NASA và IBM mở Lunar Foundation Model, dùng AI đọc dữ liệu đa nguồn để lập bản đồ Mặt Trăng

NASA và IBM vừa phát hành Lunar Foundation Model, một foundation model mở được xây riêng cho dữ liệu Mặt Trăng. Model được huấn luyện chủ yếu từ dữ liệu của Lunar Reconnaissance Orbiter (LRO) và kết hợp nhiều nguồn viễn thám khác nhau để hỗ trợ các tác vụ như phát hiện miệng hố, nhận diện đặc trưng địa hình và đánh giá khu vực có khả năng chứa băng ở cực.

NASA công bố dự án ngày 10/09/2026 và cung cấp model, code cùng dữ liệu xử lý trên các nền tảng công khai. Đây là một ví dụ rõ ràng của xu hướng foundation model chuyên ngành: thay vì huấn luyện một model đa dụng cho mọi loại ảnh, nhóm nghiên cứu xây một representation nền tảng dành riêng cho dữ liệu hành tinh.

Lunar Foundation Model được xây để làm gì?

Mục tiêu của Lunar Foundation Model không phải tạo hình ảnh Mặt Trăng hay trả lời hội thoại như chatbot. Nó là model nền cho remote sensing, học representation từ nhiều lớp dữ liệu địa chất và địa vật lý để các nhà nghiên cứu fine-tune cho từng tác vụ khoa học cụ thể.

• Phát hiện và phân loại crater hoặc các cấu trúc bề mặt.
• Nhận diện irregular mare patches và các đặc trưng địa hình khó phân tích thủ công.
• Hỗ trợ đánh giá khu vực cực có tiềm năng chứa băng.
• Tạo backbone chung cho nhiều bài toán lunar remote sensing thay vì huấn luyện model từ đầu cho từng nhiệm vụ.

NASA mô tả dự án tại trang khoa học chính thức, còn IBM cung cấp thêm chi tiết về quá trình huấn luyện và các kết quả thử nghiệm trong thông báo của IBM Research.

Gần 2 triệu tile bundle và 11 modality tạo nên tập dữ liệu nền

Một trong những điểm đáng chú ý nhất của dự án là quy mô và cách tổ chức dữ liệu. Model card trên Hugging Face mô tả bộ SomBench với khoảng 1,96 triệu bundle đã được co-register, tức nhiều lớp dữ liệu được căn chỉnh về cùng vị trí địa lý để model có thể học tương quan giữa chúng.

• WAC bundles: khoảng 963.609.
• NAC bundles: khoảng 1.000.113.
• Tổng cộng: khoảng 1.963.722 bundle.
• Số modality: 11.
• Hai scale gốc: khoảng 1 m/px và 100 m/px.

Hai mức phân giải phục vụ hai kiểu quan sát khác nhau. Dữ liệu độ phân giải cao giúp nhìn chi tiết bề mặt, trong khi lớp độ phân giải thấp hơn cung cấp ngữ cảnh vùng rộng và các tín hiệu địa vật lý mà một ảnh đơn lẻ không thể hiện đầy đủ.

Model hợp nhất dữ liệu từ nhiều mission thay vì chỉ nhìn ảnh quang học

Lunar Foundation Model được huấn luyện chủ yếu từ LRO nhưng dataset nền còn kết hợp hơn 30 lớp dữ liệu đã được căn chỉnh không gian, lấy từ 9 instrument thuộc 4 mission. Các nguồn được NASA và IBM nêu gồm LRO, GRAIL và JAXA SELENE/Kaguya.

Điều này quan trọng vì khoa học Mặt Trăng không chỉ dựa vào một loại ảnh. Một khu vực có thể được mô tả bằng albedo, địa hình, nhiệt độ, tín hiệu radar hoặc dữ liệu trọng lực. Việc học chung nhiều modality giúp model tạo representation giàu thông tin hơn so với chỉ nhìn RGB hay grayscale imagery.

Kiến trúc ViT-B được huấn luyện theo kiểu encoder–decoder

Theo model card chính thức, Lunar Foundation Model dùng backbone ViT-B với embedding dimension 768, 12 layer và 12 attention head. Nhóm triển khai theo cấu trúc encoder–decoder để học representation từ dữ liệu đa nguồn và đa độ phân giải.

Nhóm báo cáo quá trình pretraining chạy trên 16 GPU NVIDIA H100 trong 150.000 step, tổng cộng khoảng 1.100 GPU-hour. Những con số này cho thấy đây là một project research quy mô lớn nhưng vẫn nhỏ hơn đáng kể so với quá trình huấn luyện frontier LLM hàng trăm tỷ tham số.

Việc chọn một vision backbone tương đối phổ biến cũng giúp model dễ được tái sử dụng trong các pipeline machine learning hiện có, thay vì yêu cầu một runtime hoàn toàn riêng.

NASA và IBM báo cáo cải thiện tới 23% trên một số tác vụ địa hình

IBM cho biết Lunar Foundation Model cải thiện hiệu năng tới 23% so với các phương pháp đối chiếu trên một số bài toán nhận diện đặc trưng địa lý Mặt Trăng. Đây là kết quả do nhóm phát triển báo cáo và chỉ áp dụng cho các task, baseline cùng protocol cụ thể trong đánh giá của họ.

Vì vậy, không nên diễn giải con số 23% thành “model tốt hơn 23% cho mọi nhiệm vụ về Mặt Trăng”. Ý nghĩa đúng hơn là pretraining chuyên ngành đã cho thấy lợi ích rõ ràng trên một số downstream task mà nhóm nghiên cứu thử nghiệm.

