NASA 與 IBM 公開多模態月球基礎模型，將九種儀器資料對齊至共同表徵

NASA 與 IBM 公開 NASA-IBM Lunar Foundation Model，目標不是直接回答自然語言問題，而是把解析度、觀測角度與物理量差異極大的月球遙測資料編碼成可供下游任務微調的共同表徵。隨模型釋出的機器學習資料集包含逾 30 個空間對齊層，來源橫跨四項任務及九種儀器，包括 NASA 的月球勘測軌道器、GRAIL、Lunar Prospector，以及日本 SELENE／Kaguya。[NASA 專案頁](https://science.nasa.gov/artificial-intelligence-science/)確認模型涵蓋高解析影像與地球物理資料；[Hugging Face 模型卡](https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model)標示 Apache 2.0 授權，並提供 TerraTorch 載入方式與三個下游 checkpoint。

架構由 IBM、ESA 原先用於地球觀測的 TerraMind 衍生，以 masked-token modeling 學習跨模態關聯，並處理從每像素約一公尺的地表影像，到每像素約二十公里的重力資料。下游適配採 LoRA，凍結約九成基礎權重，對應三類工作：隕石坑偵測、不規則月海斑塊分割，以及月球極區冰資源潛勢估計。這使研究者可在不重新訓練完整 backbone 的情況下，加入新的光譜、地形或熱資料。

依 IBM 與 NASA 團隊的[發布資料](https://newsroom.ibm.com/2026-09-10-ibm-and-nasa-release-open-source-ai-model-to-support-lunar-exploration)，冰層潛勢任務相對 ImageNet 預訓練的 SwinV2-B，RMSE 最多降低 22%；在約 100 公尺尺度的隕石坑偵測上，以一半訓練資料取得近 19% 改善；火山地形分割則提高約 3%。這些百分比對應不同資料集、指標與解析度，不能合併解讀成通用的「23% 更準」。目前報告、權重、資料及下游模型已公開，但評測仍由同一團隊完成。工程與研究團隊下一步應關注跨任務資料切分是否避免空間洩漏、不同感測器缺值時的穩健性，以及模型輸出的不確定度能否滿足登陸點與資源勘探等高風險決策。