NASA-IBM Lunar Foundation Model：月のためのオープンソースAIを解説

NASAとIBMが実際に公開したもの

NASA-IBM Lunar Foundation Modelは、わかる限り、月科学のために作られた最初期のオープンソースAIモデルの1つです。IBM ResearchがNASAのIMPACTチームと学術パートナーのグループと共同で開発しました。パートナーは、Universities Space Research Association、SETI Institute、University of Maryland, Baltimore County、Howard Universityです。

考え方は、これまでに耳にしたあらゆる基盤モデルと同じです。1つのタスクのために狭いモデルを学習させる代わりに、大量の生データで大きなモデルを事前学習し、分野の一般的な「かたち」を覚えさせてから、個別の仕事向けに低コストで微調整します。ChatGPTはこれをテキストで行いました。このモデルは月の表面で行います。

"That's a real opportunity we see with AI: turning large-scale data into discoveries."

Kevin Murphy、NASA Chief Science Data Officer

最初に断っておくと、NASAとIBMはモデルのパラメータ数を公表していないので、私も数字を作りません。目安として、姉妹モデルの太陽モデルSuryaは3億6600万パラメータです。両者が詳しく公開したのはデータで、そこがもともと面白い部分です。

学習データ：17年分の周回軌道データ

手間がかかったのはここです。チームは、初のオープンソースの統合月面データセットと呼ぶものを組み上げました。4つのミッションの9つの観測機器から得た30層以上の位置合わせ済みデータで、合計約200万枚の画像タイルになります。

大半は、17年間月を撮影し続けているNASAのルナー・リコネサンス・オービターによるものです。これにより、1メートル解像度の高解像度カメラ画像が100万枚以上、100メートル解像度のマルチスペクトル画像が約96万4000枚得られました。NASAのGRAILとルナ・プロスペクター、日本のかぐやのデータが隙間を埋めています。

すべての層が同じ地表の位置に重なるよう揃える作業は、地味で費用のかかる仕事です。それがこのモデルの質の理由でもあります。この教訓はAI全般に当てはまります。競争優位はアーキテクチャであることは少なく、誰も手間をかけて整えなかったクリーンで分野特化した学習データにあります。

モデルにできること

学習が済むと、これまでそれぞれ専用のパイプラインが必要だった月科学のタスクにモデルを向けられます。

• 極域の氷を推定する。 極付近の永久影のクレーターにある水の氷は、アルテミス計画の持続的な滞在に向けた燃料や生命維持の可能性があるため、月で最も価値のある資源です。モデルは、氷が安定して存在しそうな場所を推定します。
• クレーターを地図化する。 メートル規模と約100メートル規模の両方でクレーターを検出して分類し、着陸地点の選定、危険の回避、地表の年代測定に直接つながります。
• 火山性の地形を見つける。 不規則なマーレの斑点を検出します。これは若い火山性の地形で、月の熱的な歴史を科学者に教えてくれます。
• 時間による変化を見つける。 日付の異なる画像に適用すると、地表の変化が浮かび上がります。テスト中には、学習の打ち切り後に撮影された画像に現れた新しい衝突クレーターを検出しました。

NASAは、これを神託ではなく研究アシスタントとして位置づけています。科学者が検証するための候補を示します。この区別、つまり有能なモデルが提案し、人間が決めるという形は、より多くのAI製品が最初から備えていてほしい安全策そのものです。

重要な数字：専門特化が汎用に勝った

私がこの記事を書きたくなったのはこの結果です。IBMは、このモデルをSwinV2-Bと比較しました。ImageNet（巨大な汎用画像データセット）で事前学習された、強力で広く使われている視覚モデルです。つまり、大きくて汎用のモデルと、小さくて専門特化のモデルの比較です。

専門特化モデルは全面的に勝ちました。

• 極域の氷の推定で誤差が最大22%減少。
• コンテキストスケールのクレーター検出で約19%向上、学習データは半分。
• 不完全なラベルでも、火山性の地形の検出で3%向上。
• メートル規模のクレーターでは同等の精度ですが、明らかに効率的。

NASA自身の要約では、これを「exceeds widely used methods by up to 23%」とまとめています。個別の数字を超えて、要点は単純です。月を学んだモデルが、あらゆるものを学んだモデルに勝ちました。しかも少ないデータで。

"The model gives scientists a foundation to explore the Moon at scale."