Crater detection và polar ice là hai use case dễ hình dung nhất

Phát hiện crater là bài toán nền tảng trong planetary science vì mật độ, kích thước và phân bố crater giúp suy luận lịch sử địa chất của bề mặt. Một foundation model có thể giảm lượng dữ liệu gắn nhãn cần thiết khi chuyển sang khu vực hoặc kiểu crater mới.

Ở vùng cực, bài toán phức tạp hơn vì ánh sáng, địa hình và dữ liệu cảm biến đều khó xử lý. NASA và IBM nêu ice prospectivity như một hướng ứng dụng: model có thể hỗ trợ kết hợp nhiều nguồn tín hiệu để xác định khu vực đáng ưu tiên cho nghiên cứu tiếp theo.

Khả năng này có giá trị thực tế với các chương trình khám phá Mặt Trăng, nhưng model vẫn là công cụ phân tích dữ liệu chứ không tự xác nhận sự tồn tại của băng. Kết luận khoa học cuối cùng vẫn cần dữ liệu quan sát, kiểm chứng và quy trình chuyên môn.

Model được phát hành mở với giấy phép Apache 2.0

NASA và IBM phát hành model theo Apache 2.0, kèm model card trên Hugging Face và repository mã nguồn. Điều này cho phép cộng đồng tải weights, xem cấu hình, tái hiện pipeline và fine-tune cho các bài toán riêng.

• Model: NASA-IBM Lunar Foundation Model trên Hugging Face.
• Code: repository NASA IMPACT trên GitHub.
• Giấy phép Apache 2.0 giúp dễ tích hợp vào research workflow hơn các model có license nghiên cứu hạn chế.

Việc phát hành cả code và weights cũng giúp cộng đồng kiểm tra các claim của nhóm phát triển thay vì chỉ dựa trên một API đóng.

Lunar Foundation Model khác gì một vision model đa dụng?

Một vision model đa dụng được tối ưu để nhận biết vật thể, cảnh hoặc pattern trong ảnh tự nhiên. Lunar Foundation Model lại học trực tiếp từ dữ liệu viễn thám Mặt Trăng và nhiều lớp tín hiệu đồng đăng ký, vì vậy representation được định hướng theo cấu trúc địa hình và địa vật lý của một domain rất cụ thể.

• Dữ liệu: vision model đa dụng thường học từ ảnh tự nhiên hoặc web-scale; Lunar Foundation Model học từ remote sensing Mặt Trăng đa modality.
• Mục tiêu: model đa dụng hướng tới hiểu ảnh phổ quát; Lunar Foundation Model là backbone cho lunar science.
• Scale: project NASA–IBM giữ hai scale gốc khoảng 1 m/px và 100 m/px để giữ ngữ cảnh khoa học.
• Downstream: crater, địa hình, ice prospectivity và các task khoa học hành tinh.

Đây là một bước tiếp theo của xu hướng foundation model cho khoa học

Bot.io.vn đã theo dõi nhiều ví dụ AI chuyên ngành như WeatherNext 3 cho dự báo thời tiết hay Claude formalize Định lý Fermat bằng Lean. Lunar Foundation Model nằm trong cùng xu hướng rộng hơn: dùng kiến trúc nền tảng để mã hóa kiến thức và cấu trúc của một domain khoa học cụ thể.

Điểm hấp dẫn của foundation model chuyên ngành là khả năng chia sẻ chi phí pretraining. Thay vì mỗi nhóm nghiên cứu phải bắt đầu từ đầu, họ có thể fine-tune một backbone đã học sẵn các pattern cơ bản của domain.

Điều này cũng khác với Puffin-World, vốn tập trung vào world model 3D và representation physics/geometry/appearance. Lunar Foundation Model không mô phỏng thế giới; nó học representation viễn thám để phục vụ phân tích khoa học.

Giới hạn cần nhớ khi đọc kết quả của Lunar Foundation Model

• 23% không phải điểm tổng quát: đây là mức cải thiện cao nhất được nhóm báo cáo trên một số task cụ thể.
• Domain rất hẹp: model được tối ưu cho Mặt Trăng, không nên mặc định sẽ chuyển tốt sang Mars, Earth observation hoặc ảnh tự nhiên.
• Foundation model vẫn cần fine-tuning: model nền không tự thay thế pipeline khoa học cho từng downstream task.
• Dữ liệu quyết định độ phủ: khu vực, sensor hoặc hiện tượng ít xuất hiện trong tập pretraining vẫn có thể là điểm yếu.

Những giới hạn này không làm giảm giá trị của project, nhưng giúp đặt đúng kỳ vọng. Đây là hạ tầng model cho research, không phải hệ thống tự động đưa ra kết luận khoa học cuối cùng.

NASA và IBM đang biến dữ liệu Mặt Trăng thành một representation chung cho cộng đồng nghiên cứu

Điểm đáng chú ý nhất của Lunar Foundation Model không phải một benchmark đơn lẻ mà là việc NASA và IBM gom dữ liệu đa mission, đa instrument và đa độ phân giải vào một model nền có thể tái sử dụng. Nếu cộng đồng tiếp tục fine-tune và kiểm chứng trên nhiều task, giá trị lớn nhất của dự án có thể nằm ở việc giảm công sức xây model riêng cho từng nhóm nghiên cứu.

Với giấy phép Apache 2.0, weights công khai và code mở, Lunar Foundation Model cũng tạo điều kiện để các kết quả được kiểm tra độc lập. Đây là nền tảng quan trọng nếu foundation model muốn trở thành một phần thực sự của quy trình khoa học thay vì chỉ là một demo AI.