Le 10 septembre 2026, la NASA et IBM ont dévoilé le NASA-IBM Lunar Foundation Model, présenté comme l'un des premiers modèles d'intelligence artificielle publiquement disponibles conçus spécifiquement pour l'exploration scientifique de la Lune. Le modèle, ses poids et le jeu de données d'entraînement sont hébergés sur Hugging Face, avec le code complet sur GitHub, sous licence Apache 2.0. Cette publication intervient alors que le programme Artemis prépare un retour d'astronautes sur la Lune en 2028, avec un objectif affiché de présence humaine durable près du pôle sud lunaire.
Un modèle de fondation, pas un outil à tâche unique
Contrairement à un algorithme classique entraîné pour une seule fonction, un modèle de fondation apprend d'abord sur un très large socle de données non étiquetées, avant d'être adapté à des tâches précises par un réglage fin utilisant peu de données annotées. Selon Kevin Murphy, responsable des données scientifiques et de l'intelligence artificielle à la NASA, cité dans le communiqué conjoint, l'agence dispose depuis des décennies d'un registre scientifique considérable de la Lune, mais la collecte de données n'est qu'une partie du travail : il faut aussi les rendre exploitables par les chercheurs.
Le modèle a été entraîné principalement sur dix-sept années de données de la sonde Lunar Reconnaissance Orbiter (LRO), complétées par les missions GRAIL, Lunar Prospector de la NASA et SELENE de l'agence spatiale japonaise JAXA. L'ensemble représente environ deux millions de tuiles d'images, dont plus d'un million d'images haute résolution à un mètre par pixel et près de 964 000 images multispectrales à cent mètres par pixel.
Repérer la glace et les cratères plus vite, avec moins de données
Trois usages ont été testés en priorité : la détection des zones susceptibles de contenir de la glace près des pôles, la cartographie des cratères, et l'identification de formations volcaniques appelées « irregular mare patches ». Les résultats, comparés à un modèle de référence SwinV2-B développé par Microsoft et pré-entraîné sur des images ordinaires (ImageNet), varient légèrement selon les sources qui les rapportent : une réduction d'erreur de détection de glace évaluée à 23% par IBM et par Android MT, et à 22% par Tech Times. Sur la cartographie des cratères à résolution de cent mètres, le modèle dépasse la référence de 19%, tout en n'utilisant que la moitié des données étiquetées nécessaires à SwinV2-B. Sur les formations volcaniques, le gain de précision rapporté par Tech Times est de 3%, avec un coût de réglage fin plus faible.
Des obstacles propres à l'environnement lunaire
L'absence d'atmosphère sur la Lune produit des ombres totalement noires et tranchées, contrairement à la Terre où la lumière diffusée adoucit les contrastes. Un même cratère peut donc apparaître très différemment selon l'angle d'éclairage. Les méthodes classiques d'entraînement, qui masquent une partie d'une image pour que le modèle en reconstitue le reste, se sont d'abord révélées peu efficaces, de nombreux cratères se ressemblant fortement depuis l'orbite. L'équipe a résolu ce problème en divisant la surface lunaire en segments distincts, en séparant strictement les zones d'entraînement des zones de test, et en construisant une grille où chaque pixel est relié à plusieurs types de données scientifiques.
SomBench, un socle de données partagé au-delà du modèle
Au-delà du modèle lui-même, NASA et IBM publient un jeu de données unifié, désigné SomBench par Tech Times, qui rassemble plus de trente couches de données spatialement alignées issues de neuf instruments répartis sur quatre missions, pour un total d'environ deux millions de lots de tuiles co-enregistrées. Pour Juan Bernabé-Moreno, directeur d'IBM Research pour l'Europe, le Royaume-Uni et l'Irlande, cette base structurée constitue une contribution scientifique en soi, indépendamment des modèles qui l'exploiteront à l'avenir, les modèles d'IA devenant rapidement obsolètes alors que des données bien organisées conservent leur valeur bien plus longtemps.
