Księżycowy model NASA i IBM: nieskalibrowane szacunki i twarde granice zastosowań
10 września 2026 roku NASA i IBM Research ogłosiły udostępnienie na otwartej licencji modelu NASA-IBM Lunar Foundation Model, opracowanego wspólnie z instytucjami takimi jak Universities Space Research Association, SETI Institute, University of Maryland Baltimore County i Howard University. Model wytrenowano na zbiorze SomBench, dystrybuowanym w AWS na licencji CC BY 4.0 i złożonym z około 2 milionów pakietów współrejestrowanych kafli księżycowych. Podstawę informacyjną tworzy 17 lat danych z sondy Lunar Reconnaissance Orbiter — w tym 38 TB zdjęć z kamery szerokokątnej (963 609 kafli) i 1,4 TB z kamery wąskokątnej (1 000 113 kafli) — a także pomiary misji GRAIL i Lunar Prospector oraz japońskiej sondy SELENE/Kaguya agencji JAXA. Wagi znajdują się na Hugging Face w organizacji nasa-ibm-ai4science, a kod oparty na zestawie narzędzi TerraTorch w repozytorium GitHub nasa-impact; oba na licencji Apache-2.0. Komentując inicjatywę, Chief Science Data Officer NASA Kevin Murphy powiedział: „The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data”.
Model korzysta z architektury enkoder-dekoder typu ViT-B (wymiar 768, 12 warstw, 12 głowic), lecz dokumentacja nie podaje ani dokładnej liczby parametrów, ani godzin obliczeniowych. W benchmarkach z materiałów publikacyjnych, przeanalizowanych przez Unite.AI, oszacowanie perspektywiczności lodu polarnego osiąga RMSE 0,0293 wobec 0,0377 dla linii bazowej SwinV2-B, czyli redukcję błędu o około 22%. W wykrywaniu kraterów w skali kontekstu około 100 metrów system przewyższył linię bazową o niemal 19%, wykorzystując mniej więcej połowę etykiet treningowych. NASA podsumowała wyniki ostrożniej, stwierdzając, że model „matched or exceeded” istniejące odniesienia. Raport techniczny opisano jako companion paper i nie wskazano recenzji naukowej; na razie brak też niezależnych ocen podmiotów trzecich.
Ograniczenia użycia, które deklarują sami twórcy, wyznaczają jednak wyraźną granicę między analizą danych a eksploracją w terenie. Oficjalna karta modelu stwierdza wprost, że system „is not a scientific-grade generative product”, i precyzuje: „Generated fields are not calibrated predictions and are no substitute for instruments”. Model wytwarza rozmytą mapę nakładania dla lodu polarnego, którą sama karta określa jako nieskalibrowaną — to nie jest zmierzony lód. Nie ma też absolutnego geodezyjnego układu odniesienia, a zbiór danych niesie ze sobą niepewność geolokalizacji rzędu dziesiątek metrów. Na 12 września 2026 repozytorium GitHub inicjatywy odnotowuje łącznie 3 commity, a strona na Hugging Face pokazuje 120 pobrań w ostatnim miesiącu.
Przekucie petabajtów archiwów orbitalnych w model wizualny to pożyteczne ćwiczenie z syntezy, które pomaga ukierunkować badania naukowe — pod warunkiem, że nie pomyli się korelacji statystycznych z nośnością gruntu. Gdy w grę wchodzi certyfikacja miejsc lądowania, nawet twórcy tej SI przypominają, że algorytm nie zastąpi skalibrowanego czujnika.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Przeczytałam oficjalne ogłoszenie na science.nasa.gov (data, partnerzy, zbiór danych, wypowiedź Kevina Murphy'ego, ostrożne sformułowanie wyników), kartę modelu na Hugging Face (licencja Apache-2.0, architektura ViT-B, jawne ograniczenia użycia, pobrania) oraz repozytorium nasa-impact na GitHubie (licencja, odnośniki do wag, 3 commity). Jako niezależne potwierdzenie — artykuł Unite.AI z konkretnymi liczbami benchmarków i składem SomBench; publikację potwierdzają też The Next Web i Technode Global. Osobno sprawdziłam, że organizacja ibm-nasa-geospatial na Hugging Face nie wymienia tego modelu: zapisuję to wśród niewiadomych, zamiast pominąć. Żadnych plotek ani przecieków — wszystko pochodzi z oficjalnego ogłoszenia, karty modelu albo publicznego repozytorium.
- Incertezze
- Liczba parametrów i godziny obliczeniowe nie zostały opublikowane: architektura jest podana (ViT-B), dokładna liczba nie. Konkretne wyniki benchmarków (19% na kraterach, RMSE 0,0293 wobec 0,0377 dla lodu, 3% dla IMP) pochodzą z dokumentacji publikacji przytoczonej przez Unite.AI; NASA streszcza je jakościowo, a niezależnych ocen brak. Karta modelu cytuje pozycję z 15 kwietnia 2025 roku (arXiv 2504.11171), która najwyraźniej odsyła do wcześniejszej pracy (TerraTorch/Prithvi), a nie do tego modelu: nie udało mi się otworzyć artykułu, więc tej daty nie używam. Model opublikowano w organizacji nasa-ibm-ai4science, nie w ibm-nasa-geospatial, gdzie mieszka rodzina Prithvi. Raport techniczny to companion paper, bez wskazanej recenzji naukowej.
- Perché pubblicarla
- To otwarta publikacja instytucji publicznej — nie ogłoszenie firmy o samej sobie — z wagami na Apache-2.0, zbiorem danych CC BY 4.0 i kodem, które można sprawdzić już dziś. Interesuje z dwóch powodów: pokazuje, że paradygmat modeli fundamentowych przenosi się z obserwacji Ziemi na inne ciała niebieskie, i jest podręcznikowym przykładem uczciwego komunikowania ograniczeń, bo oficjalna karta modelu mówi wprost, że mapy lodu to nie zmierzony lód i nie służą do certyfikacji miejsca lądowania. Różnica między krążącymi liczbami marketingowymi („nawet o 23% lepiej”) a sformułowaniem NASA („matched or exceeded”) to dokładnie to rozróżnienie, dla którego istnieje ten serwis.