿尔忒弥斯系列任务的同时，正协同IBM为科研人员开发新的月球研究工具。

当地时间周四，双方发布了NASA-IBM月球基础大模型，这是一套开源人工智能系统。IBM欧洲、英国及爱尔兰研究院院长胡安·贝尔纳韦-莫雷诺博士介绍，作为基础大模型，它能够执行多种任务。首先，NASA与IBM发现，该模型在识别月球表面可能存在冰的区域方面表现出色。

双方进行了一项对比测试：将模型的预测结果与一张基于成熟科研流程生成的月球地图进行比对，该地图整合了地形、温度及其他环境数据。研究团队还将该模型与微软开发的高分辨率图像视觉处理模型SwinV2-B进行了比较，结果显示NASA-IBM模型的识别误差降低了23%。选择SwinV2-B作为参照，是因为它常被用作各类图像分析任务的基准。

NASA和IBM还测试了模型识别和分类陨石坑的能力。在这项测试中，新模型仅使用一半的训练数据，性能就比SwinV2-B高出19%。8月5日，SpaceX一枚猎鹰9号火箭撞击月球，研究团队利用这一事件验证了模型的能力。IBM将撞击影像输入模型后，模型准确识别出撞击形成的新陨石坑，即使这个新坑与原有陨石坑大面积重叠。贝尔纳韦-莫雷诺评价道：“效果非常出色，模型一次就识别成功。”

贝尔纳韦-莫雷诺表示，训练这套模型本身充满挑战。他解释道：“在地球遥感观测中，我们能获得画质完好的图像。地球大气会散射阳光，环境光能填充阴影区域，使阴影边缘变得柔和。但月球上的阴影边缘锐利如刀，漆黑一片。拍摄时，阴影区域的像素不携带任何有效信息。”他说：“月球上，不同时段的阳光照射角度不同，时而照亮地表，时而划出浓重阴影，模型必须处理这类光影变化。同一个陨石坑，在不同照片里看起来可能完全不一样。”

另一个难题来自计算机视觉模型常规的训练与测试逻辑。常规做法通常是抹除图像的部分区域，让模型基于训练学到的图像规律，还原被抹掉的内容。贝尔纳韦-莫雷诺举例：“我们可以抹掉一个陨石坑90%的画面，只留下10%，让模型还原剩下90%。”这套方法在月球场景下行不通，原因不难理解：从轨道拍摄的照片中，大量陨石坑外观高度相似。

贝尔纳韦-莫雷诺称，IBM一开始尝试用传统方式训练模型，结果“完全失败”。研究团队最终想出了一套创新方案：“我们把月球像橙子一样切成多个扇形区块，训练集区块和测试集区块完全分开。这样一来，模型训练就能保持良好的一致性。”

NASA与IBM对这次发布寄予厚望，其中一个重要原因是配套推出了全球首个同类开源数据集，可供其他科研人员用来开发新模型。数据集整合了数万张影像与探测仪器数据，来源包括NASA的月球勘测轨道飞行器（LRO）、重力恢复与内部实验室（GRAIL）任务，以及日本的月亮女神号月球探测器（SELENE）。

贝尔纳韦-莫雷诺说：“过去一直没有功能全面、性能强大的月球专用大模型，一大原因就是缺少整理得当的配套数据。”这里的数据整理，指构建一套网格体系，让影像中的每一个像素，都能对应模型可调用的其他维度探测数据。“单单这件事本身就是重大科研成果。抛开模型不谈，科研圈现在拥有了一套配准对齐的数据集，包含超过200万个数据点。”他补充道：“AI模型总会被更新的模型淘汰，但数据才是支撑AI模型持续发展的根基。”