IBM 與 NASA 聯合發布首個開源月球研究 AI 模型

• NASA ‑ IBM 月球基礎模型將數十年觀測資料轉化為科學探索基礎，以單一儀器無法達到的規模，協助科學家挖掘資料當中的規律。
• 模型在辨識月球表面關鍵地質特徵（包括潛在冰沉積物、隕石坑及火山構造）方面表現顯著提升，支援人類重返月球計劃；其辨識率較常用方法最高提升 23%。

香港2026年9月21日 -- 近日，IBM（NYSE: IBM）與美國國家航空航天局（NASA）宣佈開源發布「NASA‑IBM 月球基礎模型」（NASA‑IBM Lunar Foundation Model）。作為首批公開可用、專為月球科學探索而設的基礎模型之一，該模型由 IBM 及 NASA 研究人員利用整理完備的龐大月球觀測資料集訓練而成，目標協助科研人員把數十年來、來自不同儀器的複雜資料轉化為重要研究見解，協助人類在月球建立長期據點。

月球地形持續演變。隨時間推移，月球表面不斷出現新的隕石坑與水冰，亦曾經歷多輪火山活動。數十年來，透過感測器與儀器持續觀測月球，已累積 PB 級資料。過往科學家只能手動篩選地圖及影像，或是採用低解像度、只適用於特定任務的機器學習模型研究月表。這類方法耗用大量運算資源，而且在辨識及分析地質特徵方面，難以達到科研所需的精準度。全新發布的 NASA‑IBM 月球基礎模型可處理不同型別及解像度的月球資料，挖掘資料之間隱藏的關聯，加快研究進度。

具體而言，研究人員可運用這套基礎模型研究多種月球現象，包括：

• 潛在月球冰沉積物：永久陰影區是月球最難觀測的環境之一，但其地底可能蘊藏月球冰。月球冰代表存在水與氧氣 —— 這些資源對未來興建月球基地，以及為火星任務提供火箭燃料極為重要。NASA‑IBM 模型可結合多模態、多解像度觀測資料，預測月球表面可能存在冰層的位置。NASA 與 IBM 聯合發表的技術論文指出，相較 SwinV2-B (ImageNet) 模型，此模型預測月球冰高潛在區域的誤差（RMSE）最多可減少 22%^[1]。
• 火山活動歷史：透過研究名為「不規則月海斑塊」（Irregular Mare Patches）的月球火山特徵，科學家可更深入瞭解月球火山歷史及熱演化過程。此外，辨識這類變動區域對未來月面作業意義重大。在標籤資料不完美的情況下，模型偵測火山特徵的覆蓋範圍較 SwinV2-B (ImageNet) 模型多出 3%，維持同等精準度之餘，實現更高效率及更低微調成本^[2]。
• 隕石坑偵測：隕石坑是月球最重要、最易辨認的特徵之一，可揭示月球歷史的重要線索，例如不同地形的年代、地質狀況，以及月球早期內部的化學成分。繪製隕石坑地圖亦協助 NASA 揀選安全著陸點，避開陡坡、巨石等危險地帶，並規劃長期基礎設施選址。利用此模型，研究人員可在米級解像度下辨識、結合上下文分析並分類隕石坑；相關論文顯示，其精準度與 SwinV2-B 等先進模型相若，效率及微調成本則更優。在約 100 米的上下文尺度解像度下，模型只需要一半訓練資料，表現已較 SwinV2-B 高出近 19%^[3]。

NASA 華盛頓總部首席科學資料官、署理首席資料及 AI 官 Kevin Murphy 表示：「NASA 花了數十年建立完備的月球科學資料庫，但收集資料只是工作一部分。我們還要讓資料更方便科研人員探索及運用。NASA‑IBM 月球基礎模型展示將 AI 引入 PB 級科學資料帶來的可能性。這正是 AI 真正的價值：把大規模資料轉化為嶄新科學發現。」

IBM 研究院歐洲、英國及愛爾蘭區域負責人 Juan Bernabe-Moreno 指出：「要解開月球的謎團，從海量科學資料中提取資訊的能力不可或缺。NASA‑IBM 月球基礎模型為科研人員提供大規模探索月球的基礎，整合不同儀器的觀測見解，從而發現在單點觀測中難以察覺的規律，建立開放式全球研究平臺。」

雖然月球資料十分豐富，但過往未有公開的統一資料集，能夠把多模態、多解像度資料整合至適合現代機器學習的通用框架。除基礎模型外，IBM 與 NASA 科學家亦建構業界首個開源月球資料集 —— 一套統一、可直接用於機器學習的月球資料集，整合四次月球任務、九種觀測儀器所產生的 30 多個空間對齊資料層。資料集匯集數萬張影像及地圖資料，來源包括 NASA 月球勘測軌道飛行器（LRO）及其「重力復原與內部實驗室」（GRAIL）任務，以及日本宇宙航空研究開發機構（JAXA）的「月亮女神」（SELENE）任務，為月球科學界提供豐富的多模態月表及次表層資料。

NASA‑IBM 月球基礎模型延續雙方多年合作，目標將珍貴科學資料轉化成供整個科學界使用的研究基礎。透過開源這套模型，科學家及研究人員可藉助前沿 AI 技術，加速月球探索。模型亦是 Prithvi 系列開放基礎模型的最新成員，該系列已涵蓋地理空間、氣象、太陽物理、月球等觀測資料。開發這一系列模型背後有更宏遠的願景：研究人員毋須為每項科學課題重新建構演算法系統，而是善用共享模型，推動跨領域科研突破。

關於IBM

IBM 是全球領先的混合雲、人工智慧及企業服務提供商，幫助超過 175 個國家和地區的客戶，從其擁有的資料中獲取商業洞察，簡化業務流程，降低成本，並獲得行業競爭優勢。金融服務、電信和醫療健康等關鍵基礎設施領域的數千家政府和企業實體依靠 IBM 混合雲平臺和紅帽 OpenShift 快速、高效、安全地實現數字化轉型。IBM 在人工智慧、量子計算、行業雲解決方案和企業服務方面的突破性創新為我們的客戶提供了開放和靈活的選擇。對企業誠信、透明治理、社會責任、包容文化和服務精神的長期承諾是 IBM 業務發展的基石。瞭解更多資訊，請訪問： www.ibm.com/

查詢更多本地資訊，請訪問IBM香港新聞間：https://hongkong.newsroom.ibm.com/

傳媒查詢： 崔守峰 shou.feng.cui@ibm.com

¹ "Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing", pg 17 ² "Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing", pg 17 ³ "Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing", pg 15