LIVE
OpenAI выпустила GPT-6.2 Astra и Sol: мощнее, дешевле и под более строгим контролем Cloudflare начала строить собственные модели ИИ ChatGPT пришел в отдел продаж: готовые сценарии и тридцать интеграций Perplexity вышел на миллиард долларов годовой выручки, рост в четыре раза за год Рынок IPO в США застрял на избирательности, и это надолго OpenAI выпустила GPT-6.2 Astra и Sol: мощнее, дешевле и под более строгим контролем Cloudflare начала строить собственные модели ИИ ChatGPT пришел в отдел продаж: готовые сценарии и тридцать интеграций Perplexity вышел на миллиард долларов годовой выручки, рост в четыре раза за год Рынок IPO в США застрял на избирательности, и это надолго
Новости ИИ

NASA и IBM открыли лунную модель, обученную на 17 годах наблюдений орбитальных станций

автор: shmelev дата: 4 октября 2026 чтение: 2 мин
NASA и IBM открыли лунную модель, обученную на 17 годах наблюдений орбитальных станций

Луна копила данные десятилетиями, но толку от архива, который никто не может удобно использовать, немного. Кевин Мёрфи, главный специалист NASA по научным данным, формулирует это прямо: собрать информацию, только половина дела. Вторая половина: сделать её пригодной для работы. Именно это и сделали NASA и IBM Research, выпустив NASA-IBM Lunar Foundation Model: одну из первых открытых foundation-моделей, заточенных под лунную науку.

В основе: почти 2 миллиона связанных между собой фрагментов снимков, собранных из 17 лет наблюдений зонда Lunar Reconnaissance Orbiter, дополненных данными миссий GRAIL, Lunar Prospector и японского Kaguya/SELENE. Получился крупнейший на сегодня мультимодальный массив данных о Луне: свыше 30 слоёв информации от девяти приборов четырёх миссий. Модель не просто смотрит на пиксели: ей дают геометрию освещения, угол Солнца и масштаб снимка как отдельный контекст. На Луне именно освещение, а не рельеф, чаще всего определяет, как выглядит поверхность.

Главный практический результат: поиск льда в вечно затенённых кратерах полюсов. Это не абстрактная научная задача: лёд там может стать источником воды, кислорода и топлива для будущих лунных баз. Модель снизила ошибку предсказания залежей льда на 22% по сравнению с лучшим из конкурентов. На задачах по поиску кратеров в среднем разрешении прирост точности: почти 19%, причём модели хватило вдвое меньше размеченных примеров для обучения. С мелкими деталями на снимках высокого разрешения результаты скромнее: там модель идёт вровень с сильными базовыми алгоритмами, а не обгоняет их.

Для точного определения координат или высоты рельефа модель не годится: в тестах расхождения доходили до десятков градусов по широте и долготе. Авторы прямо говорят: это инструмент анализа и генерации гипотез, а не замена приборам. Код выложен на GitHub, веса: на Hugging Face, модель уже встроена в открытый инструмент TerraTorch. Это продолжение многолетнего партнёрства NASA и IBM: в 2023 году они уже выпускали Prithvi для наблюдений за Землёй, а в 2025-м с ESA разработали TerraMind, архитектуру, на основе которой построена лунная модель. Открытость здесь не жест доброй воли, а стратегия: чем больше лабораторий смогут использовать и улучшать модель, тем быстрее накопится понимание того, где на Луне стоит искать ресурсы для будущих экспедиций.

Создание AI-агентов и автоматизация на n8n: проектируем и запускаем под ключ.

Реклама
ЛИДЕРБОРД · 728 × 90зона «Реклама: между секциями»