2026 年 9 月 10 日，IBM Research 与 NASA 开源了 NASA-IBM Lunar Foundation Model。官方称这是首个整合多模态观测的月球 AI 模型，权重、技术报告与 SOMBench 基准数据集一并在 Hugging Face 上线。
这套系统最震撼的并非体量，而是参数效率。它沿用 IBM 与 ESA 开发的地球观测模型 TerraMind 架构。通过 LoRA 轻量低秩适配，在冻结 90% 基座权重的情况下，具体任务成绩跑赢了专用模型。科学 AI 路线发生硬切换：耗费算力针对单一任务单独训练模型的方法面临淘汰。构建共享多模态表征，外挂轻量模块适配地质任务，其参数效率与精度越过了传统专用架构的拐点。
共享表征抹平两万倍尺度落差
异构数据融合是空间科学的难题。NASA 的 GRAIL 任务测量月球重力场，分辨率仅为 20 公里/像素。月球勘测轨道器 LRO 以 1 米/像素拍摄极区暗坑。两者在空间尺度横跨两万倍。
传统研究受困于数据孤岛。重力团队负责宏观数值解，光学团队训练微观网络，两套系统互不相通。
月球模型首次把美日几十年观测数据压进同一管线。TerraMind 架构核心设计是跨模态映射。它把相差两万倍分辨率的切片，一同映射进同一个高维空间。
建立共享表征后，模型能自发学习物理规律。面对存在暗区的数据，模型调用其他模态特征填补缺失。深度神经网络用权重固化跨尺度物理联系，剥离了脆弱的人工标定。
冻结九成权重反杀视觉架构
基础模型训练方式决定航天工程的运维成本。开发团队放弃全量参数更新，仅靠 LoRA 运行下游微调。基座网络 90% 的权重参数保持冻结。
计算开销压缩得很低，NASA 给出的三项核心测试成绩却对专用模型形成压制。
极区水冰探测任务中，系统需判断暗坑底是否存在水冰。对比专为该任务优化的网络 SwinV2，NASA-IBM 模型将最终错误率大幅降低 22%。
图：模型输出，黄白高亮区域为更可能含水的坐标。来源：NASA
微小撞击坑识别中，在 1 米/像素的粒度下，它与专用 Swin 架构精度持平。在 100 米/像素低粒度数据中，它仅消耗一半训练样本就反超对手近 19% 准确率。
在不规则月海斑块（IMP）测绘中，系统以更低运行成本将判定精度拔高 3%。
图：模型勾画出的不规则月海斑块（IMP）物理边界。来源：NASA
这场反常识的胜利具有指导意义。空间测绘领域依靠堆砌标注数据的强监督学习已摸到天花板。网络在亿万级像素集沉淀的通用几何直觉，比单一任务强行抽取的参数鲁棒。仅需小幅度更新，模型就能精准胜任难度颇高的目标检索。
重建物理环境三维直觉
月面特殊物理环境对传统视觉算法是毁灭性打击。
月球自转轴相对公转轨道仅有微小倾斜。极区太阳几乎永远贴着地平线照射。低角度光让微小起伏投下超长阴影。深长暗区轻易掩盖新月坑及可能危及登陆器的致命障碍。
整颗星球表面没有大气层。缺乏大气散射机制，图像边缘锐利，亮部与阴影之间几乎没有过渡。风化层粉末随着照射角度改变，更会产生视觉畸变。
光照周期同样构成勘探阻碍。月球日由连续两周光照与两周暗夜交替。同一构造在不同光照下，二维平面特征会大幅度改变。日照区 121°C 高温与坑底 -246°C 严寒，让红外特征高度不稳定。
传统计算机算法依赖像素局部亮度提取地形轮廓。在长阴影和高反差强光干扰下，算子常把阴影边界误判为断崖。
基础模型的应对方式是摄取不同视角、不同波段与不同尺度的切片，在共享表征里学习不随光照改变的地表特征，而不是只盯着单个像素的亮度。
圈出六亿吨水冰与新陨石坑
重返月球的先决条件是依托自动化管线定位生存资源。
早在 2008 年，Chandrayaan-1 探测器的雷达在北极附近 40 个暗坑探测到冰层。NASA 估算储水量高达 6 亿吨，足够填满 24 万个奥运级别游泳池。
历经后续探测任务，水分子更被确认附着在月尘表面。官方推演，月面每立方米土壤最多可榨出约一瓶 12 盎司液态水。这批资源部分源于坠落彗星，部分是太阳风与月壤反应产物。
地质学界已完成 200 万个大型撞击坑编目。NASA 亟需机器接管对小尺寸浅坑的持续追踪。极区暗带提供水冰庇护，坑缘常年受光高地则是架设密集太阳能阵列的完美地基。
8 月 5 日，一枚 SpaceX 火箭撞上月球，在爱因斯坦坑附近留下一处新坑。模型在这张图上把它标了出来。
图：模型在已编目的蓝色底图上，精准标出了红色的新撞击坑范围。来源：NASA
接收天基遥感数据后，模型直接在图上标出新生成坑洞。排查月貌变迁不再需要人类耗费数月逐帧比对。深度网络整合观测数据并输出高置信坐标，决定下一代宇航员最终着陆点。
算力分层重塑科学探索流
全新模型框架并未废除原有科学工具，它重塑了算力层级的分工界面。
深度学习接管前端庞杂数据消化。AI 把雷达、光谱、高清图像等异构信息汇聚进共同表征，在海量噪点中提炼地质模式并标定不确定性。它充当深空观测大脑，决定下一步探测资源该投向哪个区块。
经典超级计算机集群向后方退守，专职扛起轨道摄动、流体力学等需要强数值解的物理模拟。量子硬件成熟后，量子处理器可能接手经典机器过于吃力的模拟与优化问题。
IBM 欧洲区主任 Juan Bernabé-Moreno 直言，专业旅行者出发前都会先摸清地形，这套系统解决的正是帮宇航员提前认路的基建问题。
月面火山断代在学界是个悬案。主流推断岩浆活动持续到十亿年前平息，但不规则月海斑块等特殊地貌形成年代可能非常年轻。NASA 专家 Michael Barker 判断，模型越能勾勒分布拓扑规律，学界越有机会解开演化谜题。
哈佛-史密松学者 Martin Elvis 补充了时代背景。科研机构要到海王星轨道外，才找得到如此纯净的无线电环境。自 2020 年签署 Artemis Accords 以来，深空探索协作框架确立，开源模型代码库正补齐数字基础设施。
开源动作的真正工程价值超越了基础网络发布。在科学 AI 领域，用昂贵算力死磕特定专用任务的收益快速滑坡。当冻结 90% 基座权重、靠低代价微调就在地貌检索任务上挑落专用系统，证明探索深空方法论全面更迭。预先构建跨多分辨率的多模态表征集，再用极低成本适配海量太空碎片观测，才是科学界通向深空测绘的最优解。
参考链接：
- IBM Research Blog: NASA-IBM Lunar Foundation Model
- Hacker News 讨论
- Hugging Face 模型仓库
