NASA与IBM发布开源月球基础大模型，可识别冰区与撞击坑

驱动中国9月10日消息，NASA与IBM联合发布了一款面向月球研究的开源基础大模型，该模型能够对月表冰区与撞击坑进行识别，为后续月球探测与资源开发提供智能化分析工具。这一成果将行星科学与人工智能技术进一步结合，有望提升月球遥感数据的处理效率。

该模型基于大量月球遥感影像与地形数据训练而成，其核心能力在于自动识别月表特征，尤其是对水冰分布区域的探测。水冰被认为是未来月球基地建设与深空探索的关键资源，准确识别冰区位置对任务规划具有重要意义。同时，模型对撞击坑的识别有助于研究月球地质演化历史，并为着陆点选择提供参考。

作为开源项目，该模型向全球科研机构与开发者开放，允许各方基于自身需求进行微调与二次开发。这一举措降低了行星科学研究的门槛，使更多团队能够利用先进的AI工具处理月球数据，而不必从零构建复杂的识别系统。NASA与IBM表示，希望通过开放合作加速月球探索领域的创新。

从技术路径看，该模型采用了基础模型架构，具备较强的泛化能力，能够适应不同分辨率与来源的遥感数据。在训练过程中，研究团队整合了多源数据，包括轨道器影像、光谱数据以及地形高程模型，使模型能够学习到月表特征的多样性。这种数据驱动的方法在识别精度与效率上相比传统算法有明显提升。

月球研究近年来持续升温，多国航天机构与商业公司均制定了探月计划。对月表资源的精确测绘是这些计划的基础环节，而AI模型的介入能够大幅缩短数据处理周期。此前，月表特征识别多依赖人工判读与半自动算法，耗时且易受主观因素影响。新模型有望改变这一局面，为大规模月表制图提供自动化解决方案。

IBM在AI与高性能计算领域积累深厚，NASA则在行星科学数据获取方面拥有独特优势，此次合作被视为产学研结合的典型案例。双方强调，模型的开源不仅服务于科研，也可能为商业月球探测活动提供支持，例如帮助私营企业评估着陆区风险或规划资源开采路径。

业内分析认为，该模型的发布标志着AI在深空探测中的应用进入新阶段。随着月球任务频率增加，对自动化数据分析工具的需求将快速增长。开源策略有助于形成社区驱动的改进机制，使模型在更多真实任务中不断优化。未来，类似技术或可推广至火星及其他天体的研究，形成通用的行星科学AI工具链。

目前，该模型已可在指定平台获取，相关文档与示例代码同步公开。研究团队鼓励用户反馈使用中遇到的问题，并计划根据社区意见迭代模型版本。对于希望参与月球研究的机构而言，这一开源资源提供了便捷的起点，也预示着AI与行星科学融合的更多可能性。