NASA 與 IBM 開源月球基礎模型：約二百萬影像塊預訓練，極區冰潛力與隕石坑地圖提速

Key takeaway

2026 年 9 月 10 日，NASA 與 IBM 正式公開「NASA-IBM Lunar Foundation Model」（月球基礎模型），定位為少數專為月球科學打造、並以開源方式釋出的多模態／多解析度基礎模型。模型主要在 NASA Lunar Reconnaissance Orbiter（LRO）長達約十七年的觀測資料上預訓練，權重公開於 Hugging Face，程式碼與微調流程可經 GitHub／TerraTorch 取得。本文已對照 NASA Science 官方專頁、IBM／PR Newswire 新聞稿，以及 Hugging Face 模型卡核實日期、訓練規模與評測數字；來源真實性已驗證。

NASA 與 IBM 開源月球基礎模型：約二百萬影像塊預訓練，極區冰潛力與隕石坑地圖提速

NASA 與 IBM 開源月球基礎模型：約二百萬影像塊預訓練，極區冰潛力與隕石坑地圖提速

2026 年 9 月 10 日，NASA 與 IBM 正式公開「NASA-IBM Lunar Foundation Model」（月球基礎模型），定位為少數專為月球科學打造、並以開源方式釋出的多模態／多解析度基礎模型。模型主要在 NASA Lunar Reconnaissance Orbiter（LRO）長達約十七年的觀測資料上預訓練，權重公開於 Hugging Face，程式碼與微調流程可經 GitHub／TerraTorch 取得。本文已對照 NASA Science 官方專頁、IBM／PR Newswire 新聞稿，以及 Hugging Face 模型卡核實日期、訓練規模與評測數字；來源真實性已驗證。

重點預告：為何要用「基礎模型」處理月球 petabyte 級資料、技術架構如何處理光照幾何與百倍尺度差、以及對開發者、企業與香港／亞洲科研的實際意義。

一、核心事件：把月球觀測變成可微調的開源基座

技術細節

傳統做法是為每個任務（隕石坑偵測、火山不規則月海斑塊、極區冰潛力）各自訓練專用模型，成本高、標註需求大。基礎模型則先在大量未標註資料上預訓練，再以少量標註資料微調到下游任務。

根據 NASA 官方說明，該模型約以二百萬個影像塊（image tiles）預訓練：當中逾一百萬張約一米解析度的高解析相機影像，以及近九十六萬四千張約一百米解析度的多光譜影像；並納入 GRAIL、Lunar Prospector，以及 JAXA SELENE／Kaguya 等任務的地形與 complementary 資料。IBM 新聞稿補充：團隊同時公開一套機器學習就緒的統一月球資料集，彙整四個任務、九種儀器、逾三十層空間對齊的觀測層。

Hugging Face 模型卡將骨幹描述為 ViT-B 編碼器—解碼器（768 維、12 層），在 SomBench 基準上以約二百萬組共註冊 tile bundle 訓練，涵蓋十一種模態、兩種空間尺度（LROC NAC 約 1 m/px 與 WAC 約 100 m/px），授權為 Apache-2.0。

二、技術原理深度解析

月球表面外觀高度受照明幾何影響。NASA-IBM 模型把每塊 tile 的入射角、發射角、相位角與太陽座標等 acquisition geometry，明確編成序列 token 輸入，減少模型「猜光照」的負擔。其次，NAC 與 WAC 兩族解析度在同一混合批次中以原生解析度共同預訓練，以單一權重覆蓋約一百倍的尺度差；FlexiViT 與模態級 tokenization 則允許微調時調整 patch 大小或增刪模態。

下游適配建議走 TerraTorch：實驗指出 LoRA（例如 rank 16、α=32）常是預設選擇，在隕石坑任務可媲美或優於全量微調；全量微調在部分小基準仍有優勢。模型卡亦明確列出「不適用」範圍：生成結果非校準科學產品、不具大地測量參考框、冰潛力輸出是回歸知識驅動的潛力圖而非實測冰量、未驗證用於着陸點認證等操作決策。

IBM 新聞稿援引技術論文數字（讀者應以原論文為準）：極區冰潛力識別的 RMSE 相對 SwinV2-B（ImageNet）可降低最多約 22%；不規則月海斑塊範圍估計相對同基準約優 3%；在約一百米上下文尺度的隕石坑任務，僅用一半訓練資料即可相對 SwinV2-B 提升近 19%。NASA 專頁總結為：隕石坑與不規則月海斑塊與多個強基線相當，極區冰穩定性估計則有明顯優勢。

此模型屬 NASA 首席科學數據官辦公室「AI for science」路線，並延續與 IBM 的 Prithvi（地球觀測）、Surya（日球物理）等開源基礎模型系列。

三、日常應用場景

1. 開發者與技術團隊

可直接自 Hugging Face 下載 backbone，以 TerraTorch YAML 微調冰潛力、隕石坑或分割任務；適合研究「多模態遙感 + 光照 metadata」的工程實驗，也可作為領域基礎模型／LoRA 工作流的參考實作。

2. 企業與隱私敏感行業

月球任務本身較少直接落地企業產線，但「把機構內部 petabyte 觀測／感測資料，預訓練成可微調基座再開源或半開源」的模式，對航太供應鏈、遙感分析、能源與基礎設施監測具有方法論參考價值。若企業資料不能出境，更應把類似流程放在私有環境完成。

3. 一般用戶

一般讀者可把它理解為：探月不再只靠人手翻圖，而是用開源 AI 先幫科學家畫出「哪裡像冰、哪裡是新撞擊坑、哪裡是特殊火山地貌」的候選地圖，再由專家驗證。

4. 香港與亞洲市場視角

香港高校、初創與亞洲太空／遙感團隊可直接取用開源權重與 SomBench，參與可重現的基準比較，降低自訓門檻。對香港企業而言，更貼近的啟示是：領域資料 + 私有微調，往往比只呼叫通用公有聊天模型更可控。如需在香港部署類似「資料不出境」的私有模型託管，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起，Dataset → QLoRA／LoRA → 私有 API；https://ysk.hk/services/ai-automation）。

四、專業評價與潛在考量

優勢

  • 官方雙源（NASA + IBM）同一日對外，並附開源權重、資料集與論文入口，可驗證性高。
  • 針對月球照明幾何與多解析度設計，比「直接搬 ImageNet 骨幹」更貼合任務。
  • 標註效率敘事清晰：部分基準在一半資料量已可比肩全量訓練的強基線。

需要留意的地方

  • 模型卡強調生成場非校準產物、冰潛力非實測冰；不宜過度解讀為「已找到可開採水冰」。
  • NAC 預訓練受有共註冊立體 DTM 的站點限制，全球密度並非均勻。
  • 部分基準領先幅度小於種子方差，解讀時應避免把單一數字絕對化。

結語

NASA-IBM 月球基礎模型把數十年多儀器月球觀測，收成可微調、可比較、可開源的科學 AI 基座，標誌「行星科學 + 基礎模型」從口號走到可下載的權重與基準。對香港與亞洲團隊，價值不只在探月本身，更在於如何把機構級資料變成可治理的領域模型。若企業要在本地完成類似 Dataset 到私有 API 的閉環，YSK Limited 的企業私有 LLM 全託管（https://ysk.hk/services/ai-automation）提供對應的工程路徑。

參考來源

Related services & products

Related posts