2026 年 9 月，NASA 与 IBM Research 正式发布 NASA-IBM Lunar Foundation Model（NASA-IBM LFM）。这是一个专门面向月球遥感科学设计的多模态、多分辨率人工智能基础模型。模型权重公开托管于 Hugging Face，微调和推理代码则开放在 GitHub，并采用 Apache 2.0 许可证。
它并不是类似 ChatGPT 的语言模型，也不是一个能够模拟整个月球的“数字月球”。更准确地说，它是一套专门学习月球表面遥感数据的视觉基础模型。
从“识别图片”到“理解月球遥感数据”
几十年来，人类已经通过大量探月任务积累了规模庞大的月球观测数据。
其中最重要的数据来源之一，是 NASA 于 2009 年发射的月球勘测轨道飞行器 Lunar Reconnaissance Orbiter，简称 LRO。经过十多年运行，LRO 已经获得覆盖月球大部分表面的高分辨率影像和多种遥感数据。
但数据越来越多之后，一个新的问题逐渐出现：
如何有效分析如此庞大的月球数据？
如果研究人员希望寻找陨石坑、统计地貌、识别特殊火山结构或者分析极区水冰潜力，传统方法往往需要针对每一个研究任务重新建立算法和训练模型。
NASA 和 IBM 希望改变这种模式。
NASA-IBM Lunar Foundation Model 的思路与近年来人工智能领域的“基础模型”类似：先利用海量数据进行大规模预训练，让模型形成一种对月球表面结构的通用表示能力，然后再针对具体科学问题进行微调。
因此，它并不是一个只会“找陨石坑”的模型，而更像一个可以进一步训练成许多不同月球分析工具的基础平台。
近 200 万组月球数据
NASA-IBM LFM 使用的预训练数据集名为 SomBench。
模型一共学习了约 196 万组经过空间配准的月球数据块，其中包括约 100 万组 LRO 窄角相机 NAC 数据，以及约 96.4 万组广角相机 WAC 数据。
两类数据的空间尺度差异非常大：
NAC 数据的典型分辨率约为 1 米/像素，能够观察非常细小的月面结构；WAC 数据则约为 100 米/像素，更适合观察大范围地形和地质结构。
NASA-IBM LFM 在同一个模型中同时学习这两个尺度，相当于让同一个人工智能既能够观察局部细节，也能够理解更大范围的月球地貌。
它学习的内容也不仅仅是普通照片。
模型包含 11 类数据模态，覆盖月面影像、数字高程、坡度、坡向、多光谱信息以及观测条件等数据。数据来源除了 LRO，还包括 NASA 的 GRAIL 重力探测任务、Lunar Prospector，以及日本宇宙航空研究开发机构 JAXA 的 SELENE 月球探测任务。
这也是“多模态月球模型”这个名称真正重要的地方。
它不是简单地看一张月球照片，而是在尝试同时理解：
影像里看到了什么，地形是什么样，坡面朝向哪里，光线从什么方向照射，以及其他遥感测量结果与这些地貌之间存在什么关系。
月球上的阴影为什么特别重要
月球遥感与普通地球照片存在一个很大的不同：光照条件会极大改变月面的视觉外观。
月球几乎没有大气，太阳光形成的明暗边界非常明显。同一个陨石坑，在不同太阳高度和方位下拍摄时，阴影方向和面积可能完全不同。
如果人工智能只观察图像，很容易把光照变化误认为地形变化。
NASA-IBM LFM 因此把拍摄时的光照和观测几何条件直接作为模型输入，包括太阳方向、入射角以及相关空间信息。
换句话说，模型不仅知道：
“这张月球照片长什么样。”
还知道：
“拍这张照片的时候，太阳从什么方向照过来。”
这是针对月球遥感环境专门设计的重要机制。
模型本身是什么结构
NASA-IBM LFM 的主体是一套 ViT-B Vision Transformer 编码器—解码器架构。
编码器宽度为 768，包含 12 层 Transformer 和 12 个注意力头；预训练时主要使用 256×256 像素输入和 16×16 patch。模型还使用 FlexiViT，使它在后续微调时能够适应不同的 patch 大小。
训练方式采用了类似 masked-token modeling 的思路。
简单理解，就是故意隐藏一部分月球遥感信息，让模型根据剩余信息预测被遮挡的内容。
例如，当部分地形、影像或者其他遥感数据被隐藏之后，模型需要根据其他模态判断缺失部分可能是什么。
在不断完成这种任务的过程中，模型逐渐学习各种月球观测数据之间的关系，而不是单纯记住某一幅月面照片。
第一项应用：自动寻找陨石坑
陨石坑是月球科学最重要的研究对象之一。
统计不同地区陨石坑的大小、数量和分布，可以帮助研究人员分析月面形成历史和相对地质年龄。
问题在于，月球表面的陨石坑数量极其庞大，尤其是大量较小的陨石坑，依靠人工逐个识别效率非常低。
NASA-IBM LFM 可以经过微调后成为陨石坑检测模型。
官方测试显示，在约 100 米/像素的 WAC 陨石坑数据集上，使用全部训练数据时，LFM 的平均精度指标 mAP 达到约 0.258，而对比的 SwinV2-B 模型约为 0.242。更值得注意的是，使用约一半训练数据时，经过预训练的 LFM 已经能够达到或超过部分使用完整数据集训练的传统模型表现，体现了基础模型在减少标注数据需求方面的潜力。
