美国国家航空航天局（NASA）与IBM研究院近日联合宣布，全球首个专门面向月球科学研究的智能分析模型正式对外开源。该模型及其代码、训练权重向全球科研人员开放下载，允许自由进行参数微调与实验验证。此举标志着月球研究领域首次拥有可公开复用的标准化工具，旨在将分散数十年的观测数据转化为可直接应用于资源勘探、地形分析的智能系统。
模型开发团队整合了NASA月球勘测轨道飞行器（LRO）长达17年的观测数据，该探测器覆盖了98%的月面区域，其数据规模超过NASA其他行星探测任务的总和。训练数据集包含200万个月球局部图像切片，其中100万张为1米分辨率的窄角相机影像，96.4万张为100米分辨率的多光谱图像。研究团队还融合了GRAIL重力探测、月球勘探者号（Lunar Prospector）以及日本JAXA“月亮女神”（SELENE）任务的地形与遥感数据，构建出包含9台科学仪器、4项探测任务、30余个空间对齐数据层的综合数据库。
针对月球研究中长期存在的数据碎片化难题，该模型通过多模态数据融合技术，解决了不同分辨率、不同探测载荷数据难以协同分析的问题。在月球极区水冰探测领域，模型通过综合光学影像、雷达数据与重力场信息，能够精准定位永久阴影区内的潜在水冰储区。由于极区温度长期低于-160℃，水冰可在此保存数百万年，而传统光学手段难以直接观测阴影区域。这项突破将显著缩小实地验证范围，为未来月球基地建设提供关键资源信息——水冰不仅可转化为饮用水和氧气，还能通过电解制取氢氧推进剂，为深空探测任务提供燃料支持。
在航天器着陆安全领域，模型展现出高效的地形分析能力。通过自动识别与分类月球表面陨石坑，该系统可将人工判读工作量减少70%以上，同时提升着陆点地质评估的准确性。研究团队特别强调，模型采用模块化设计，允许后续探月任务的新数据直接接入现有框架进行增量训练，避免重复开发造成的资源浪费。
作为NASA“科学人工智能”战略的重要组成部分，该模型由戈达德航天飞行中心、亚利桑那州立大学等十余家机构联合研发。项目负责人指出，标准化数据集的价值远超单一算法性能指标，其核心意义在于建立全球月球研究的统一基准。随着印度“月船3号”、中国“嫦娥”系列等新任务持续产生高分辨率影像，科研人员可在同一底层模型上持续优化，形成跨任务、跨时段的一致性认知。
这项技术突破正在重塑月球科学研究范式。全球科研团队现可通过极低门槛获取前沿分析工具，将人工判读转化为可复用的自动化流程。从陨石坑年代测定到火山活动分析，从极区资源评估到着陆场选址，标准化智能模型正在加速人类对月球的认知进程，其技术架构也为火星及小行星探测提供了可迁移的研究范式。
