9月10日，IBM与NASA发布开源人工智能模型NASA-IBM Lunar Foundation Model，并在Hugging Face上线，同时公开一套月球数据集。该模型用于分析过去数十年积累的PB级月球观测数据，识别对NASA建立月球持续人类存在关键的地质特征。

据TechRadar报道，模型由IBM和NASA研究人员在多模态NASA数据集上训练，数据集随模型一同发布。此前科学家常依赖人工分析或低分辨率、任务专用AI模型，这类方法计算需求高，且往往达不到详细地理分析所需精度。新基础模型让研究人员不必为每个潜在问题单独构建模型，而可以用同一个模型研究多种月球地质特征。

模型已经表现出实际用途。TechRadar称，它在识别陨石坑和火山特征方面更为准确，并显著降低定位潜在冰沉积的误差。Engadget报道，NASA和IBM将模型与微软训练的高分辨率图像视觉系统SwinV2-B对比，在冰沉积定位任务中误差减少23%；在陨石坑识别和分类基准测试中，模型使用一半训练数据，表现比SwinV2-B高19%。

Engadget还称，8月5日SpaceX猎鹰9号火箭撞击月球后，IBM把撞击图像输入模型，模型首次尝试就正确识别出撞击位置是一处新陨石坑，尽管它与已有陨石坑高度重叠。IBM Research欧洲、英国和爱尔兰总监Juan Bernabe-Moreno说，模型“工作得非常好”。

训练该模型面临特殊困难。Bernabe-Moreno解释，地球观测图像有大气散射带来的环境光，阴影边缘较柔和；月球阴影呈刀刃般锐利且漆黑，被拍摄的阴影像素不携带信息，同一陨石坑在不同图像中可能看起来完全不同。传统计算机视觉训练常遮住图像一部分，再让模型根据学习到的模式重建缺失部分，但月球上许多陨石坑从轨道看极为相似，IBM按传统方式训练时遭遇“完全失败”。研究团队随后把月球像橘子一样分成多个楔形，将训练用楔形与测试用楔形完全分开，使模型获得一致性。

TechRadar称，数据集是首个统一、公开可用并可直接用于机器学习的月球数据缓存，汇集4项任务、9台仪器的30多个空间对齐图层，包括数万张图像和地图，来自NASA的月球勘测轨道飞行器LRO和GRAIL任务。Engadget称，数据集还包含日本SELENE任务的图像和仪器数据。Bernabe-Moreno说，数据被组织成网格，每个像素成像数据对应其他模态数据，社区现在拥有超过200万个数据点的共注册数据集。他指出，AI模型会被其他模型取代，真正创造AI模型产业的是数据。

TechRadar指出，识别月球冰沉积尤其关键，因为水和氧对建立月球基地、甚至为未来火星任务制造火箭燃料都不可或缺。扫描不规则月海斑块等火山特征，有助于了解月球火山历史和热演化，并帮助识别着陆及其他表面作业地点。研究陨石坑可提供月球历史、不同地形年龄、地质结构乃至早期月球内部化学成分的信息，同时帮助排除陡坡和巨石等危险，寻找安全着陆点。

IBM与NASA合作已超过五十年，包括阿波罗任务。Bernabe-Moreno说：“揭开月球的奥秘需要从海量科学数据中学习的能力。NASA-IBM月球基础模型为科学家提供大规模探索月球的基础，连接不同仪器的观测，揭示孤立时难以看到的模式，并提供全球研究界可以构建的开放平台。”两家机构认为，该模型可帮助未来宇航员安全导航、寻找必需资源，并让科学家更好地理解月球地质历史。