美国国家航空航天局（NASA）的阿波罗任务证明了人类能够登上月球。如今正在进行的阿尔忒弥斯计划将进一步测试人类能否在月球上生活和工作。NASA的长期愿景是在月球上建立基地，让宇航员能够开展研究、测试新技术，并为迈向火星做准备。
在探索任何陌生地域时，一份好地图都十分实用，但当地形像月球表面那样崎岖且陌生时，地图就变得至关重要。今天，IBM和NASA正在开源迄今为止最全面的月球测绘模型。该模型整合并统一了数十年来美国和日本探测任务飞越这颗最近的天体邻居时所收集的数据。
这款名为NASA-IBM月球基础模型的系统，是首个整合了多种模态观测数据、不同视角以及不同空间尺度信息的AI模型。通过将这些差异巨大的测量数据提炼成一个统一的表征，研究人员创建出一个可以像早期的地球模型Prithvi EO和太阳模型Surya一样，能够快速适配不同任务并被重复使用的月球模型。
一个月球AI模型有许多潜在用途，但NASA首先确定了三个优先方向：绘制月球表面尚未编目的较小陨石坑；研究月球的火山历史；以及在两极的陨石坑中寻找冰层，这可能为未来的宇航员团队提供饮用水、氧气和燃料来源。
“经验丰富的旅行者都知道，出发前往陌生目的地之前要先了解当地情况，”IBM研究院爱尔兰及英国负责人Juan Bernabé-Moreno表示，“我们希望我们的AI模型能够帮助科学界探索月球地貌，并帮助下一代宇航员在踏上太空之旅前找到方向。”
多传感器数据的“罗塞塔石碑”
这个新模型解决了月球科学家长期面临的一项难题，即处理不同尺度下的大量多传感器数据。例如，NASA的重力恢复与内部结构实验室（GRAIL）任务以每像素20公里的尺度绘制了月球的重力场，用以呈现其地壳和地下结构；而NASA的月球勘测轨道飞行器（LRO）则以每像素1米的精细尺度探测月球两极黑暗陨石坑中的冰层，并对小型岩石和陨石坑边缘进行成像。
为了整合这些种类繁多的测量数据，IBM和NASA寻找了一种能够“通晓”多种科学语言的AI架构。他们最终采用了由IBM和欧洲空间局（ESA）联合开发的地球观测模型TerraMind的一个版本。TerraMind擅长整合不同类型和分辨率的数据，并能学习跨模态之间的关联，从而填补缺失或存在噪声的数值。
科学家们希望借助这一新AI模型解决的一个重要问题，是理解月球复杂的光照条件。月球的一个“昼夜周期”包括两周的阳光照射和随后两周的黑暗，这会使月球表面特征的外观发生巨大变化。
月球几乎不存在大气层，这种效应因此被进一步放大。由于没有云层或类似地球那样的浓厚大气层来散射光线，月球呈现出的是棱角分明、明暗对比强烈的景象，山峰和峡谷常常被浓重阴影或强烈反光所遮蔽。月球表面覆盖着一层具有磨蚀性且粘附力强的尘土和岩石，被称为“月壤”，它会随着太阳角度的变化产生视觉上的扭曲（此外还会撕裂宇航服、损害肺组织并损坏设备）。
在两极地区，地貌变得更加难以辨认。与地球不同，月球相对于其绕太阳运行轨道的倾角非常小，这意味着太阳在极地地平线上位置很低，导致地形投下长长的阴影，从而遮挡岩石、陨石坑和其他潜在危险，给宇航员的探索带来困难。
复杂的光照并不是月球数据面临的唯一挑战。科学家们常常希望将粗糙的卫星数据变得更清晰细致，月球天气就是一个典型例子。漫长的月昼与缺乏调节气候的大气层相结合，使月球阳面温度可高达121摄氏度（250华氏度），而阴影陨石坑内温度则可低至零下246摄氏度（零下410华氏度）。
尽管科学家大致了解这些极端温度的分布区域，但一份详细的热力图可以帮助未来返回月球的宇航员寻找冰层或更安全的建站地点。科学家们此前曾运行模拟来提升NASA热数据的分辨率，但这类模拟需要耗费大量时间、资金和计算资源。而通过像IBM和NASA联合开发的月球AI模型生成的更高分辨率热力图，则可以帮助快速筛选出值得进一步模拟研究的重点区域。
火山、坠落的小行星与冰层
科学家们长期以来都在探究月球的起源，希望从中获得关于地球本身的线索。目前主流理论认为，月球诞生于太阳系形成初期的一次剧烈撞击。阿波罗宇航员带回的岩石样本证明，大约45亿年前，一个火星大小的天体撞击了地球，将大量熔融碎片抛入太空，从而形成了月球。
在随后数亿年间，一片深邃的岩浆海覆盖了月球表面。这些岩浆最终冷却形成地壳，而地表以下持续的火山活动则周期性地将新鲜熔岩带到表面。人们认为火山活动大约在10亿年前逐渐停止，但最新证据表明，一些被称为“不规则月海斑块”的火山特征可能远比预期年轻得多。
“这些地貌的年代仍存在很大争议，因此我们越了解它们的分布和特性，就越有可能解开这个谜团，”与IBM共同主导该项目的NASA月球地形专家迈克尔·巴克（Michael Barker）表示。
月球既没有可以将新岩石推至表面的板块运动，也没有风和水的侵蚀作用来磨平山脉、抹去历史痕迹。然而，小行星和微陨石不断撞击其表面，重塑着地形。通过统计陨石坑的数量，可以判断月球哪些区域最为古老。
