今年春天，NASA的阿尔忒弥斯2号任务完成了具有历史意义的月球掠飞，这是1972年之后人类首次载人绕月飞行。4月6日，宇航员里德·怀斯曼、克里斯蒂娜·科赫、维克多·格洛弗与杰里米·汉森抵达了比以往任何人都更远的地外空间。如今，NASA在筹备后续阿尔弥斯系列任务的同时，正与IBM合作，为科研人员打造全新的月球研究工具。

当地时间周四，双方联合发布了NASA-IBM月球基础大模型。这是一套开源人工智能系统，可在Hugging Face平台下载。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，它可以完成多项任务。首先，NASA与IBM发现，该模型特别擅长识别月球表面可能存在冰的区域。

双方开展了一项对照测试：将模型的预测结果，和一套依靠成熟科研流程生成的月球地图进行比对，这套地图融合了地形、温度以及其他环境数据。研究团队还把该模型和微软开发的高分辨率图像视觉处理模型SwinV2-B做对比，最终NASA-IBM模型的识别误差降低了23%。之所以选用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模型。

NASA和IBM还测试了模型识别、分类陨石坑的能力。在这项测试中，新模型仅使用一半训练数据，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，研究团队借此机会验证了模型能力。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，即便这个新坑和原有陨石坑大面积重叠。贝尔纳韦-莫雷诺评价：「效果非常出色，模型一次就识别成功。」

贝尔纳韦-莫雷诺表示，训练这套模型本身就充满挑战。他解释道：「在地球遥感观测中，我们能拿到画质完好的图像。地球大气会散射阳光，环境光可以填充阴影区域，让阴影边缘变得柔和。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。常规做法一般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%。」这套方法放到月球场景行不通。原因不难理解：从轨道拍摄的照片里，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，让影像里每一个像素，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。」