兩百萬張月球影像、1,100 GPU 小時：NASA 與 IBM 開源月球基礎模型全解析

2026 年 9 月 10 日，IBM 與 NASA 低調發布了今年最特別的 AI 模型之一：NASA-IBM 月球基礎模型（Lunar Foundation Model）。這是一個多模態、多解析度的基礎模型，訓練素材不是網路文字或程式碼，而是約 200 萬張經過共同配準（co-registered）的月球表面影像拼貼。模型權重以 Apache-2.0 授權上架 Hugging Face，微調程式碼放在 NASA-IMPACT 的 GitHub 儲存庫，連訓練語料 SomBench——史上第一個開放、機器學習就緒的月球資料集——也以 CC BY 4.0 一併公開。

這是首批專為月球科學打造、公開可用的基礎模型之一，而它出現的時間點，正好是 NASA 與合作夥伴積極規劃人類長期駐留月表的時代。背後的思路很直接：與其為每個科學問題手工打造一套新演算法，全球任何研究者都可以從一個共享的預訓練模型出發，用少量標註資料微調出自己的任務模型。

為什麼月球需要基礎模型

月球勘測軌道飛行器（LRO）自 2009 年起持續觀測月球，按 NASA 自己的說法，它產生的資料量超過 NASA 所有其他行星任務的總和。成果是數 PB 級的影像與地球物理圖資：窄角相機（NAC）每像素 1 公尺的高解析度影像、廣角相機（WAC）每像素 100 公尺的多光譜影像，再加上來自 Diviner、LOLA、Mini-RF、GRAIL 與 JAXA SELENE/Kaguya 等儀器的地形、熱輻射、重力與雷達產品。

問題在於：這些資料從來就不是「機器學習就緒」的。此前不存在任何公開的統一資料集，能將多模態、多解析度的月球資料整合進現代機器學習可用的共同框架。研究月球的科學家要嘛得人工翻閱地圖與影像，要嘛從頭訓練小型、任務特定的模型——不僅運算成本高昂，辨識細微地理特徵的精度也常常不足。

SomBench 補上了這塊缺口。它整合了四次任務、九部儀器、超過 30 個空間對齊圖層，分為兩個軌道：WAC 低解析度軌道有 963,609 個拼貼（每像素 100 公尺，共 38 TB）；NAC 高解析度軌道有 1,000,113 個拼貼（每像素 1 公尺，共 1.4 TB）。資料集切分以月球橫麥卡托分帶為單位——橫跨兩個分帶的拼貼直接捨棄，以防止空間洩漏——測試集則保留給下游評估。完整資料集托管於 AWS。

ViT-B 架構與月球特有的工程細節

從架構上看，這個模型在前沿標準裡相當精簡：ViT-B 編碼器—解碼器，768 維、12 層、12 個注意力頭，從零開始在 SomBench 上訓練。真正有意思的不是規模，而是疊加在 TerraMind 遮罩式 token 預訓練配方之上的領域特化設計。

第一是光照處理。月球表面的外觀，受光照幾何（太陽角度、太陽參考框架錨點、拼貼足印）的影響，遠大於表面本身的固有變化。同一個隕石坑在不同光線下可能天差地遠，因此模型把每個拼貼的觀測幾何明確編碼為編碼器輸入，而不是讓網路默默把陰影誤認成地形。

第二是多解析度訓練。NAC 與 WAC 拼貼在單一混合批次迴圈中以原生解析度共同訓練，讓同一組權重涵蓋相差 100 倍的兩個解析度家族。FlexiViT patch embedding 讓檢查點能在不重訓骨幹的情況下以其他 patch 尺寸微調；逐模態的 tokenization 則代表微調時可以自由增刪模態——這對下游研究者非常實用，因為他們手頭未必湊得齊全部 11 個預訓練模態。

輸入涵蓋九個密集影像層，加上兩個序列式脈絡模態：含 8 個欄位的逐拼貼光學metadata，以及含 28 個欄位的靜態圖資脈絡。預訓練本身以 2026 年的標準看格外樸實：16 張 H100、150,000 步、全域批次 1,536、bf16 精度——總計約 1,100 GPU 小時。配方還包括九個逐模態 VQ-VAE tokenizer（FSQ 量化）、一個 DDPM 解碼器，以及對離散 token 詞表的交叉熵目標。

