NASA与IBM发布开源月球研究基础大模型

NASA与IBM近日联合发布NASA-IBM月球基础大模型，这是一套面向月球科研的开源人工智能系统，研究人员可在Hugging Face平台下载使用。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，该模型能够完成多项任务，其中在识别月球表面可能存在冰的区域方面表现尤为突出。

为验证实际效果，双方开展了一项对照测试：把模型的预测结果与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。研究团队同时引入微软开发的高分辨率图像视觉处理模型SwinV2-B作为参照，原因是该模型常被用作各类图像分析任务的基准。结果显示，NASA-IBM模型的识别误差降低了23%。

研究团队还测试了模型识别与分类陨石坑的能力。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，即便这个新坑与原有陨石坑大面积重叠。贝尔纳韦-莫雷诺评价说，效果非常出色，模型一次就识别成功。

贝尔纳韦-莫雷诺坦言，训练这套模型本身就充满挑战。他解释说，在地球遥感观测中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。他还指出，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。常见做法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。比如可以抹掉一个陨石坑九成的画面，只留下一成，让模型还原剩下的部分。但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，把月球像橙子一样切成多个扇形区块，训练集区块与测试集区块完全分开，这样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-莫雷诺表示，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。他强调，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。他补充说，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。