2026 年 9 月 10 日，美国国家航空航天局（NASA）与 IBM 联合发布了一款开源月球研究大模型——NASA-IBM 月球基础大模型。这是一套用月球影像和探测数据训练出来的人工智能程序，可在 Hugging Face 平台免费下载，主要任务是从月面照片里识别可能存在冰的区域、给撞击坑分类。它也是全球首个配套开源数据集的月球专用大模型，是 NASA 在 2026 年春天阿尔忒弥斯 2 号完成载人绕月飞行后，为筹备后续登月任务准备的科研工具。
先补两个入门概念。**大模型（基础大模型）**是指用海量数据训练出来、能处理多种任务的人工智能程序，这套模型的专长是分析月面影像。开源意味着模型与数据公开，任何研究团队都能免费下载、使用和二次开发。Hugging Face 是全球最大的 AI 模型分享平台，相当于 AI 领域的「应用商店」。
两项对照测试：冰区识别误差低 23%
NASA 与 IBM 把新模型和微软的高分辨率图像视觉模型 SwinV2-B 做了对照测试。SwinV2-B 是图像分析任务中常用的基准模型，也就是用来衡量其他模型表现的参照物。
测试结果有两组数字。冰区识别方面，将模型预测与一张融合地形、温度等环境数据的月球地图比对，NASA-IBM 模型的识别误差比 SwinV2-B 低了 23%。撞击坑识别分类方面，新模型只用 SwinV2-B 一半的训练数据，性能就高出 19%。
2026 年 8 月 5 日，SpaceX 一枚猎鹰 9 号火箭撞击月球，研究团队借机做了真实场景验证：IBM 把撞击影像输入模型，模型一次就准确识别出撞击形成的新陨石坑，即使新坑与原有陨石坑大面积重叠。IBM 欧洲、英国及爱尔兰研究院院长胡安·贝尔纳韦-莫雷诺评价「效果非常出色」。
月球影像的训练难点
在月球上训练图像模型，比在地球难得多。地球遥感图像有大气散射阳光、环境光填充阴影，画质完好；月球没有大气，阴影边缘锐利、内部漆黑，阴影区域的像素不携带任何有效信息。同一个陨石坑在不同日照角度下看起来完全不一样。
常规训练逻辑也失效了。计算机视觉模型常用「破坏重建」法训练：抹掉图像的一部分，让模型凭学到的规律还原。但月球轨道照片里大量陨石坑外观高度相似，抹掉一个坑让模型还原，结果「完全失败」——这是 IBM 团队一开始用传统方式训练时得到的结论。
他们的解法是把月球像橙子一样切成多个扇形区块，训练集（教模型的样本）与测试集（验收模型的样本）完全分开，模型因此能在没见过的新区域上保持稳定表现。
配套开源数据集：超过 200 万个数据点
与模型一同发布的，是全球首个同类开源数据集。它整合了数万张影像与探测仪器数据，来源包括 NASA 月球勘测轨道飞行器（LRO）、重力恢复与内部实验室（GRAIL）任务，以及日本月亮女神号探测器（SELENE）。数据经过配准对齐——让影像里每一个像素都对应上温度、地形等其他维度的数据——形成超过 200 万个数据点。
贝尔纳韦-莫雷诺认为，过去没有功能全面的月球专用大模型，缺的不是模型技术，而是整理得当的配套数据。他的原话是：「AI 模型总会被更新的模型淘汰，但数据才是支撑 AI 模型持续发展的根基。」
对科研界来说，这次发布把月球 AI 研究的基础设施开源了：模型会随技术迭代过时，但配准好的数据集与经过验证的训练方法会持续服务后续研究。研究团队不必再从零收集整理数据，就能基于统一的数据集开发自己的月球 AI 模型。