Het maanmodel van NASA en IBM: ongekalibreerde schattingen en harde gebruiksgrenzen
Op 10 september 2026 kondigden NASA en IBM Research de opensourcerelease aan van het NASA-IBM Lunar Foundation Model, ontwikkeld samen met instellingen als de Universities Space Research Association, het SETI Institute, de University of Maryland Baltimore County en Howard University. Het model is getraind op SomBench, een dataset die via AWS wordt verspreid onder een CC BY 4.0-licentie en bestaat uit zo'n 2 miljoen bundels co-geregistreerde maantegels. De informatiebasis combineert 17 jaar aan gegevens van de Lunar Reconnaissance Orbiter — waaronder 38 TB beelden van de Wide Angle Camera (963.609 tegels) en 1,4 TB van de Narrow Angle Camera (1.000.113 tegels) — met metingen van de missies GRAIL en Lunar Prospector en van JAXA's sonde SELENE/Kaguya. De gewichten staan op Hugging Face in de organisatie nasa-ibm-ai4science, de code op basis van de TerraTorch-toolkit in de GitHub-repository nasa-impact, beide onder Apache-2.0. NASA's Chief Science Data Officer Kevin Murphy zei over het initiatief: “The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data”.
Het model gebruikt een encoder-decoderarchitectuur van het type ViT-B (dimensie 768, 12 lagen, 12 heads), maar de documentatie noemt noch het exacte aantal parameters, noch de gebruikte rekenuren. In de benchmarks uit het releasemateriaal, geanalyseerd door Unite.AI, komt de schatting van de poolijsprospectiviteit uit op een RMSE van 0,0293 tegenover 0,0377 voor de baseline SwinV2-B: een foutreductie van ongeveer 22%. Bij kraterdetectie op een contextschaal van zo'n 100 meter deed het systeem het bijna 19% beter dan de baseline, met ongeveer de helft van de trainingslabels. NASA vatte de resultaten voorzichtiger samen: het model zou de bestaande referenties “matched or exceeded” hebben. Het technical report wordt beschreven als companion paper en peer review wordt niet vermeld; onafhankelijke evaluaties door derden zijn er vooralsnog niet.
De gebruiksgrenzen die de ontwikkelaars zelf stellen, trekken echter een scherpe lijn tussen data-analyse en verkenning in het veld. De officiële model card stelt expliciet dat het systeem “is not a scientific-grade generative product” en preciseert dat “Generated fields are not calibrated predictions and are no substitute for instruments”. Het model produceert een fuzzy overlapkaart voor poolijs, die de model card zelf als ongekalibreerd bestempelt: geen gemeten ijs. Een absoluut geodetisch referentiestelsel ontbreekt, en de dataset draagt een geolocatie-onzekerheid in de orde van tientallen meters met zich mee. Op 12 september 2026 telt de GitHub-repository van het initiatief 3 commits in totaal, terwijl de pagina op Hugging Face 120 downloads in de afgelopen maand laat zien.
Petabytes aan orbitale archieven omzetten in een visueel model is een nuttige oefening in synthese om wetenschappelijk onderzoek te sturen, zolang statistische correlaties niet worden verward met de stevigheid van de bodem. Zodra het over het certificeren van landingsplaatsen gaat, herinneren zelfs de makers van de AI eraan dat een algoritme geen gekalibreerde sensor vervangt.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Ik las de officiële aankondiging op science.nasa.gov (datum, partners, dataset, het citaat van Kevin Murphy, de voorzichtige formulering van de resultaten), de model card op Hugging Face (Apache-2.0-licentie, ViT-B-architectuur, expliciete gebruiksgrenzen, downloads) en de repository nasa-impact op GitHub (licentie, links naar de gewichten, 3 commits). Als onafhankelijke bevestiging het artikel van Unite.AI met de precieze benchmarkcijfers en de samenstelling van SomBench; The Next Web en Technode Global bevestigen de release eveneens. Ik controleerde apart dat de organisatie ibm-nasa-geospatial op Hugging Face dit model niet vermeldt: dat zet ik bij de onzekerheden in plaats van het te negeren. Geen geruchten, geen leaks — alles komt uit een officiële aankondiging, een model card of een publieke repository.
- Incertezze
- Het aantal parameters en de rekenuren zijn niet gepubliceerd: de architectuur is vermeld (ViT-B), het exacte aantal niet. De precieze benchmarkcijfers (19% op kraters, RMSE 0,0293 tegen 0,0377 op ijs, 3% op de IMP's) komen uit de releasedocumentatie zoals weergegeven door Unite.AI; NASA vat ze kwalitatief samen en onafhankelijke evaluaties ontbreken. De model card verwijst naar een bron van 15 april 2025 (arXiv 2504.11171) die overduidelijk naar eerder werk wijst (TerraTorch/Prithvi) en niet naar dit model: ik kon de paper niet openen om dat te bevestigen, dus die datum gebruik ik niet. Het model staat onder de organisatie nasa-ibm-ai4science, niet onder ibm-nasa-geospatial, waar de Prithvi-familie huist. Het technical report is een companion paper, zonder vermelde peer review.
- Perché pubblicarla
- Dit is een opensourcerelease van een publieke instelling — geen bedrijf dat over zichzelf spreekt — met Apache-2.0-gewichten, een CC BY 4.0-dataset en code die nu te controleren zijn. Het is dubbel interessant: foundation models verschuiven van aardobservatie naar andere hemellichamen, en dit is een schoolvoorbeeld van eerlijk gecommuniceerde grenzen, want de officiële model card zegt onomwonden dat de ijskaarten geen gemeten ijs zijn en geen landingsplaats certificeren. Het gat tussen de rondzingende marketingcijfers (“tot 23% beter”) en NASA's eigen formulering (“matched or exceeded”) is precies het onderscheid waarvoor deze site bestaat.