NASA и IBM выложили в открытый доступ лунную AI-модель для анализа поверхности Луны: от поиска водяного льда до классификации кратеров. Для русскоязычной IT-аудитории это не только космическая новость, но и показательный кейс того, как foundation-модели уходят из чат-ботов в научные пайплайны с тяжелыми данными.
Модель называется NASA-IBM Lunar Foundation Model, сообщает The Register. Она доступна на Hugging Face и обучена на крупном наборе лунных наблюдений, который подготовили исследователи NASA и IBM. Разработчики заявляют, что это первая AI-модель для Луны, объединяющая данные разных модальностей, углов съемки и пространственных масштабов. Проще говоря, она должна видеть не отдельную красивую карту, а связанный набор наблюдений, где один слой помогает интерпретировать другой.
Практическая цель звучит менее романтично, зато полезно: сократить ручную работу ученых, которые обычно сопоставляют снимки, карты и геофизические слои по отдельности. Модель должна помогать анализировать географические особенности поверхности, искать ранее не отмеченные залежи лунного льда, изучать Irregular Mare Patches — необычные вулканические структуры на лунных морях — и находить или классифицировать кратеры. Для исследователей это ускорение рутины; для инженеров — пример того, как мультимодальные модели можно применять там, где данные не похожи на обычные тексты, картинки и таблицы из корпоративного озера данных.
Лед на Луне интересен не только планетологам. Он может указывать на наличие воды и кислорода, а значит, важен для будущих пилотируемых миссий. Проблема в том, что лед часто ищут в постоянно затененных областях, которые трудно наблюдать напрямую. NASA и IBM рассчитывают, что объединение данных разного типа и разрешения поможет точнее предсказывать, где лед может находиться на поверхности.
Вместе с моделью команда подготовила открытый лунный датасет: более 30 пространственно согласованных слоев, собранных на основе данных девяти инструментов с четырех миссий. В него входят десятки тысяч изображений и карт, описывающих геофизические свойства поверхности. Это важная часть релиза: без аккуратно сведенного датасета даже самая модная архитектура быстро превращается в демонстрацию ради демонстрации. Здесь же акцент сделан на воспроизводимости и на том, чтобы внешние команды могли не только запускать модель, но и строить поверх нее свои задачи.
У NASA в этой истории понятная мотивация. Главный специалист агентства по научным данным Кевин Мерфи напомнил, что NASA десятилетиями собирало научный архив Луны, но накопить данные мало — их нужно сделать удобными для исследования. IBM, со своей стороны, продвигает идею foundation-моделей для науки: директор IBM Research Europe Хуан Бернабе-Морено описывает релиз как базу, которая связывает наблюдения разных инструментов и помогает находить закономерности, плохо заметные в изоляции.
Это не первый совместный проект NASA и IBM такого типа. В 2023 году они выпустили Prithvi — открытую foundation-модель для анализа спутниковых снимков Земли. Позже семейство расширилось климатической моделью для прогнозирования погодных паттернов, а затем моделью Surya для оценки солнечной активности, способной влиять на спутники и космические аппараты. Новая лунная AI-модель продолжает ту же линию: меньше универсального «искусственного интеллекта обо всем», больше специализированных моделей для научных доменов, где данные дорогие, неоднородные и не прощают красивых галлюцинаций.
Точных параметров модели NASA и IBM не раскрыли. На вопрос о требованиях к железу представитель IBM ответил, что все зависит от сценария: объема входных данных, числа задач, инференса или дообучения. В качестве ориентира компания указала, что большинство экспериментов по тонкой настройке проводилось на GPU Nvidia A100. Более мелкие эксперименты и инференс могут запуститься на скромнее оборудовании, но универсального рецепта нет. Для команд, которые захотят потрогать релиз руками, это означает привычную инженерную реальность: сначала определить задачу и размер входа, потом считать память, стоимость и терпение.
Для бизнеса здесь есть более широкий сигнал. Открытые foundation-модели все чаще становятся не игрушкой для генерации текста, а инфраструктурным слоем для отраслевых данных: климат, космос, медицина, промышленность, геология. У таких моделей обычно меньше хайпа, зато больше требований к качеству датасетов, трассируемости и экспертной проверке результатов. Если подход NASA и IBM сработает, следующие похожие релизы будут конкурировать не числом параметров, а тем, насколько хорошо они упаковывают редкие научные данные в рабочий инструмент.
Главный вопрос теперь в том, кто первым покажет практический результат поверх этого релиза: академические группы, космические агентства или независимые инженеры, которым достаточно Hugging Face, терпения и доступа к подходящему GPU. Исходная публикация доступна у .