把PB级月球数据变“活”：IBM与NASA开源月球AI大模型

在人类重返月球的关键阶段，IBM和


NAS


A联合推出的全球首个开源月球研究


AI


基础模型，近日正式在Hugging Face和GitHub平台上线开放。这套面向月球科学探索打造的专用AI系统，把过去几十年积累的海量月球观测数据变成了可直接调用的研究工具，不仅能帮科研人员把原本要花数月的人工分析压缩到几小时，也让全球各地的天文爱好者、中小团队，不用从零搭建复杂


算法


就能参与月球研究，彻底降低了月球探索的技术门槛。

过去几十年，人类通过绕月


探测器


向地球传回了PB级的月球观测数据，这些数据里藏着月球的火山演化历史、水冰分布规律、陨石坑形成的完整线索，但一直没能被充分利用。传统研究方式里，科学家要手动翻阅海量月球地图、比对不同仪器的观测图像，不仅耗时极长，不同任务、不同设备采集的数据格式不统一，很多关键特征的识别还容易受人工经验的限制，大量隐藏在数据里的关联规律很难被发现。这套全新的月球AI模型，就是为了打通这些数据之间的壁垒而生。

为了训练出适配月球环境的专用AI，IBM和NASA的研究团队没有直接套用地球遥感的通用模型，而是先搭建了业界首个专门面向


机器学习


的开源月球统一数据集。这个数据集聚合了NASA月球勘测轨道飞行器、重力恢复与内部实验室任务，以及日本JAXA月亮女神任务的观测成果，整合了4次月球探测任务、9种观测仪器产出的30多个空间对齐数据层，包含数万张高清月球图像和各类物理探测地图。所有数据都完成了精细的空间配准，每个像素都能对应多维度的探测信息，从根源上解决了过去月球观测数据分散、格式不统一、没法直接给AI训练使用的行业难题。

针对月球没有大气层、陨石坑阴影边缘锐利、不同光照下同个地貌外观差异极大的特殊环境，研发团队还跳出了传统地球图像AI的训练思路。他们把月球表面像剥橘子一样切分成独立的扇形区块，让训练数据和测试数据完全来自不重叠的区域，彻底避免了模型把“相似陨石坑”当成通用规律的错误训练问题，最终训练出的模型泛化能力和识别精度远超通用视觉模型。实测数据显示，在识别月球两极潜在水冰区域时，这套模型的预测误差比通用基准模型降低了22%;在约100米的上下文分辨率下，它仅用一半的训练数据，识别陨石坑的性能就比主流先进模型高出近19%。

这套AI模型能解决的月球研究问题，覆盖了从资源勘探到任务落地的多个核心场景。它可以精准定位月球两极永久阴影区里的高潜力水冰分布点，这些水冰能转化成氧气、饮用水，甚至未来火星任务需要的火箭燃料，是人类建立长期月球基地的核心资源。它还能高效识别不规则月海斑块这类古老火山地貌，帮科学家重新梳理月球数十亿年的热演化历史;在陨石坑测绘上，它能在米级分辨率下完成识别和分类，不仅能推算不同月表区域的形成年龄，还能为登月任务筛选出安全的着陆点，避开陡坡、巨石等危险地形。此前Sp


ac


eX猎鹰9号残骸撞击月球形成新坑后，这套模型仅用一次识别就精准定位到了和旧陨石坑大面积重叠的新撞击点，展现出极强的实际应用能力。

更重要的是，整套模型和配套数据集都采用完全开源的方式向全球开放，所有代码、技术论文和模型权重都公开可查，采用Apache-2.0许可协议。这意味着全球任何一个科研团队、高校实验室甚至资深天文爱好者，都可以免费下载这套模型，只用少量自己的标注数据，就能快速微调适配到自己的研究方向，不用再从零开始搭建复杂的月球图像识别系统。它也加入了IBM Prithvi开放基础模型家族，和已有的地理空间、天气、太阳物理模型形成了完整的空间探索AI矩阵。

从过去只有少数顶尖航天机构才能完成月球数据分析，到现在全球研究者都能站在同一个开放平台上协作探索，这套开源月球AI模型正在把人类几十年积累的探月数据真正激活，让更多


创意


和发现从海量沉睡的观测数据里走出来，为人类重返月球、建立长期驻留基地铺好更高效的技术路径。