基準測試：贏在哪裡、又只是打平在哪裡

根據 NASA-IBM 技術論文，模型在關鍵地理特徵辨識上比常用方法最多高出 23%。拆開來看是三項任務：

極區冰層前瞻性預測是差距最大的一項。在辨識月球冰層高潛力區域時，模型的 RMSE 比 SwinV2-B（ImageNet）最多降低 22%——0.0293 對 0.0377。這一點至關重要：月球兩極的永久陰影區是最難直接觀測的環境之一，卻可能藏有意味著水與氧的冰層——這些是未來月球基地的關鍵資源，也是製造火星任務火箭燃料的原料。

隕石坑偵測則展現了效率優勢。在公尺級解析度下，模型與 SwinV2-B 等最先進基線打成平手；但在脈絡級解析度（約 100 公尺）下，它僅用一半訓練資料就比 SwinV2-B 高出近 19%——預訓練版本用 50% 訓練資料就能達到或超過用完整資料集訓練的基線。隕石坑計數是定年月表、重建太陽系歷史的核心手段，而隕石坑測繪直接支撐 NASA 的降落點選擇、危險迴避（陡坡、巨石）與長期月球基礎設施規劃。

不規則月海斑塊（IMP）分割是最小幅度的一項：IoU 0.5709 對 ConvNeXtV2-B 的 0.5687——在標籤不完美的條件下領先 3%。作者也坦白指出，NAC 隕石坑與 IMP 兩個基準上的領先者應視為「表現相當」，因為差距小於不同隨機種子間的波動。所有基準測試都透過 TerraTorch 執行，loader、切分、增強、損失函數與指標在各骨幹間保持一致，以五個種子的平均值與標準差呈現，基線包括 ResNet-50、ViT-B MAE、ConvNeXt-B、DaViT-B、DeepLabV3+ 與 SegFormer。

NASA 官方公告中還有一個極具說服力的示範：模型偵測到愛因斯坦隕石坑附近、由 SpaceX 火箭殘骸撞擊形成的新隕石坑。由於撞擊後的影像被排除在預訓練之外，這項測試證明模型可以微調來辨識觀測之間的新表面變化——在龐大的月球資料集中自動化變化偵測。

事先講清楚的限制

模型卡對「這個系統不是什麼」有罕見的明確聲明：它不是科學級的生成式產品；不維持大地測量參考框架；未經驗證不得用於降落點認證或危險清除等營運決策。冰層前瞻性輸出回歸的是知識驅動的模糊疊加圖，而非實測冰層。消融貢獻尚未分離，NAC 預訓練也僅限於 1,095 個配準影像框。對一份研究資產來說，這些都是正確的警示，也將這次發布定位為科學社群的基礎設施，而非成品。

更大的圖像：Prithvi 家族的月球新成員

月球基礎模型是 NASA-IBM 合作一系列開源模型的最新成員：Prithvi 地理空間家族（災害監測、洪水製圖、作物產量預測、颶風預測）與預測太空天氣的 Surya 太陽物理學模型。Prithvi 今年稍早已成為第一個在軌部署的 AI 地理空間基礎模型。

這個模式一致且刻意：開放權重、開放資料、開放程式碼、領域調適的架構，以及任何大學實驗室都負擔得起的樸實算力預算。正如 NASA 首席科學資料長 Kevin Murphy 所言：「我們還必須讓資料更容易被科學家探索和使用。NASA-IBM 月球基礎模型展示了當我們把 AI 帶進 NASA 數 PB 級科學資料時的可能性。這是我們在 AI 看到的真正機會：把大規模資料變成新發現。」

當前沿實驗室競相打造越來越大的通用模型時，這次發布提醒我們：最務實的 AI 進展，往往發生在資料精心策劃的窄領域——而 1,100 GPU 小時，聰明地花在 200 萬張月球影像上，就能勝過十年的人工製圖。