在探索宇宙的征程中，月球宛如一本记录着太阳系演化的“天然史书”。由于没有大气层的保护，数十亿年来，每一次陨石撞击都在月球表面留下了不可磨灭的痕迹，这些陨石坑成为了研究星球历史的关键线索。科学家们发现，通过统计陨石坑的数量，能够大致推断出星球表面的年龄。小型天体撞击的频率在漫长的岁月里相对稳定，陨石坑越密集的区域，其表面往往越古老。月球正面的地质历史，很大程度上就是依靠这种撞击坑定年法来解读的。当行星科学家想要了解某片月表的年龄时，只需统计单位面积内直径大于特定尺寸的撞击坑数量，数量越多，这片区域的年龄就越大。
然而，这项看似简单的工作，实际操作起来却极为枯燥且耗时。英国天文学家玛丽·布拉格曾耗费整整8年时间，才记录下约4789个月球地貌的相关信息。直到2019年，美国西南研究所的罗宾斯博士通过人工方式，在月球轨道器（LRO）相机和激光高度计的影像上，逐个圈出陨石坑，最终完成了包含超过200万个陨石坑的数据库。这一过程耗时数年，如此高强度的人工操作，如果面对的是坑群更为密集的其他行星，显然难以持续。
近年来，随着科技的飞速发展，利用卷积神经网络、目标检测等计算机视觉工具实现“自动识坑”的方法备受关注。人们期待AI能够在几分钟内完成人类数年才能完成的工作，为行星科学带来一场革命。毕竟，AI在处理重复性数据方面具有巨大的潜力，若能成功应用，将极大节省科研人员的时间和精力。
但现实却给这份期待泼了一盆冷水。西南研究所的一项评测结果显示，AI统计的行星科学数据存在诸多问题。科学家选取了8个由不同团队利用自动化方法生成的全球或大型月球陨石坑目录，以罗宾斯的人工目录为基准，并将所有AI目录的“匹配规则”统一到一个更为严格的标准下进行评估。这一标准比许多AI目录自身宣称的标准要严格得多。
评估结果令人震惊。不少原本在AI目录中看似出色的指标大幅下降，在严格的科学标准下，部分数据库的实际表现甚至比AI计算的结果差了十倍以上。这让科学家们深感忧虑，因为一个陨石坑的定位偏差、大小估算错误，甚至被重复统计，对于目录本身或许只是一个小误差，但一旦将这些数据用于定年模型，后果将被严重放大。例如，一片本应有100个陨石坑的年轻月表，若AI错误地统计为200个，那么推算出的地质年龄将直接翻倍。这种误差可能导致关于月球火山熄灭时间、人类登陆器着陆点附近演化历史等一系列重要结论出现偏差。
科学家还发现了一个容易被忽视的问题。在整体平均分的掩盖下，许多AI目录在不同尺寸陨石坑的识别上表现差异巨大。对于直径几十公里的大坑，AI的识别准确率相对较高，但当面对直径更小的陨石坑时，错误和遗漏的情况就频繁出现。这样的目录在实际应用中显然缺乏可靠性。
尽管AI在行星科学研究中的表现不尽如人意，但科学家们并未因此否定其价值。此次评测的初衷，正是基于对AI潜力的看好。他们认为，AI在处理重复性数据工作上的优势毋庸置疑，未来完全有可能彻底改变陨石坑编目的模式，为科研人员节省大量时间。不过，在现阶段，不能仅仅因为AI目录的某些指标亮眼，就直接将其用于科学研究。科学家提醒，在应用AI数据时，匹配标准应保持透明，评估基准需独立公正，不同尺寸的陨石坑应分开评估，最好还能有一个被广泛认可的人工“金标准”作为参照。只有充分了解AI的局限性和不足之处，才能让它真正成为行星探索的有力工具。
行星科学研究既需要追求速度，更离不开准确性。在AI能够充分发挥其速度优势的同时，目前仍需要人工来确保数据的精准可靠。
