NASA și IBM au lansat un model de inteligență artificială construit special pentru studierea Lunii. În loc să genereze texte sau imagini, acest AI a fost antrenat să înțeleagă date științifice despre suprafața lunară și poate fi adaptat pentru sarcini precum identificarea craterelor, studierea formațiunilor vulcanice sau estimarea zonelor în care gheața ar putea fi stabilă în apropierea polilor.

Modelul se numește NASA-IBM Lunar Foundation Model și a fost făcut public în septembrie 2026. NASA îl descrie drept unul dintre primele modele fundamentale open-source concepute special pentru știința lunară. Modelul, greutățile și instrumentele pentru utilizarea lui sunt disponibile public, ceea ce înseamnă că cercetătorii și dezvoltatorii nu trebuie să pornească de la zero pentru fiecare nouă problemă legată de analiza Lunii.

Interesul proiectului nu stă doar în utilizarea inteligenței artificiale. Modelul reunește informații provenite de la mai multe misiuni și instrumente care observă Luna la rezoluții foarte diferite. Astfel, AI-ul poate găsi relații între tipuri de date pe care un cercetător ar trebui altfel să le combine manual.

Ce este NASA-IBM Lunar Foundation Model

NASA-IBM Lunar Foundation Model este un model AI de tip foundation model, adică un sistem antrenat în prealabil pe un volum foarte mare de date și care poate fi ulterior adaptat pentru mai multe sarcini specializate.

Conceptul este asemănător, la nivel general, cu modelele fundamentale folosite în AI-ul generativ: în loc să creezi și să antrenezi de la început câte un model complet pentru fiecare problemă, pornești de la un model care a învățat deja structuri și relații generale dintr-un set mare de date.

Diferența importantă este tipul informațiilor pe care le procesează. Acest model nu a fost construit pentru conversație, ci pentru teledetecție și analiză științifică a Lunii.

NASA și IBM spun că cercetătorii îl pot adapta cu cantități relativ mici de date etichetate pentru probleme specifice. Printre exemplele demonstrate deja se află detectarea craterelor, segmentarea unor formațiuni vulcanice și estimarea probabilității existenței unor condiții favorabile conservării gheții.

Cu ce date a fost antrenat AI-ul lunar

Cea mai mare parte a informațiilor folosite la antrenare provine de la Lunar Reconnaissance Orbiter, sau LRO, sonda NASA aflată pe orbită în jurul Lunii din 2009.

LRO a acumulat de-a lungul anilor o cantitate enormă de imagini și măsurători. NASA afirmă că volumul de date produs de această misiune este mai mare decât cel generat de toate celelalte misiuni planetare ale agenției la un loc.

Pentru NASA-IBM Lunar Foundation Model au fost folosite aproximativ două milioane de fragmente de imagine. Peste un milion provin din imagini de înaltă rezoluție, unde un pixel poate reprezenta aproximativ un metru de teren, iar aproape 964.000 sunt imagini multispectrale la o rezoluție de aproximativ 100 de metri pe pixel.

Modelul nu se limitează însă la fotografiile LRO. Datele de antrenare includ informații provenite și din misiunile NASA GRAIL și Lunar Prospector, precum și din misiunea japoneză SELENE, cunoscută și sub numele Kaguya.

De ce este dificil să combini informațiile despre Lună

O problemă importantă în știința planetară este că instrumentele nu măsoară toate același lucru și nici la aceeași scară.

O cameră poate fotografia detalii de ordinul metrului. Un alt instrument poate măsura proprietăți ale terenului pe suprafețe de sute de metri sau kilometri. Alte misiuni măsoară gravitația, topografia, temperatura ori compoziția suprafeței.

IBM spune că setul de date pregătit împreună cu NASA reunește peste 30 de straturi de informații aliniate spațial, provenite de la nouă instrumente instalate pe patru misiuni.

Ideea unui foundation model este ca aceste surse diferite să fie transformate într-o reprezentare comună. Modelul poate învăța, de exemplu, că anumite caracteristici dintr-o imagine de mare rezoluție se corelează cu proprietăți termice sau topografice observate de alt instrument.

AI-ul poate găsi cratere pe Lună

Una dintre sarcinile pentru care a fost testat NASA-IBM Lunar Foundation Model este detectarea craterelor.

Luna este acoperită de cratere formate prin impacturi. Numărarea și măsurarea lor nu sunt importante doar pentru realizarea unei hărți. Densitatea craterelor este unul dintre instrumentele folosite de cercetători pentru estimarea vârstei relative a unor regiuni de pe suprafața corpurilor planetare.

Pe imaginile cu rezoluție foarte mare există însă un număr enorm de cratere mici. Identificarea manuală ar necesita foarte mult timp.

