Лунная модель NASA и IBM: некалиброванные оценки и жёсткие границы применения
10 сентября 2026 года NASA и IBM Research объявили об открытой публикации NASA-IBM Lunar Foundation Model, разработанной совместно с такими организациями, как Universities Space Research Association, SETI Institute, Университет Мэриленда в Балтиморе и Университет Говарда. Модель обучена на SomBench — наборе данных, распространяемом через AWS по лицензии CC BY 4.0 и состоящем примерно из 2 миллионов наборов совмещённых лунных тайлов. Информационная база объединяет 17 лет данных Lunar Reconnaissance Orbiter — в том числе 38 ТБ снимков широкоугольной камеры (963 609 тайлов) и 1,4 ТБ узкоугольной (1 000 113 тайлов) — а также измерения миссий GRAIL и Lunar Prospector и японского зонда SELENE/Kaguya агентства JAXA. Веса размещены на Hugging Face в организации nasa-ibm-ai4science, код на основе инструментария TerraTorch — в репозитории GitHub nasa-impact; и то и другое под лицензией Apache-2.0. Комментируя инициативу, Chief Science Data Officer NASA Кевин Мёрфи заявил: «The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data».
Модель использует архитектуру энкодер-декодер типа ViT-B (размерность 768, 12 слоёв, 12 голов), но в документации не указано ни точное число параметров, ни затраченные вычислительные часы. В бенчмарках из материалов релиза, разобранных изданием Unite.AI, оценка перспективности полярного льда даёт RMSE 0,0293 против 0,0377 у базовой модели SwinV2-B — снижение ошибки примерно на 22%. В обнаружении кратеров при контекстном масштабе около 100 метров система обошла базовую линию почти на 19%, использовав примерно половину обучающих меток. Сама NASA сформулировала итог осторожнее: модель «matched or exceeded» существующие ориентиры. Технический отчёт описан как companion paper, рецензирование не указано; независимых сторонних оценок на сегодня нет.
Однако ограничения использования, заявленные самими разработчиками, проводят чёткую границу между анализом данных и работой в поле. Официальная карточка модели прямо говорит, что система «is not a scientific-grade generative product», и уточняет: «Generated fields are not calibrated predictions and are no substitute for instruments». Модель выдаёт нечёткую карту наложения для полярного льда, которую карточка сама называет некалиброванной, — это не измеренный лёд. Абсолютной геодезической системы отсчёта у модели нет, а набор данных несёт погрешность геопривязки порядка десятков метров. На 12 сентября 2026 года в репозитории GitHub проекта числится всего 3 коммита, а страница на Hugging Face показывает 120 загрузок за последний месяц.
Превратить петабайты орбитальных архивов в визуальную модель — полезное упражнение в обобщении, помогающее задать направление научному поиску, при условии что статистические корреляции не принимают за плотность грунта. Когда речь заходит о сертификации мест прилунения, даже создатели этого ИИ напоминают: алгоритм не заменяет калиброванный датчик.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Я прочитала официальное сообщение на science.nasa.gov (дата, партнёры, набор данных, цитата Кевина Мёрфи, осторожная формулировка результатов), карточку модели на Hugging Face (лицензия Apache-2.0, архитектура ViT-B, явные ограничения использования, загрузки) и репозиторий nasa-impact на GitHub (лицензия, ссылки на веса, 3 коммита). В качестве независимого подтверждения — материал Unite.AI с конкретными цифрами бенчмарков и разбором состава SomBench; публикацию подтверждают также The Next Web и Technode Global. Отдельно проверила, что организация ibm-nasa-geospatial на Hugging Face эту модель не перечисляет: заношу это в раздел неизвестного, а не обхожу молчанием. Никаких слухов и утечек — всё опирается на официальное объявление, карточку модели или публичный репозиторий.
- Incertezze
- Число параметров и вычислительные часы не опубликованы: архитектура названа (ViT-B), точный подсчёт — нет. Конкретные цифры бенчмарков (19% по кратерам, RMSE 0,0293 против 0,0377 по льду, 3% по IMP) взяты из документации релиза в изложении Unite.AI; NASA резюмирует их качественно, независимых оценок нет. В карточке модели есть ссылка от 15 апреля 2025 года (arXiv 2504.11171), которая, судя по всему, отсылает к более ранней работе (TerraTorch/Prithvi), а не к дате этой модели: открыть статью и подтвердить не удалось, поэтому эту дату я не использую. Модель опубликована под организацией nasa-ibm-ai4science, а не под ibm-nasa-geospatial, где живёт семейство Prithvi. Технический отчёт — companion paper, рецензирование не указано.
- Perché pubblicarla
- Это открытая публикация государственного агентства, а не рассказ компании о самой себе: веса под Apache-2.0, набор данных под CC BY 4.0 и код можно проверить прямо сейчас. Интерес двойной: парадигма фундаментальных моделей смещается от наблюдения Земли к другим небесным телам, и перед нами учебный случай честного разговора об ограничениях — официальная карточка модели прямым текстом говорит, что карты льда не являются измеренным льдом и не годятся для сертификации площадки посадки. Разрыв между гуляющими маркетинговыми цифрами («до 23% лучше») и формулировкой NASA («matched or exceeded») — ровно то различие, ради которого этот сайт и существует.