Le 10 septembre 2026, la NASA et IBM ont publié en open source un modèle de fondation conçu uniquement pour la Lune. Il a été entraîné sur plus de 30 couches de données orbitales, et il cartographie les cratères, estime la glace polaire et repère des zones volcaniques à partir d'images satellite.
Le résultat à retenir : un modèle entraîné uniquement sur des données lunaires a battu jusqu'à 22 % un modèle généraliste plus gros pour trouver la glace lunaire, et détecté les cratères presque 19 % mieux avec deux fois moins de données. La spécialisation a gagné.
Je construis des agents IA pour vivre, et ce chiffre est toute l'histoire. C'est la même raison pour laquelle un bot de support entraîné sur vos vrais tickets surclasse un bot générique. La Lune n'est qu'un exemple très photogénique d'une leçon que le secteur réapprend sans cesse : les données d'entraînement comptent plus que la taille du modèle.
Ce que la NASA et IBM ont réellement livré
Le NASA-IBM Lunar Foundation Model est, à notre connaissance, l'un des premiers modèles d'IA open source conçus spécifiquement pour la science lunaire. Il a été développé par IBM Research avec l'équipe IMPACT de la NASA et un groupe de partenaires universitaires : la Universities Space Research Association, le SETI Institute, la University of Maryland, Baltimore County, et la Howard University.
L'idée est la même que derrière tous les modèles de fondation dont vous avez entendu parler. Au lieu d'entraîner un modèle étroit pour une seule tâche, on préentraîne un grand modèle sur une montagne de données brutes pour qu'il apprenne la « forme » générale d'un domaine, puis on l'affine à moindre coût pour des tâches précises. ChatGPT l'a fait pour le texte. Celui-ci le fait pour la surface de la Lune.
« That's a real opportunity we see with AI: turning large-scale data into discoveries. »
Kevin Murphy, Chief Science Data Officer de la NASA
À noter d'emblée : la NASA et IBM n'ont pas publié le nombre de paramètres du modèle, je n'en invente donc pas. À titre de repère, son cousin solaire Surya compte 366 M de paramètres. Ce qu'ils ont détaillé en profondeur, ce sont les données, qui sont de toute façon la partie intéressante.
Sur quoi il a été entraîné : 17 ans de données orbitales
C'est là que le travail s'est concentré. L'équipe a assemblé ce qu'elle présente comme le premier jeu de données lunaires unifié open source : plus de 30 couches alignées dans l'espace issues de 9 instruments sur 4 missions, soit environ 2 millions de tuiles d'image.
L'essentiel vient du Lunar Reconnaissance Orbiter de la NASA, qui photographie la Lune depuis 17 ans. L'équipe a ainsi obtenu plus d'un million d'images de caméra haute résolution au détail de 1 mètre, plus environ 964 000 images multispectrales à 100 mètres de résolution. Les données des missions GRAIL et Lunar Prospector de la NASA et de l'orbiteur japonais Kaguya ont comblé les trous.
Aligner tout cela pour que chaque couche se superpose sur la même portion de sol est un travail peu glamour et coûteux. C'est aussi la raison pour laquelle le modèle est bon. La leçon se répète partout en IA : l'avantage décisif est rarement l'architecture, mais les données d'entraînement propres et propres à un domaine que personne d'autre n'a pris la peine de rassembler.
Ce que le modèle sait faire
Une fois entraîné, le modèle peut être dirigé vers une poignée de tâches de science lunaire qui exigeaient chacune auparavant leur propre chaîne sur mesure :
- Estimer la glace polaire. La glace d'eau dans les cratères en ombre permanente près des pôles est la ressource la plus précieuse de la Lune, car c'est du carburant et du support de vie potentiels pour une présence durable d'Artemis. Le modèle estime où la glace est stable et probable.
- Cartographier les cratères. Il détecte et classe les cratères à l'échelle du mètre et d'environ 100 mètres, ce qui alimente directement le choix des sites d'atterrissage, l'évitement des dangers et la datation de la surface.
- Repérer les formes volcaniques. Il signale les zones irrégulières de mare, des formations volcaniques récentes qui renseignent les scientifiques sur l'histoire thermique de la Lune.
- Détecter les changements dans le temps. Appliqué à des images de dates différentes, il fait ressortir les changements de surface. Lors des tests, il a détecté de nouveaux cratères d'impact apparus sur des images postérieures à la fin de son entraînement.
La NASA prend soin de le présenter comme un assistant de recherche, pas comme un oracle. Il fait remonter des candidats que les scientifiques vérifient. Cette distinction, un modèle capable qui propose pendant qu'un humain décide, est exactement le garde-fou que je voudrais voir livré par défaut dans plus de produits d'IA.
