Il modello lunare di NASA e IBM tra stime non calibrate e limiti operativi

Il 10 settembre 2026, la NASA e IBM Research hanno annunciato il rilascio open source del NASA-IBM Lunar Foundation Model, sviluppato insieme a enti quali la Universities Space Research Association, il SETI Institute, la University of Maryland Baltimore County e la Howard University. Il modello è stato addestrato su SomBench, un dataset distribuito su AWS con licenza CC BY 4.0 composto da circa 2 milioni di bundle di tile lunari co-registrate. La base informativa integra dati di 17 anni del Lunar Reconnaissance Orbiter — compresi 38 TB di immagini della Wide Angle Camera (963.609 tile) e 1,4 TB della Narrow Angle Camera (1.000.113 tile) — oltre ai rilievi delle missioni GRAIL, Lunar Prospector e della sonda SELENE/Kaguya della JAXA. I pesi sono ospitati su Hugging Face nell'organizzazione nasa-ibm-ai4science, mentre il codice basato sul toolkit TerraTorch risiede nel repository GitHub nasa-impact, entrambi con licenza Apache-2.0. Commentando l'iniziativa, il Chief Science Data Officer della NASA, Kevin Murphy, ha dichiarato: «The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data».

Il modello adotta un'architettura encoder-decoder ViT-B (dimensione 768, 12 layer, 12 teste), ma la documentazione non indica né il conteggio esatto dei parametri né le ore di calcolo impiegate. Nei benchmark riportati dai materiali del rilascio e analizzati da Unite.AI, la stima della prospettività del ghiaccio polare registra un RMSE di 0,0293 rispetto allo 0,0377 della baseline SwinV2-B, corrispondente a una riduzione dell'errore di circa il 22%. Sulla rilevazione dei crateri a scala di circa 100 metri di contesto il sistema ha superato la baseline di quasi il 19%, impiegando circa metà delle etichette di addestramento. La NASA ha sintetizzato i risultati in modo più prudente, dichiarando che il modello ha «eguagliato o superato» i riferimenti esistenti. Il technical report è descritto come companion paper e non risulta indicata una revisione paritaria; non risultano al momento valutazioni indipendenti di terzi.

I vincoli d'uso dichiarati dagli stessi sviluppatori tracciano tuttavia una netta linea di demarcazione tra l'analisi dati e l'esplorazione sul campo. La model card ufficiale dichiara esplicitamente che il sistema «is not a scientific-grade generative product» e specifica che «Generated fields are not calibrated predictions and are no substitute for instruments». Il modello produce una mappa di sovrapposizione fuzzy per il ghiaccio polare, che la model card qualifica come non calibrata, e non ghiaccio misurato. Il modello non dispone di un sistema di riferimento geodetico assoluto, e il dataset porta con sé un'incertezza di geolocalizzazione dell'ordine delle decine di metri. Al 12 settembre 2026, il repository GitHub dell'iniziativa registra 3 commit totali, mentre la scheda su Hugging Face mostra 120 download nell'ultimo mese.

Trasformare petabyte di archivi orbitali in un modello visuale è un esercizio di sintesi utile per orientare la ricerca scientifica, a patto di non scambiare le correlazioni statistiche con la consistenza del suolo. Quando si tratta di certificare i siti di allunaggio, anche i creatori dell'IA ricordano che un algoritmo non sostituisce un sensore calibrato.

— Olya