NASA、IBM Research与多家学术机构持续合作，启动了专注于月球科学的开源NASA-IBM Lunar Foundation Model。该模型主要使用NASA的Lunar Reconnaissance Orbiter（LRO）数据进行训练，现已在Hugging Face上开放使用；全部代码均可在GitHub上找到。
该模型旨在通过快速分析有关月球表面的大型数据集，帮助绘制月面地图、研究月球的地质历史并规划未来研究。与传统上为每项任务从头训练的算法不同，foundation models会在大规模未标注数据集上进行预训练，随后利用少量标注数据适配不同的科学任务。
LRO在过去17年收集的数据覆盖了月球表面的大部分区域，并以详细形式呈现，因此被用于训练。该任务产生的数据量超过NASA其他所有行星任务的数据总量，并提供了月球近乎连续的高分辨率镶嵌图。该模型使用了数据集中的约2百万个图像切片进行训练；该数据集包含超过1百万张分辨率为1米的高分辨率相机图像，以及约964,000张分辨率为100米的多光谱图像。此外，还使用了NASA的GRAIL和Lunar Prospector任务，以及JAXA的Selenological and Engineering Explorer任务获取的图像和地形数据。该模型可用于适配绘制陨石坑、识别年轻的火山构造以及预测极地附近冰层位置等研究。
为何重要
这项工作旨在让月球数据不再只是针对单项任务处理的档案，而是转变为一种可适用于不同科学问题的共享研究基础设施。开源方式可以让月球研究人员基于现成的基础开发自己的分析，并将同一数据用于不同目的。这一变化尤其可能重新组织开展表面测绘、地质研究和研究规划的团队的数据处理流程。然而，该模型在不同科学任务中的成功程度，以及它能够在多大程度上适用于训练数据以外的情况，仍将是随着相关应用普及而需要回答的问题。
背景
NASA在FikirPilot档案中并不是一个新名字：过去90天内，我们发布了29篇提及这一名称的新闻；最新一篇发表于2026年9月11日。