NASA spune că modelul poate automatiza o parte a acestei activități și poate ajuta cercetătorii să se concentreze asupra interpretării rezultatelor.

În testele descrise de IBM, modelul a obținut rezultate comparabile cu metode specializate performante pentru detectarea craterelor la rezoluții de ordinul unui metru și a depășit un model de referință într-un test realizat cu date la rezoluție mai redusă.

Un test interesant: craterul creat în 2026

Un exemplu prezentat de NASA este detectarea unei schimbări reale produse pe suprafața Lunii.

În august 2026, o treaptă superioară folosită a unei rachete Falcon 9 a lovit Luna în apropierea craterului Einstein. Lunar Reconnaissance Orbiter a fotografiat ulterior zona.

Cercetătorii au folosit imagini realizate înainte și după impact pentru a testa modelul. NASA precizează că imaginea de după impact nu făcuse parte din datele de pre-antrenare.

După adaptare pentru această sarcină, modelul a putut evidenția noul crater în imaginile ulterioare. Este un exemplu practic al modului în care același model fundamental poate fi folosit pentru detectarea schimbărilor de pe suprafața unui corp planetar.

Poate inteligența artificială să găsească gheață pe Lună?

Aici este necesară o precizare importantă: modelul nu „vede” direct depozite de apă ascunse și nu dovedește că într-un anumit loc există gheață.

NASA-IBM Lunar Foundation Model poate fi folosit pentru estimarea ice prospectivity, adică pentru identificarea zonelor ale căror condiții sunt favorabile stabilității gheții.

În apropierea polilor Lunii există cratere în care lumina Soarelui nu ajunge direct. Unele dintre aceste regiuni permanent umbrite rămân extrem de reci și pot păstra gheață pentru perioade foarte lungi.

Pentru o asemenea analiză pot fi relevante temperatura maximă a suprafeței, panta terenului, orientarea lui și adâncimea la care gheața ar putea rămâne stabilă.

IBM afirmă că, într-unul dintre testele efectuate, modelul lunar a redus cu aproximativ 22% eroarea față de un model SwinV2 de referință antrenat pentru estimarea potențialului de existență a gheții.

De ce contează gheața lunară

Gheața de la polii Lunii are valoare științifică deoarece poate păstra informații despre istoria sistemului Pământ-Lună și despre materialele aduse de comete și asteroizi.

Există și o miză pentru explorarea viitoare. Apa poate fi utilizată direct, iar prin separarea moleculelor sale pot fi obținute oxigen și hidrogen. În principiu, acestea ar putea contribui la susținerea echipajelor și la producerea unor resurse pentru misiuni spațiale.

Totuși, hărțile realizate de AI nu înlocuiesc măsurătorile directe. Ele pot indica regiuni interesante pentru investigații ulterioare, dar confirmarea prezenței și cantității de gheață necesită alte instrumente și, în unele cazuri, analiza directă a terenului.

AI-ul caută și urmele vulcanismului lunar

O altă utilizare demonstrată privește așa-numitele irregular mare patches, formațiuni neobișnuite asociate trecutului vulcanic al Lunii.

Luna nu este considerată astăzi un corp activ vulcanic în sensul obișnuit, însă suprafața ei păstrează urme ale unei istorii geologice complexe.

Unele dintre aceste structuri par geologic mai tinere decât ar fi de așteptat și sunt importante pentru stabilirea cronologiei răcirii și evoluției interiorului lunar.

NASA-IBM Lunar Foundation Model poate fi adaptat pentru identificarea și delimitarea automată a acestor regiuni în imagini. Un cercetător poate apoi analiza candidații interesanți în loc să inspecteze manual volume uriașe de date.

Ce legătură are Mons Rümker cu acest proiect

Una dintre imaginile folosite de NASA pentru prezentarea noului model arată Mons Rümker și câmpiile lunare din jur. Regiunea este un exemplu bun al varietății geologice pe care sistemele automate trebuie să învețe să o interpreteze.

Mons Rümker se află în Oceanus Procellarum și este o formațiune vulcanică alcătuită din mai multe domuri. Regiunea a fost fotografiată atât de misiunile Apollo, cât și ulterior de sondele robotice care au cartografiat Luna la rezoluții mult mai mari.

Featured image-ul acestui articol este o fotografie realizată de echipajul Apollo 15 din orbita lunară în 1971. Imaginea aparține NASA și este disponibilă ca material public domain.

Este NASA-IBM Lunar Foundation Model open-source?

Da. Modelul și resursele necesare pentru folosirea lui au fost publicate astfel încât comunitatea științifică să poată experimenta cu ele.

Modelele și greutățile sunt disponibile prin Hugging Face, iar NASA menține codul pentru fine-tuning și inferență într-un repository public GitHub.

