NASA 與 IBM 開源了以 17 年軌道器資料訓練的月球基礎模型

十七年來對月球的觀測所產生的資料，比 NASA 所有其他行星任務加起來還多。讓這些資料能用於機器學習，才是更困難的問題。

10 月 5 日，NASA 與 IBM Research 與多個學術機構合作，發布了 NASA-IBM 月球基礎模型。該模型為開源，發布於 Hugging Face，程式碼在 GitHub 上，並整合到開源的 TerraTorch 工具包中。預訓練資料集與基準測試集也一併釋出。

與最佳基線 SwinV2-B 相比，該模型將極地冰沉積預測誤差降低最多 22%，並在僅使用一半標註資料的情況下，將粗尺度撞擊坑偵測提升近 19%。

為何採用基礎模型而非特定任務模型

月球科學有個奇怪的資料問題。觀測資料很豐富，但標註卻很稀缺。為某一尺度的撞擊坑偵測建立一個模型，為冰穩定性建立另一個，再為地表分割建立另一個，意味著每次都要從頭開始，使用小型標註資料集，且底層沒有共享表徵。

基礎模型翻轉了這一點。它先在大規模無標註資料上預訓練，然後只需少量標註範例就能適應特定任務。NASA 首席科學資料官 Kevin Murphy 正是用這樣的說法來描述這次發布：NASA 花了數十年建立月球的科學紀錄，收集資料只是工作的一部分，其餘部分是讓科學家更容易使用這些資料。

訓練語料庫是 SomBench，被描述為迄今組裝的最大共配準多模態月球資料集：近兩百萬個圖磚組合，涵蓋十一種模態與兩個空間尺度。約一百萬張高解析度影像來自窄角相機，解析度約為每像素一公尺。近 964,000 張多光譜影像來自廣角相機，解析度為每像素 100 公尺。大部分資料可追溯至月球勘測軌道器，並輔以 GRAIL、月球探勘者號（Lunar Prospector）以及 JAXA 的輝夜號（Kaguya）探測器資料。來自四次任務、九種儀器的超過 30 層空間對齊資料層。

貢獻最大的設計選擇

該架構改編自 TerraMind，一個多模態地球觀測模型，但團隊從頭訓練月球版本，而非微調現有模型。月球沒有大氣層，也沒有天氣，因此從地球模型繼承的假設會變得比無用更糟：具有主動誤導性。在月球上，物體看起來如何，很大程度上取決於它如何被照亮。

這項觀察推動了第二個關鍵決策。模型接收成像幾何作為每個圖磚的明確上下文：照明角度、太陽位置、圖磚範圍。模型不是從原始像素推斷光照，而是直接被告知。其中一個更能說明問題的發現是，一個架構相同、隨機初始化的對照模型在冰預測上仍有具競爭力的表現，研究人員將此視為證據，顯示資料處理方法本身就帶來了很大的增益。

FlexiViT 處理區塊大小變化，讓訓練好的模型能適應不同影像尺度的任務，而無需重新訓練。

基準測試與作者指出的限制

團隊在 100 公尺與 1 公尺尺度的撞擊坑偵測、極地冰沉積預測，以及不規則月海斑塊分割上測試了該模型。預訓練模型達到或超越常見基線與隨機初始化對照模型。冰預測的增益最大。

技術報告明確說明了該模型不能做什麼。它不適合絕對測地定位。在生成測試中，緯度和經度在某些情況下偏差達數十度，即使形狀重建正確，高程結構出現時絕對高度值也發生偏移。IBM Research Europe 的 Juan Bernabé-Moreno 將該模型描述為下游月球研究的可重複使用基礎，而非物理測量的替代品。

這一區別貫穿整個發布。該模型加速分析：它估計水冰在永久陰影區可能保持穩定的位置，繪製撞擊坑以估算地表年齡，並標記不規則月海斑塊以供火山研究。它不確認是否存在可開採資源，也不保證某地點可安全著陸。

它不能做什麼

報告自己的限制章節值得仔細閱讀，因為它界定了研究工具與儀器之間的界線。該模型不適合絕對測地定位：在生成測試中，緯度和經度在某些情況下偏差達數十度，即使重建形狀正確，高程結構出現時絕對高度值也發生偏移。

轉化到實務上，這意味著該模型對於尋找和描述特徵很有用，但對於高精度地指出它們的確切位置則不可靠。任務規劃者可以用它來縮小極地冰的候選區域，然後再用針對性測量加以確認。若團隊將其輸出視為測繪級座標，就是誤用。

作者以同樣方式描述這次發布：它是下游研究的可重複使用基礎，而非物理測量的替代品。這種對範圍的誠實，正是讓發布變得可用的原因，因為它告訴下游團隊哪些任務可以信任模型，哪些任務則該繼續用困難的方法完成。

為何改編地球模型很重要

TerraMind 是為地球觀測而建，在那裡影像受到大氣、植被週期與人類活動的影響。改編其架構同時從頭訓練，是一條刻意選擇的中間路線。團隊保留了能泛化的部分，也就是處理多模態、空間對齊資料的機制，並捨棄了不能泛化的部分，也就是任何關於地表應該看起來如何的假設。

將照明作為輸入的決策，說明了為何這種區別很重要。在地球上，衛星影像具有足夠的視覺冗餘，模型通常可以從紋理和陰影推斷光照。在月球上，地表大致均勻，陰影就是訊號。直接將太陽角度和照明幾何交給模型，而不是要求它重建這些資訊，讓模型能將容量花在科學任務上，而不是重新推導已經提供給它的物理量。

這是一種可以轉移的模式。任何領域，只要某項物理測量容易計算，但模型難以推斷，就是明確條件化的候選：立體深度、大氣校正、感測器校正。月球恰好能乾淨地證明這一點，因為它的混淆變數很少。

開源發布在這裡的意義

將模型及其資料集開源，改變了誰能參與。NASA 和 IBM 之外的研究團隊可以重現已發表的結果，針對自己的問題微調模型，並為未來任務建構應用，而無需協商資料存取。當標註月球資料的生產成本高昂時，一個只需少量範例的預訓練模型，就是決定一項研究能否發生的關鍵。

這次發布也是一個模板。月球被一個為特定類型影像建立的模型索引，餵入決定該影像外觀的物理原理，並以在檔案庫中等待處理長達十七年的資料進行訓練。同樣的模式適用於任何擁有大量無標註觀測與稀少標籤的領域，而這正是大多數科學遙測的情況。