过去 17 年,NASA 月球勘测轨道飞行器(LRO)攒下的观测数据比其他所有 NASA 行星任务的总和还多,但行星科学家要么手工翻阅地图影像,要么为单个任务从头训练低分辨率专用模型。9 月 10 日,NASA 与 IBM 宣布开源 Lunar Foundation Model,换了条路走。
极区找冰,误差比基线低 22%
官方技术报告的三项下游评测里,最受关注的是极区冰前景预测:在永久阴影区这类最难观测的环境里,模型识别高潜力冰区的均方根误差相比 SwinV2-B(ImageNet)基线最多降低 22%——model card 原始数字 0.0293 对 0.0377,与新闻稿口径互相印证。月球冰意味着水和氧,是未来月球基地与火星任务燃料的原料,这项能力的价值不言自明。
陨石坑检测上,官方新闻稿称在约 100 米尺度下只用一半训练数据就领先 SwinV2-B 近 19%;米级尺度大体相当——0.1543 对 0.1552,微弱落后。火山地貌一项新闻稿称有约 3% 优势,但 model card 自己泼了冷水:差距小于随机种子间波动,应视为相当。
一个 ViT-B,凭什么
架构并不激进:ViT-B 编码器-解码器(768 维、12 层、12 头),沿用地球观测模型 TerraMind 的掩码 token 配方。真正的增量是两处月球特化:其一,把每个切片的光照几何(入射角、方位角、切片足迹)显式序列化为上下文 token——月面外观由光照几何主导,等于把主要混淆变量直接喂给模型;其二,1 米(NAC)与 100 米(WAC)两级分辨率切片混合预训练,一套权重跨 100 倍尺度差覆盖两级分辨率。
训练语料 SomBench 聚合 4 项任务 9 台仪器的 30 多个空间对齐数据层,约 200 万个共配准切片,含超 100 万张 1 米窄角相机影像与约 96.4 万张 100 米多光谱影像,并融合 GRAIL、Lunar Prospector 与日本 JAXA SELENE 数据。训练开销仅 16 张 H100、约 1100 GPU 时——不是算力军备竞赛,而是数据工程:把多任务多仪器数据对齐成机器可用的形态,才是贵的部分。
model card 里的冷水
开源三件套齐全:权重、微调代码(TerraTorch 集成)与 SomBench 基准,Apache-2.0 许可。但 model card 的 Out of scope 毫不客气:模型不维护大地测量基准,生成经纬度可偏差数十度;冰前景输出是知识驱动的模糊叠加图,不是实测冰;米级预训练受限于 1095 帧共配准立体地形;也未验证过着陆选址这类操作决策。一句话:可复用的表征基座,不是成品科学仪器。
所以呢
NASA 首席科学数据官 Kevin Murphy 的说法是:收集数据只是工作的一半,真正的机会是把大规模数据变成新发现。这个模型所属家族(地球观测 Prithvi、太阳物理 Surya、如今的月球)代表一种成形的打法——不为每个科学问题从头造算法,而是维护共享基座,小样本微调适配新任务。对 AI for Science 从业者,启示很直接:领域基础模型的胜负手往往不是参数量和算力,而是把领域数据整理成可学习形态的耐心。官宣一周多,月下载量刚过两千——下一个把它微调出意外用途的人,可能还没出手。