目前，科学家已在全球范围内编目超过200万个大型陨石坑，而NASA希望进一步记录剩余的较小陨石坑，尤其是极地区域的陨石坑。极地陨石坑可能为宇航员及其农作物提供水源和庇护场所，而长期处于近乎持续光照下的高陨石坑边缘，则可为太阳能板充电，用以驱动设备和科学仪器。
数十年来，基于阿波罗宇航员带回的岩石样本，人们一直认为月球是一片干旱荒芜之地。直到2008年，一台搭载在印度月船一号探测器上的NASA雷达仪器，在月球北极附近的40个小型陨石坑中探测到了冰。NASA估算这些水冰的总量约为6亿吨，足以填满至少24万个奥运会标准游泳池。
此后多个探测任务又在其他形式和地点发现了水的存在。最近，NASA已退役的“索菲亚”红外天文台探测到附着在月尘颗粒上的水分子。NASA估计，月球表面每立方米的土壤中，可能含有相当于一瓶12盎司水量的水分。这些水很可能是在数十亿年间，通过坠落的彗星和小行星，或是太阳风与月壤相互作用带到月球上的。
新一轮月球探索浪潮
IBM和NASA联合推出的开源基础模型，是将海量卫星数据转化为快速、灵活的月球表面建模方式的初次尝试。为了对模型进行微调，研究人员采用了轻量级的低秩适配器（LoRAs）技术，使基础模型90%的参数保持冻结状态。尽管调整幅度很小，该模型在多项任务中的表现仍达到甚至超越了传统机器学习模型。
在判断一幅陌生图像中某个极地阴影陨石坑是否可能含有冰层这一任务上，与专门用于寻冰任务训练的先进SwinV2 Transformer模型相比，NASA-IBM模型将错误率降低了22%。
在陨石坑识别方面，NASA-IBM模型同样表现出色。在一米分辨率（每个像素代表一平方米）下，其识别陨石坑的准确度与专门训练的Swin模型相当；而在100米每像素的较粗分辨率下，该模型在仅使用一半训练数据的情况下，性能比同类Swin模型高出近19%。
在绘制那些神秘火山特征的分布范围方面，NASA-IBM模型的表现比专门任务的Swin模型高出3%，并以更低的成本实现了相当的准确度。
美国并不是唯一一个对月球抱有远大计划的国家。另外四个国家已经实现了月球软着陆，并宣布了建立月球存在的意向。矿产资源是吸引各国的重要因素之一。月壤中含有氦-3，这是一种由太阳风产生的稀有同位素，是实现清洁核聚变能源的关键成分。某些岩石中还富含广泛应用于手机及其他电子产品的稀土元素。
科学研究价值同样不可忽视。天文学家长期以来梦想能够从月球的独特视角观测深空。月球没有地震活动，也没有磁场干扰仪器，而其背面基本不受卫星信号干扰。
“你得跑到海王星以外才能找到这样一个电磁环境如此安静的地方，”哈佛-史密森天体物理中心的天文学家马丁·埃尔维斯（Martin Elvis）说道。
在最近的一次通话中，埃尔维斯和同事玛尔戈扎塔·索博列夫斯卡（Malgorzata Sobolewska）列举了一系列巧妙利用月球碗状陨石坑的项目构想。
未来几年内，将有三台射电望远镜相继登陆月球，用以“聆听”早期宇宙——那个尚未形成行星或恒星的时代。NASA的一项提案甚至设想将一个近一英里宽的陨石坑改造成巨型天线阵列。其他项目还包括在陨石坑上架设超灵敏的引力波探测器，用以监听黑洞碰撞事件，以及在极寒的极地陨石坑中放置红外望远镜，用以研究银河系中系外行星的大气层。
2020年由美国主导发起的《阿尔忒弥斯协议》确立了一系列指导太空探索与合作的原则。IBM和NASA的这一开源模型，可以被视为延续了这种探索精神与合作善意的具体体现。
月球建模的新方式
这款月球基础模型是科学知识创造方式发生更广泛变革的一部分。新的计算技术不仅能够加速人们熟悉的计算过程，还能推动全新研究方向的开展。在这里，AI将碎片化的观测数据整合为统一的表征形式，帮助科学家发现规律、识别不确定性，并决定下一步的研究重点。
随着时间推移，这一模型有望成为更广泛科学计算工作流程的一部分。经典超级计算机仍将承担大部分计算任务，而AI则可以帮助整理观测数据、构建复杂系统的快速近似模型，并识别有价值的研究假设。随着量子计算技术的成熟，量子处理器未来还可能在那些经典计算机难以处理或耗时过长的模拟与优化问题上发挥作用。
“下一次月球领域的重大突破，或许不会来自某一台全新的仪器，而是来自能够让多种仪器——乃至未来多种计算范式——协同工作的算法，”Bernabé-Moreno表示。
Q&A
Q1：NASA-IBM月球基础模型是什么？
A：这是由IBM和NASA联合开源的一款AI模型，它整合了数十年来美国和日本探测任务收集的多种模态月球观测数据，是首个能够统一处理不同视角和空间尺度信息的月球测绘模型。
Q2：这个AI模型主要能用来做什么？
A：NASA目前优先将其用于三个方向：绘制月球表面尚未编目的小型陨石坑、研究月球的火山活动历史，以及在两极陨石坑中寻找冰层，为未来宇航员提供水、氧气和燃料来源。
Q3：这款月球AI模型的技术表现如何？
A：在陨石坑识别、火山特征绘制以及冰层预测等任务中，该模型的表现均达到或超越了专门训练的传统模型，例如在冰层判断任务上错误率降低了22%，在粗分辨率陨石坑识别任务上性能提升近19%。