Pourquoi l'ouverture plutôt qu'un modèle fermé
Ce modèle rejoint la famille Prithvi, un ensemble de modèles de fondation développés par IBM et la NASA : le modèle Prithvi originel pour l'observation terrestre en 2023, Prithvi-EO-2.0 co-développé avec le centre allemand Jülich et récompensé par un prix de l'American Geophysical Union en 2025, Prithvi-WxC pour la météorologie publié en septembre 2024, puis Surya pour l'héliophysique en 2025. Un modèle martien serait déjà en préparation selon Tech Times. La stratégie revendiquée est constante : financer un pré-entraînement coûteux sur des données d'archives publiques, puis le rendre accessible pour que la communauté scientifique mondiale l'adapte à ses propres questions à moindre coût.
L'argument mis en avant par IBM et la NASA est que les données scientifiques accumulées pendant dix-sept ans par le LRO ont plus de valeur si elles alimentent un socle réutilisable par tous, plutôt qu'un outil propriétaire à usage unique.
Comparatif des performances annoncées
| Tâche | Référence comparée | Résultat annoncé | Source |
|---|---|---|---|
| Détection de glace polaire | SwinV2-B (Microsoft, pré-entraîné ImageNet) | Réduction d'erreur de 22 à 23% | Android MT, Tech Times |
| Cartographie des cratères (résolution 100 m) | SwinV2-B | +19% de précision, moitié des données étiquetées | Android MT, Tech Times |
| Formations volcaniques (mare patches irrégulières) | Modèle de référence spécifique à la tâche | +3% de précision, coût de réglage fin réduit | Tech Times |
Ce que cela change pour les chercheurs francophones
L'ouverture des poids et du jeu de données sous licence Apache 2.0 signifie qu'une université ou un laboratoire francophone peut télécharger le modèle, l'adapter avec ses propres données étiquetées et l'exécuter sur du matériel de calcul scientifique standard, sans dépendre d'un accord commercial avec un fournisseur unique.
Cette logique d'ouverture rejoint celle déjà suivie par des modèles comme Mistral, DeepSeek, Llama ou Qwen, que des plateformes françaises multi-modèles regroupent aux côtés de modèles fermés. Moon AI, éditée par Stellarr Studio SAS, propose ainsi plus de 70 modèles sous un abonnement unique, avec une application et un stockage hébergés chez OVHcloud à Strasbourg et Roubaix. Ce type d'agrégation ne remplace pas l'usage direct d'un modèle scientifique ouvert comme celui de la NASA et d'IBM, mais illustre la même tension : celle entre l'accès mutualisé à des modèles variés et la dépendance à un fournisseur fermé unique. Pour un institut souhaitant croiser des sorties de modèles génériques avec des analyses lunaires spécialisées, la question de l'hébergement des flux de travail et du traitement des données transmises à des modèles tiers reste distincte de celle de l'accès au modèle NASA-IBM lui-même, disponible gratuitement sur Hugging Face.
Questions fréquentes
Où trouver le NASA-IBM Lunar Foundation Model ?
Le modèle est disponible gratuitement sur Hugging Face, et son code complet est publié sur GitHub pour les tests et l'expérimentation, sous licence Apache 2.0.
Le modèle est-il vraiment gratuit et sans restriction ?
Les sources indiquent une licence Apache 2.0 pour le modèle, le jeu de données SomBench et le code de réglage fin, ce qui correspond à une licence ouverte permettant réutilisation et modification. Les conditions précises d'usage commercial éventuel n'ont pas été détaillées dans les communications consultées.
Quelles données ont servi à l'entraîner ?
Le modèle repose principalement sur dix-sept années de données de la sonde Lunar Reconnaissance Orbiter, complétées par les missions GRAIL et Lunar Prospector de la NASA ainsi que SELENE de la JAXA, pour un total d'environ deux millions de tuiles d'images.
Quel lien avec les missions Artemis à venir ?
Le programme Artemis vise un retour d'astronautes sur la Lune en 2028, avec un objectif de présence durable près du pôle sud, où la glace pourrait fournir eau potable, oxygène et carburant. La mission JAXA-ISRO LUPEX, prévue au plus tôt en 2028, doit échantillonner directement la glace dans les régions polaires en ombre permanente, en s'appuyant potentiellement sur les cartes issues de ce type de modèle.