NASA–IBM Buka Model AI Bulan: Pelajaran Menggabungkan Data untuk Orang IT

Pada 10 September 2026, IBM dan NASA mengumumkan pelepasan terbuka NASA–IBM Lunar Foundation Model untuk membantu penyelidikan Bulan. Perkembangan ini membawa sudut pembelajaran yang menarik kepada komuniti IT: bagaimana pemerhatian daripada pelbagai instrumen boleh disatukan supaya lebih berguna untuk analisis.

Bagi pembaca Malaysia, nilai praktikalnya ialah peluang memahami hubungan antara penyediaan data, latihan model dan penilaian hasil. Di sebalik gambaran AI meneroka angkasa, terdapat persoalan kejuruteraan yang dekat dengan kerja harian: adakah data sepadan, apakah ukuran kejayaan, dan sejauh mana ramalan boleh dipercayai?

Apa yang diumumkan pada September

Menurut pengumuman IBM, model ini dibangunkan untuk membantu penyelidik mengkaji kemungkinan lokasi ais, ciri gunung berapi dan kawah. Pasukan turut menyediakan set data yang menghimpunkan lebih 30 lapisan pemerhatian sejajar secara ruang daripada sembilan instrumen merentas empat misi. Pengumuman tersebut menerangkan pelepasan bahan penyelidikan, bukannya penemuan baharu ais yang telah disahkan.

Perbezaan itu menentukan cara berita ini patut dibaca. Keupayaan menghasilkan peta ramalan boleh membantu memilih kawasan untuk disiasat, tetapi ramalan tersebut masih memerlukan tafsiran dan pengesahan saintifik. Sasaran menyokong penerokaan manusia pula ialah kegunaan yang dihasratkan, bukan bukti model sudah mengendalikan operasi angkasawan.

Sumber: IBM and NASA Release Open-Source AI Model to Support Lunar Exploration.

Cabaran sebenar ialah menyatukan pemerhatian

IBM Research menerangkan bahawa ukuran graviti berskala kasar dan imej permukaan beresolusi tinggi memberikan pandangan berbeza tentang Bulan. Pasukan menggunakan pendekatan berasaskan seni bina TerraMind untuk menghubungkan jenis data dan resolusi yang berlainan. Sudut pemerhatian serta keadaan pencahayaan turut menjadi sebahagian cabaran memahami permukaan.

Sebagai analogi editorial, bayangkan dua peta bandar: satu menunjukkan bentuk muka bumi, satu lagi menunjukkan suhu. Meletakkan kedua-duanya dalam folder yang sama belum menghasilkan analisis bersama. Kedudukan dan skala perlu difahami dahulu supaya sesuatu corak tidak dikaitkan dengan kawasan yang salah. Analogi ini menerangkan masalah penyelarasan, bukan mendakwa data bandar setara dengan data Bulan.

Sumber: A rough guide for going back to the Moon.

Apa yang sebenarnya diuji oleh penyelidik

Pracetak teknikal yang dihantar ke arXiv pada 8 September menerangkan latihan menggunakan hampir dua juta himpunan jubin data, meliputi 11 modaliti pada dua skala ruang. Penilaian merangkumi pengesanan kawah pada dua skala, segmentasi ciri gunung berapi dan regresi potensi ais kutub. Ini ialah tugasan khusus dengan ukuran tersendiri.

Penulis melaporkan bahawa model pralatih menyamai atau mengatasi model pembanding dalam ujian tersebut. Namun, model dengan pemberat permulaan rawak juga menunjukkan prestasi yang baik untuk sebahagian perbandingan potensi ais. Pemerhatian itu mencadangkan sumbangan datang daripada seni bina serta pralatihan; keputusan tidak wajar dikaitkan kepada satu faktor sahaja.

Sumber: Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing.

Baca angka prestasi bersama batasnya

IBM melaporkan pengurangan ralat RMSE sehingga 22 peratus bagi penilaian potensi ais berbanding SwinV2-B berasaskan ImageNet. Angka itu merujuk kepada ukuran ralat dan pembanding tertentu. Ia tidak bermaksud semua peta menjadi 22 peratus lebih tepat, atau model telah membuktikan kewujudan ais pada setiap kawasan yang ditandakan.

Pracetak turut menunjukkan bahawa pilihan penyesuaian model bergantung pada tugasan. LoRA menyamai atau mengatasi pelarasan penuh untuk pengesanan kawah dan segmentasi ciri gunung berapi, manakala pelarasan penuh memberikan hasil terbaik bagi regresi potensi ais. Oleh itu, kaedah latihan yang menjimatkan parameter tidak boleh dianggap pilihan terbaik secara automatik untuk semua masalah.

Sumber: IBM and NASA Release Open-Source AI Model to Support Lunar Exploration; Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing.

Cadangan editorial: projek kecil untuk pembaca Malaysia

Untuk pelajar universiti, politeknik atau pembangun yang mahu membina portfolio, kami mencadangkan eksperimen kecil yang boleh diterangkan dengan jelas. Pilih satu tugasan sahaja, contohnya membandingkan pengecaman bentuk kawah menggunakan satu jenis input dengan gabungan input. Semak lesen, saiz muat turun dan keperluan perkakasan sebelum menentukan skop.

Sediakan catatan asal data, langkah prapemprosesan dan pembahagian latihan serta ujian. Simpan beberapa contoh kegagalan, kemudian terangkan kemungkinan puncanya. Jika sumber pengkomputeran terhad, projek boleh menumpukan pemeriksaan keselarasan lapisan dan visualisasi sampel dahulu. Elakkan menjadikan latihan semula keseluruhan model sebagai syarat menyiapkan projek.

Dalam pembentangan Bahasa Malaysia, terangkan keputusan menggunakan soalan yang mudah: input mana membantu, input mana menambah kekeliruan, dan contoh apakah yang masih gagal? Nyatakan bahawa eksperimen portfolio itu berasingan daripada pengesahan penyelidik asal. Hasil yang sederhana tetapi boleh diulang memberi bahan perbincangan teknikal yang lebih jelas tentang keputusan reka bentuk anda.

Rujukan

• IBM and NASA Release Open-Source AI Model to Support Lunar Exploration — 2026-09-10
• A rough guide for going back to the Moon — 2026-09-10
• Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing — 2026-09-08

Disediakan secara automatik dengan bantuan AI berdasarkan sumber yang dipautkan. Semakan sumber: 2026-09-29. Gambar utama ialah ilustrasi janaan AI, bukan foto peristiwa sebenar.