在约 1 米/像素的 NAC 高分辨率陨石坑任务中，它与专门训练的强基线模型表现则较为接近，并没有显示出同样明显的优势。
第二项应用：寻找特殊火山地貌
NASA 和 IBM 还利用该模型研究一种名为 Irregular Mare Patches，IMP，不规则月海斑块 的地貌。
这些区域通常具有特殊的纹理和边界，其中一些被认为可能与月球相对较晚期的火山活动有关，因此具有重要的地质研究价值。
人工智能可以对大量月面影像进行自动分割，将可能的 IMP 区域从周围地形中识别出来。
在公开的基准测试中，经过预训练的 LFM 在这一任务上能够达到与先进专用视觉模型相近的水平，而未经月球数据预训练、从随机参数开始训练的相同架构表现明显下降，说明针对月球遥感进行的大规模预训练确实学习到了一部分可迁移的地质信息。
第三项应用：分析月球极区水冰潜力
NASA-IBM LFM 最受关注的应用之一，是分析月球南北极可能适合保存水冰的区域。
月球极区存在大量永久阴影区域，一些陨石坑内部长期无法受到太阳直接照射，温度极低，因此可能保存水冰。
模型可以综合坡度、坡向、温度以及冰稳定性等不同数据，对区域的水冰潜力进行分析。
IBM 公布的测试结果显示，在相应基准任务中，NASA-IBM LFM 的误差比用于对比的 SwinV2 模型降低约 22%。
但这里必须注意一个非常重要的区别：
模型输出的是“水冰潜力”，并不是实际测量到的水冰。
它是在已有科学模型和遥感信息基础上判断哪些区域的条件更适合存在水冰，而不能证明某个地点一定存在水，更不能直接计算地下究竟存在多少水冰。官方模型说明对此进行了明确限定。
它不是一个“虚拟月球”
“月球模型”这个名称很容易产生一种误解，仿佛 NASA 已经建立了一个完整的人工智能月球，可以精确预测月球任何地点的地质情况。
实际上，NASA-IBM LFM 仍然属于科研工具。
官方特别指出，模型目前没有完整的大地测量参考框架，某些生成结果的绝对空间位置可能产生明显偏差；它没有经过着陆点认证、危险规避等任务验证，也不能替代航天器实际测量。
此外，高分辨率 NAC 预训练数据虽然分布在月球多个地点，却并不是全球连续覆盖，因此模型对不同地区的认知程度并不完全一致。
因此，它更适合承担：
快速筛选、自动识别、数据分析以及科学假设生成。
最终的科学结论仍然需要真实观测、其他遥感产品乃至未来现场探测进行验证。
为什么称为“基础模型”
NASA-IBM LFM 最值得关注的地方，并不是某一个单独的性能数字。
传统的月球人工智能研究往往采用“一项任务训练一个模型”的方式：
陨石坑检测训练一个模型，火山地貌识别训练另一个模型，水冰研究再建立新的模型。
NASA-IBM LFM 尝试建立另一种体系：
先让一个模型学习大量月球遥感数据之间的共同规律，再将这个基础模型适配到不同科学任务。
这种方式可以让后续研究直接利用已经学习到的月球表面特征，而不必每次都从随机参数开始训练新的人工智能。
NASA 将这种方法视为利用人工智能处理其大规模科学数据的重要尝试之一。
一个公开的月球 AI 科研平台
NASA-IBM Lunar Foundation Model 并不是只公开研究论文而保留模型本身。
模型权重和相关 tokenizer 已经公开发布在 Hugging Face，NASA-IMPACT 同时公开了用于下游微调和推理的代码。当前公开实现支持 TerraTorch，并提供陨石坑检测、IMP 分割、水冰潜力分析等下游任务的配置和组件。
需要注意的是，GitHub 仓库目前公开的是微调和推理代码，并不包含完整的预训练代码。预训练好的模型权重则已经公开，可以直接作为新的月球遥感研究起点。
这意味着 NASA 和 IBM 不只是展示一个实验结果，而是在尝试提供一套能够被其他研究机构继续利用的月球人工智能基础设施。
从海量观测到可复用的科学知识
NASA-IBM Lunar Foundation Model 所代表的核心变化，可以概括为：
过去，人类主要是在保存和分析一份份月球观测数据；现在开始尝试让人工智能从这些数据中学习一种可重复利用的“月球表示”。
照片、地形、光照、多光谱信息、重力数据以及其他遥感结果，不再只是彼此独立的数据文件，而可以通过同一个基础模型建立联系。
研究人员仍然需要提出科学问题、设计验证方法并解释最终结果，但大量重复的数据处理和特征提取工作，有可能越来越多地交给预训练模型完成。
NASA-IBM Lunar Foundation Model 因此并不是一个“已经理解月球”的人工智能。
更准确地说，它是一次尝试：
把几十年来积累的月球观测资料，压缩成一种可以被不断复用和重新训练的机器学习知识基础。
随着新的月球任务继续产生数据，这类基础模型也可能逐渐成为未来行星科学处理海量遥感资料的一种重要工具。
资料来源： NASA Science，NASA-IBM Lunar Foundation Model 官方 Hugging Face 模型页，IBM Research，以及 NASA-IMPACT 官方 GitHub 项目。