Juan Bernabe-Moreno、IBM Research Europe Director

「1つの分野のための基盤モデル」が本当のニュースである理由

月面地図化モデルを、ニッチな宇宙ニュースとして聞き流しても無理はありません。私はその逆だと思います。これは、ほぼあらゆるAIプロジェクトの成否を左右する原則を、最も明快に示した公開事例の1つです。関連性は、生の規模に勝るという原則です。

汎用モデルは、あらゆるものをたくさん見ていますが、あなたの領域は何も見ていません。専門特化モデルは、あなたの領域を徹底的に見ています。範囲が限られ、失敗が重い分野では後者が勝ちます。自社のナレッジベースで学習したAIエージェントが、チャット画面につないだだけの素の言語モデルより的確に答えるのも、同じ理由です。

これは私が日々の仕事で常に考えていることです。サポートAIが役に立つのは、大きなモデルの上で動いているからではありません。過去のチケット、ヘルプセンター、社内ドキュメント、マクロをすべて読み込み、最も優秀な担当者のように答えられるからです。会社の文脈がないまま汎用モデルをヘルプウィジェットに載せても、自信たっぷりの間違った回答が返ってくるだけです。これが、ルールベースのチャットボットや薄いAIラッパーが悪評を得ている失敗の型です。

eeselでは、これが設計のすべてです。eeselはAIチームメイトのプラットフォームで、特定の仕事向けにすぐ働けるチームメイトを採用します。ここで最も関連が深いのはAIヘルプデスクのチームメイトです。このチームメイトは白紙のモデルではありません。接続した瞬間から過去のチケットとナレッジソースで学習するため、NASAのモデルが最初から月を知っているのと同じように、最初からあなたの製品を知っています。

そして重要なのは、NASAの「提案はするが、決めない」という考え方と同じく、公開前に仕事ぶりを確認できることです。eeselは、数千件の実際の過去チケットでAIをシミュレーションするので、顧客が1人もAIと話す前に、どう返信し、何を解決できたかを正確に確認できます。スイッチを入れて祈る必要はありません。

料金も「関連するものに払う」という同じ論理に沿っています。eeselは席数ではなく、実際に対応したチケットごとに課金するため、繰り返しの質問を解決する専門特化のチームメイトは、働いたときにだけコストがかかります。サポートを担当していて、AIの熱狂が自社の事業を本当に理解するものに変わるのを待っていたなら、月がその概念実証を示してくれました。eeselを試す。無料で、自社のチケットに向けてみてください。

入手先と今後

すべてが公開されています。重みはnasa-ibm-ai4scienceコレクションのHugging Faceにあり、コードはGitHubのNASA-IMPACT/NASA-IBM-Lunar-Foundation-Modelにあります。オープンソースのTerraTorchツールキットにも組み込まれており、研究者が自分のタスク向けに微調整できます。

これは、より大きな流れの一部でもあります。このモデルは、NASAとIBMの地球向け地理空間モデルPrithviと、太陽のモデルSuryaに加わります。今後の計画は、惑星科学、天体物理学、生物・物理科学へと進むことです。NASAは、難しい科学分野を1つずつ、分野別の基盤モデルのファミリーとして静かに築き、それぞれをオープンソースにしています。

私が賭けたい戦略はこれです。何でも知っている1つのモデルではなく、それぞれが1つのことを深く知る専門家の艦隊です。月で通用します。太陽でも通用します。そして、ずっとありふれた形で、あなたのサポートの受信トレイでも通用します。

よくある質問