据美国国家航空航天局（NASA）官网、IBM 研究院官方社交媒体消息称，这两家机构发布并开源了首个月球模型，模型权重与代码向全球研究者开放，以供下载、微调和试验。该模型是首批专门面向月球科学、可公开使用的开源人工智能基础模型之一，目标是把数十年来分散的月球观测数据转化为可复用的分析工具，用于陨石坑测绘、火山地貌识别和极区水冰潜力评估。

月球研究长期面临数据多、整合难的矛盾。此次模型的训练数据以 NASA 月球勘测轨道飞行器为主。LRO 在轨约 17 年，覆盖大部分月面，其数据规模超过 NASA 其他行星任务总和。模型使用约 200 万个月球图像切片，其中包括逾 100 万张 1 米分辨率窄角相机图像和近 96.4 万张 100 米分辨率多光谱图像，并融合 GRAIL 重力、Lunar Prospector，以及日本 JAXA SELENE 等任务的地形与遥感数据。配合发布的数据集整合 9 台仪器、4 项任务、30 多个空间对齐数据层，解决不同分辨率、不同载荷难以统一调用的问题。

这一模型对月球资源勘查意义重大。月球永久阴影坑温度极低，可把水冰保存数百万年以上，而光学手段难以直接观测。模型综合多分辨率、多模态观测估算极区冰的赋存与稳定区，帮助研究者缩小实地验证范围。而水冰不仅关系到月球基地的饮用水和呼吸用氧，也可通过电解制氧、制氢，为深空任务提供推进剂原料，这正是人类长期驻月任务及后续走向火星任务的起点。

"NASA-IBM 模型 " 重现了月球冰探测的模式（从蓝色到黄色），模型在参考数据中保留了许多精细的勘探模式。图片来源：NASA/IBM 研究院

同时，在未来飞船安全着陆与对着陆点的地质认知上，新模型可辅助快速提取和分类陨坑，减少人工判读工作量。

该模型纳入 NASA 首席科学数据办公室 " 科学人工智能 " 战略，由多个中心、高校、研究所协同完成。对学界而言，统一、可复现的月球数据集，远比单次算法指标更重要。未来探月任务持续产生新影像，研究者也可在同一底模上微调，把多任务、多时段观测连成一致认识，而不是每次另起炉灶。

"NASA-IBM 模型 " 的意义在于把碎片化的月球数据，变为全球共享的智能平台，使科学发现不再取决于数据占有，而取决于善用模型的能力。未来，各国团队能以极低成本接入前沿研究，人工判读就此转化为一种可复用工具。对科学界来说，这将极大加速对陨石坑、火山及极区资源的认知，为未来月球基地甚至火星登陆任务累积必要知识。而这种模式，也很可能在今后的深空探索研究中经常见到，从月球延伸到火星甚至更远的小行星，推动人类宇宙认知的再一次跃迁。