Repository-ul folosește licența Apache 2.0 și include integrarea cu TerraTorch pentru mai multe sarcini lunare, printre care detectarea craterelor, segmentarea formațiunilor vulcanice și estimarea potențialului de gheață.

Codul de pre-antrenare nu este inclus în repository-ul principal de inferență și fine-tuning, dar greutățile modelului și seturile de date pregătite pentru utilizare sunt puse la dispoziție separat.

De ce un foundation model în locul mai multor modele AI

Abordarea tradițională presupune adesea construirea unui model pentru o singură problemă: unul pentru cratere, altul pentru clasificarea terenului și altul pentru analiza datelor multispectrale.

Un foundation model încearcă să mute mare parte din efort în etapa inițială. După ce sistemul a învățat reprezentări generale din mai multe tipuri de date, cercetătorii îl pot ajusta pentru o sarcină nouă.

Acest lucru nu înseamnă că modelul rezolvă automat orice problemă. Fiecare utilizare trebuie validată, iar rezultatele trebuie comparate cu date științifice independente. Avantajul este că punctul de plecare poate fi mult mai avansat decât un model inițializat de la zero.

NASA și IBM au mai construit modele AI pentru știință

Proiectul lunar nu este prima colaborare de acest tip dintre NASA și IBM.

Din aceeași direcție de cercetare fac parte modelele Prithvi, folosite pentru date de observare a Pământului, și Surya, un model destinat studiului Soarelui și fenomenelor de vreme spațială.

Strategia urmărește construirea unor modele fundamentale specializate pe date științifice. În aceste aplicații, AI-ul nu încearcă să înlocuiască instrumentele sau oamenii de știință, ci să reducă timpul necesar pentru căutarea tiparelor într-un volum de informații imposibil de inspectat manual în întregime.

Va decide AI-ul unde vor ateriza astronauții?

Nu singur. Modelele AI pot deveni instrumente utile pentru selectarea și compararea unor regiuni de interes, însă deciziile unei misiuni spațiale sunt bazate pe mult mai multe informații.

Pentru alegerea unui loc de aterizare trebuie evaluate topografia, iluminarea, comunicațiile, temperaturile, riscurile pentru vehicul, obiectivele științifice și performanțele sistemului de aselenizare.

În acest context, un model precum NASA-IBM Lunar Foundation Model poate funcționa ca un filtru foarte rapid. El poate analiza suprafețe uriașe și poate scoate în evidență zone care merită examinate mai atent de specialiști.

Ce limite are modelul

Rezultatele unui sistem AI depind de datele pe care le primește și de modul în care este adaptat pentru o sarcină.

Imaginile Lunii pot avea unghiuri de iluminare foarte diferite, iar umbrele pot schimba radical aspectul craterelor și al altor formațiuni. NASA atrage atenția, de exemplu, că diferențele de iluminare dintre două treceri orbitale pot influența detectarea craterelor mici.

De asemenea, o predicție privind gheața nu este o măsurătoare directă a apei. Iar identificarea automată a unei formațiuni geologice nu stabilește singură originea sau vârsta acesteia.

Rolul modelului este să accelereze analiza și să găsească tipare sau candidați, nu să transforme predicțiile algoritmului în concluzii științifice fără verificare.

De ce este important NASA-IBM Lunar Foundation Model

Luna este probabil corpul ceresc cartografiat în cele mai multe detalii după Pământ, iar tocmai abundența datelor creează o problemă: există prea multe informații pentru a fi analizate manual în mod eficient.

NASA-IBM Lunar Foundation Model încearcă să transforme această arhivă într-un sistem reutilizabil. În loc ca fiecare echipă să înceapă cu milioane de imagini brute și să își construiască propriul algoritm de la zero, poate porni de la un model care a învățat deja relații între imaginile, topografia și proprietățile fizice ale suprafeței.

Dacă abordarea se dovedește robustă în cercetarea reală, valoarea ei poate depăși studiul Lunii. Aceeași idee poate fi aplicată arhivelor enorme de date obținute de misiuni spre Marte, asteroizi, Soare sau Pământ.

Concluzie

NASA-IBM Lunar Foundation Model este un exemplu de utilizare a inteligenței artificiale într-un domeniu foarte diferit de chatboți și generarea de imagini. Modelul a fost construit pentru a găsi informație utilă în decenii de observații ale Lunii și poate fi adaptat pentru detectarea craterelor, studierea formațiunilor vulcanice și estimarea regiunilor favorabile conservării gheții.

Modelul și instrumentele sale sunt disponibile public, astfel încât rezultatele pot fi verificate, extinse și utilizate de alte echipe. Cea mai importantă promisiune nu este că AI-ul va „descoperi singur” Luna, ci că oamenii de știință vor putea analiza mult mai eficient cantitatea enormă de informații pe care misiunile spațiale au acumulat-o deja.

Surse și documentare