نموذج الأساس القمري المشترك بين ناسا وIBM: الاستخدامات والنتائج وطرق الوصول إليه

نموذج «Lunar Foundation Model» المشترك بين وكالة ناسا وشركة آي بي إم هو نموذج مفتوح يعتمد على الذكاء الاصطناعي ويُستخدم لتحليل رصدات القمر. وقد أُعلن عن هذا المشروع في 10 سبتمبر 2026، ويمكن تكييفه للكشف عن الحفر، ورسم ملامح المعالم البركانية، والتنبؤ بالأنماط في خريطة احتمالية وجود الجليد. وتتعلق المكاسب المبلغ عنها بمعايير بحثية محددة: فالنتيجة الرئيسية المتعلقة بالجليد هي انخفاض خطأ التنبؤ، وليس اكتشاف المزيد من المياه على القمر.

بالنسبة للطلاب والباحثين، فإن نقاط الانطلاق المفيدة هي بطاقة النموذج الرسمية, ، والتقرير الفني، والكود الذي تم نشره. وتوضح هذه العناصر مجتمعةً ما تعلمه النموذج، والمهام التي تم تقييمها، وما تحتاجه لإنشاء تجربتك الخاصة.

إذا كانت مهمتك الأولى هي فهم البحث،, جلوبال جي بي تي تي يجمع بين اكتشاف المصادر، وتحليل الوثائق، والاستدلال، والكتابة في مساحة عمل واحدة متعددة النماذج. ويوفر طريقة ميسورة التكلفة للانتقال من المصطلحات العلمية غير المألوفة إلى موجز بحثي واضح من خلال اشتراك واحد.

جرب أكثر من 100 نموذج من أفضل النماذج على GlobalGPT

ما هو نموذج الأساس القمري المشترك بين وكالة ناسا وشركة آي بي إم؟

إعلان وكالة ناسا يقدم المشروع باعتباره نموذجًا أساسيًّا لعلوم القمر، تم تطويره بالتعاون مع شركة IBM. ويتعلم النموذج الأساسي أنماطًا قابلة لإعادة الاستخدام من مجموعة واسعة من البيانات؛ ثم يقوم الباحثون بتكييف تلك الأنماط لتناسب مهمة أضيق نطاقًا. وفي هذه الحالة، تتمثل المواد في بيانات الاستشعار عن بُعد الخاصة بالقمر، وليس اللغة اليومية.

يستخدم نظام LFM المشترك بين ناسا وشركة IBM مشفرًا ومفككًا يعملان بتقنية «Vision Transformer»، مع بنية ViT-B. وتشمل مدخلاته الصور ومنتجات الرصد الأخرى بدقة مكانية مختلفة. ويمكن للعالم تكييف التمثيل الناتج لأغراض الكشف أو التجزئة أو الانحدار — وهي ثلاث طرق للعثور على الكائنات، وتحديد المناطق، والتنبؤ بالقيم العددية.

وهذا يجعل هذا الإصدار مفيدًا للفرق التي تعمل على خرائط القمر وللطلاب الذين يدرسون التعلم الآلي في مجال الكواكب. كما أن الاطلاع على المشروع يستحق العناء لأي شخص يسعى إلى فهم كيفية تقييم نموذج الذكاء الاصطناعي العلمي. غير أن استخدام نقطة التحقق الخاصة به يُعد مسار عمل بحثي حاسوبي أكثر منه محادثة عبر الدردشة.

ما هي البيانات التي يتعلم منها؟

إن بطاقة النموذج يصف بيانات التدريب الخاصة بـ «SomBench»: 963,609 حزمة مربعات من الكاميرا ذات الزاوية العريضة (WAC) و1,000,113 حزمة من الكاميرا ذات الزاوية الضيقة (NAC). يبلغ مقياس WAC حوالي 100 متر لكل بكسل؛ بينما يبلغ مقياس NAC حوالي 1 متر لكل بكسل. وهذا يمنح النموذج سياقًا أوسع للتضاريس وتفاصيل سطحية أدق بكثير، عبر ما يقارب مليوني حزمة.

تصف شركة IBM موارد البيانات الأوسع نطاقاً وهي تتألف من أكثر من 30 طبقة مُحاذاة من تسع أجهزة تابعة لأربع بعثات. وتحدد بطاقة النموذج 11 طريقة إدخال. وتصف هذه الأرقام المراحل المختلفة لمسار معالجة البيانات: طبقات المصدر، وأمثلة التدريب المُجمَّعة، وأنواع المدخلات التي يقوم النموذج بترميزها.

