NASA与IBM发布开源月球基础模型

NASA与IBM于2026年9月10日公开NASA-IBM Lunar Foundation Model。这是一套为月球科学资料设计的开源人工智能基础模型，目标是让研究者在统一框架中处理来自不同任务、仪器和空间分辨率的长期观测。发布的是可继续微调的分析工具，不是一项新的月面探测任务，也没有宣布发现新的水冰储量。

模型训练资料包含30多层已经空间对齐的数据，来自四项月球任务的九台仪器，其中包括月球勘测轨道飞行器LRO。不同数据层可描述地形、反射特性、温度或其他月表信息。把它们配准到共同地理位置十分关键，否则同一撞击坑在不同资料中可能无法逐像素对应，模型会把位置误差当作物理差异。

NASA和IBM列出的应用包括识别撞击坑、研究火山特征，以及在极区永久阴影区筛查潜在冰信号。永久阴影区因太阳始终贴近极区地平线，部分坑底可长期避开直射阳光并形成低温环境；多种遥感已经支持月球极区存在水冰，但模型标出的候选区域仍需与光谱、雷达、中子数据乃至未来地面测量相互验证。

官方表示，在若干基准测试中，模型识别关键月表特征的表现相对常用方法最高改善约23%。这个数字是‘最高’结果，不是所有任务都稳定提升23%，更不能直接换算成科学结论准确率。训练集、标签质量、对比基线和测试区域都会影响指标，独立团队在未见区域上的复现才是判断通用性的关键。

基础模型的优势在于先从大量无标注或弱标注资料中学习通用空间模式，再用较少的任务样本进行微调。对月球而言，它可能减少研究者为每种资料从头训练模型的成本，也便于连接不同尺度。但人工智能给出的纹理关联并不自动包含因果解释；地质单元、冰信号和成坑历史仍要由物理模型与观测证据判定。

模型属于NASA与IBM共同推进的Prithvi开源基础模型系列。开放代码、权重和配套数据有助于外部研究者检查方法、比较基线并开发新任务，不过‘开源’本身不保证数据没有偏差。极区光照、传感器噪声、地形阴影与历史任务覆盖不均，都可能让模型在某些区域比其他区域更不可靠。

这次发布的实质进展是提供了面向月球多源资料的公共分析底座。它值得关注，因为可重复的工具能帮助形成更一致的候选清单，并把人工筛图时间转向后续物理核验；现阶段最克制的结论仍是‘模型在指定基准上显示潜力’。任何冰资源、着陆安全或火山史判断，都必须等待任务级验证，不能由AI输出单独定案。