NASA 与 IBM 发布开源月球基础模型，基于 17 年探测器数据

NASA 与 IBM 发布了 Lunar Foundation Model，这是较早面向月球科学的开源 AI 模型之一。该模型使用近 200 万个 tile bundle 训练，数据主要来自 Lunar Reconnaissance Orbiter 长达 17 年的观测，官方称其降低了极地冰沉积预测的误差。

此前月球科学数据虽长期积累，但缺少可复用的开源基础模型。该模型把 17 年轨道器数据整合为通用底座，使极地冰沉积等预测任务的误差下降，意味着月球数据利用方式从单点分析转向模型复用。

模型以近 200 万个 tile bundle 为训练样本，数据主体来自同一探测器长期观测，规模与时间跨度支撑了基础模型的预训练路径。下游任务如极地冰沉积预测可在此基础上微调，从而降低误差，形成数据到模型的复用机制。

对月球或行星科学相关产品，可直接在开源模型上构建冰沉积识别、着陆区评估等分析流程，减少从零训练的数据与算力投入。研发团队需评估数据许可、模型微调成本与遥感数据预处理链路。

• 基于该开源模型封装极地冰沉积预测的 API 或分析工具，面向科研机构与商业航天公司提供服务。
• 将模型与自有遥感数据管线集成，开发着陆选址与资源勘探的辅助决策产品。
• 围绕 tile bundle 数据处理、模型微调与验证构建开源工具链，降低行星科学团队的接入门槛。

• 该模型的具体参数规模、架构与开源许可证类型尚未在证据中说明。
• 极地冰沉积预测误差下降的具体数值与评测基准未被披露。
• 除极地冰沉积外，模型在其他月球科学任务上的泛化表现尚不明确。
• 近 200 万个 tile bundle 中非 Lunar Reconnaissance Orbiter 数据的占比与来源未说明。