NASA와 IBM의 달 모델, 보정되지 않은 추정과 운용상의 한계 사이에서

2026년 9월 10일, NASA와 IBM 리서치는 NASA-IBM Lunar Foundation Model을 오픈소스로 공개한다고 발표했다. 개발에는 Universities Space Research Association, SETI Institute, 메릴랜드대 볼티모어 카운티 캠퍼스, 하워드대학교 등이 함께 참여했다. 학습에 쓰인 것은 SomBench로, AWS에서 CC BY 4.0 라이선스로 배포되며 공동 정합된 달 표면 타일 묶음 약 200만 개로 구성된 데이터셋이다. 그 바탕에는 달 정찰 궤도선(LRO)의 17년치 데이터 — 광각 카메라 이미지 38TB(963,609 타일)와 협각 카메라 1.4TB(1,000,113 타일) 포함 — 에 더해 GRAIL, Lunar Prospector 임무와 JAXA의 SELENE/가구야 탐사선 관측이 통합돼 있다. 가중치는 Hugging Face의 nasa-ibm-ai4science 조직에, TerraTorch 툴킷 기반 코드는 GitHub의 nasa-impact 저장소에 있으며 둘 다 Apache-2.0 라이선스다. NASA의 최고 과학 데이터 책임자 케빈 머피는 이번 공개에 대해 이렇게 말했다. “The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data”.

모델은 인코더-디코더 방식의 ViT-B 구조(차원 768, 12개 레이어, 12개 헤드)를 택했지만, 문서에는 정확한 파라미터 수도, 투입된 연산 시간도 나와 있지 않다. 공개 자료에 실리고 Unite.AI가 분석한 벤치마크에서 극지방 얼음 유망도 추정의 RMSE는 0.0293으로, 베이스라인 SwinV2-B의 0.0377 대비 오차를 약 22% 줄였다. 문맥 규모 약 100미터의 크레이터 탐지에서는 학습 라벨을 절반가량만 쓰고도 베이스라인을 19% 가까이 앞섰다. NASA는 결과를 더 조심스럽게 요약해, 모델이 기존 기준을 “matched or exceeded” 했다고만 밝혔다. 기술 보고서는 companion paper로 소개될 뿐 동료 심사 여부는 표시돼 있지 않고, 현재까지 제3자의 독립 평가도 확인되지 않는다.

다만 개발자들이 스스로 밝힌 사용 제한은 데이터 분석과 현장 탐사 사이에 뚜렷한 선을 긋는다. 공식 모델 카드는 이 시스템이 “is not a scientific-grade generative product”라고 못 박고, “Generated fields are not calibrated predictions and are no substitute for instruments”라고 명시한다. 모델이 내놓는 것은 극지방 얼음에 대한 퍼지 중첩 지도이며, 모델 카드는 이를 보정되지 않은 것으로 규정한다. 측정된 얼음이 아니라는 뜻이다. 절대 측지 기준계도 없고, 데이터셋 자체에 수십 미터 수준의 위치 불확실성이 따라붙는다. 2026년 9월 12일 기준으로 이 프로젝트의 GitHub 저장소에는 커밋이 모두 3개, Hugging Face 페이지에는 지난 한 달 다운로드 120건이 표시된다.

페타바이트급 궤도 아카이브를 시각 모델로 바꾸는 일은 과학 연구의 방향을 잡는 데 쓸모 있는 종합 작업이다. 통계적 상관을 지면의 단단함과 혼동하지 않는다는 조건에서 말이다. 착륙 지점을 인증하는 문제라면, AI를 만든 쪽조차 알고리즘이 보정된 센서를 대신하지 못한다는 점을 상기시킨다.

— Olya