Le chiffre qui compte : le spécialisé a battu le générique
Voici le résultat qui m'a donné envie d'écrire ceci. IBM a comparé le modèle à SwinV2-B, un modèle de vision solide et très utilisé, préentraîné sur ImageNet, un immense jeu d'images généraliste. En clair, grand et générique contre plus petit et spécialisé.
Le modèle spécialisé l'a emporté sur toute la ligne :
- Jusqu'à 22 % d'erreur en moins pour l'estimation de la glace polaire.
- Presque 19 % de mieux pour la détection de cratères à l'échelle du contexte, avec deux fois moins de données d'entraînement.
- 3 % de mieux pour la détection de formes volcaniques, même avec des étiquettes imparfaites.
- Précision comparable sur les cratères à l'échelle du mètre, mais nettement plus efficace.
Le résumé de la NASA elle-même arrondit cela à un modèle qui « exceeds widely used methods by up to 23% ». Au-delà du chiffre précis, le message est simple : un modèle qui a appris la Lune a battu un modèle qui a tout appris, en utilisant moins de données.
« The model gives scientists a foundation to explore the Moon at scale. »
Juan Bernabe-Moreno, Director d'IBM Research Europe
Pourquoi un « modèle de fondation pour un seul domaine » est la vraie histoire
On vous pardonnerait de ne voir dans un modèle de cartographie lunaire qu'une actualité spatiale de niche. Je soutiendrais l'inverse. C'est l'une des démonstrations publiques les plus nettes d'un principe qui décide du succès de presque tout projet d'IA : la pertinence l'emporte sur l'échelle brute.
Un modèle général a beaucoup vu de tout et rien de votre sujet. Un modèle spécialisé a vu votre sujet de façon exhaustive. Pour un domaine borné et à fort enjeu, le second gagne, pour la même raison qu'un agent IA entraîné sur votre propre base de connaissances répond mieux qu'un modèle de langage brut branché sur une fenêtre de chat.
C'est un point auquel je pense en permanence dans mon travail. Une IA de support n'est pas utile parce qu'elle tourne sur un gros modèle. Elle est utile parce qu'elle a lu chacun de vos anciens tickets, votre centre d'aide, vos documents internes et vos macros, et qu'elle répond comme votre meilleur agent. Greffez un modèle générique sur un widget d'aide sans contexte d'entreprise et vous obtenez des réponses assurées et fausses, le défaut même qui donne mauvaise réputation aux chatbots à règles et aux fines surcouches d'IA.
Chez eesel, c'est toute la conception. eesel est une plateforme de coéquipiers IA, et vous recrutez des coéquipiers prêts à travailler pour des tâches précises, le coéquipier IA pour le helpdesk étant le plus pertinent ici. Ce coéquipier n'est pas un modèle vierge. Il apprend de vos tickets historiques et de vos sources de connaissances dès qu'il se connecte, et arrive donc en connaissant déjà votre produit, comme le modèle de la NASA arrive en connaissant déjà la Lune.
Et, point crucial, comme le « proposer, ne pas décider » de la NASA, vous pouvez vérifier le travail avant sa mise en ligne. eesel simule l'IA sur des milliers de vos vrais tickets passés pour que vous voyiez exactement comment elle aurait répondu et ce qu'elle aurait résolu, avant qu'un seul client ne lui parle. Pas question d'appuyer sur l'interrupteur en croisant les doigts.
La tarification suit la même logique du « payer pour ce qui est pertinent » : eesel facture par ticket réellement traité, pas par siège, de sorte qu'un coéquipier spécialisé qui résout vos questions répétitives ne vous coûte que lorsqu'il travaille. Si vous gérez un support et que vous attendiez que le battage autour de l'IA débouche sur quelque chose qui connaît vraiment votre activité, la Lune vient de vous en fournir la preuve de concept. Essayez eesel gratuitement et pointez-le sur vos propres tickets.
Où le trouver, et la suite
Tout est ouvert. Les poids sont sur Hugging Face dans la collection nasa-ibm-ai4science, le code est sur GitHub sous NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model, et il a été intégré à la boîte à outils open source TerraTorch pour que les chercheurs l'affinent selon leurs propres tâches.
Il s'inscrit aussi dans un arc plus large. Ce modèle rejoint Prithvi, le modèle géospatial de la NASA et d'IBM pour la Terre, et Surya, leur modèle du Soleil. Le plan annoncé est de poursuivre vers la science planétaire, l'astrophysique et les sciences biologiques et physiques. La NASA construit discrètement une famille de modèles de fondation par domaine, un domaine scientifique difficile à la fois, et publie chacun en open source.
C'est la stratégie sur laquelle je parierais. Pas un modèle qui sait tout, mais une flotte de spécialistes qui connaissent chacun à fond une seule chose. Ça marche pour la Lune. Ça marche pour le Soleil. Et ça marche, de façon bien plus banale, pour votre boîte de réception de support.