تعد الإضاءة جزءًا من التصميم أيضًا. حيث يتلقى النموذج بيانات هندسة الرصد، بما في ذلك زوايا الإضاءة، كسياق صريح. ويساعد ذلك في التمييز بين شكل السطح تحت إضاءة معينة وأنماط التضاريس الأساسية التي يتعلمها النموذج.

لا يمكن للبكسل الذي يمثل ما يقارب 100 متر من التضاريس أن يكشف عن نفس التفاصيل التي يكشف عنها البكسل الذي يمثل ما يقارب 1 متر. ولهذا السبب تستحق نتائج فوهات WAC وNAC اهتمامًا منفصلاً. فالتحسن الذي يتحقق في الصور واسعة النطاق لا يعني بالضرورة تحقيق نفس التحسن في ملامح السطح الصغيرة.

يتبع المشروع نهج التدريب المسبق لـ «تيرامايند»، لكنه يتم تدريبه على بيانات قمرية من الصفر. ولذلك، ينبغي فهمه على أنه نموذج تم بناؤه خصيصًا لمراقبة القمر، وليس مجرد نسخة من نموذج مراقبة الأرض تحت اسم جديد. والسؤال المهم هنا هو: كيف تساعد التمثيلات التي تعلمها النموذج في إنجاز مهمة قمرية معينة؟.

ثلاث مهام يمكنه دعمها

تغطي التقييمات المنشورة ثلاث مجموعات من المهام. تنتج كل مجموعة منها نوعًا مختلفًا من الإجابات، لذا فإن معنى كلمة “أفضل” يتغير باختلاف المهمة.

يمكن أن يساعد اكتشاف الحفر وتقسيم المعالم البركانية الباحثين في تنظيم الصور وتحليلها. وتعتمد فائدتهما على التسميات والمقياس ومنطقة التقييم. فالنموذج الذي يحقق أداءً جيدًا على مجموعة اختبار محددة لا يزال بحاجة إلى التقييم بناءً على البيانات والمسائل العلمية الخاصة بمشروع جديد.

تتطلب التوقعات المتعلقة بالجليد تفسيرًا دقيقًا للغاية. الهدف هو وضع خريطة قائمة على المعرفة تحدد الأماكن التي يُرجح وجود الجليد فيها، وليس إجراء قياس مباشر لرواسب الجليد. ويمكن أن يسهم التوافق الأكبر مع تلك الخريطة في دعم الأبحاث المتعلقة بالأنماط والمناطق المرشحة. ولا يعني ذلك أنه تم العثور على كمية إضافية من المياه.

ماذا تعني نتائج الاختبارات المعيارية؟

إن تقرير فني يقدم المتوسطات والانحرافات المعيارية عبر خمسة بذور عشوائية. وتقارن نتائجه تكوينات نموذج القمر المعدلة مع خطوط الأساس المحددة لنموذج الرؤية. وقد قمنا بمراجعة الجداول المنشورة؛ ولم نقم بإعادة إجراء تجارب نموذج القمر.

تجيب المقاييس على أسئلة مختلفة. يقيّم متوسط الدقة (mAP) عمليات كشف الكائنات؛ ويقيس التداخل على الاتحاد (IoU) التداخل بين المناطق المتوقعة والمصنفة؛ ويقيس متوسط الجذر التربيعي للخطأ (RMSE) الخطأ العددي في التنبؤ. كلما ارتفعت قيمتي mAP و IoU، كان ذلك أفضل، بينما كلما انخفضت قيمة RMSE، كان ذلك أفضل. ولا ينبغي دمجها في درجة دقة واحدة.

تُظهر نتيجة اختبار الجليد 22% انخفاضًا في معدل الخطأ

فيما يتعلق باحتمالية وجود الجليد، فإن أقوى تكوين قمري تم الإبلاغ عنه يسجل خطأً جذريًّا متوسطًّا (RMSE) يبلغ 0.0293، مقابل 0.0377 لنموذج SwinV2-B. والحساب هو (0.0377 − 0.0293) ÷ 0.0377 × 100 = 22.3%. يقيس RMSE خطأ التنبؤ مقارنةً بالخريطة المستهدفة؛ وكلما انخفضت القيمة، كان ذلك أفضل. وهذه النسبة المئوية ليست مؤشراً للدقة ولا تعكس تغيراً في كمية الجليد القمري.

تعتمد نتائج الحفرة على وحدة القياس ومقياس البيانات

باستخدام 50% من بيانات التدريب الخاصة بـ WAC، سجل النموذج القمري متوسط دقة التصنيف (mAP) قدره 0.2541 مقابل 0.2313 لنموذج SwinV2-B. كما أن نتيجة نموذج القمر هذه تتجاوز أيضًا القيمة المرجعية البالغة 0.2420 باستخدام 100% من البيانات التدريبية. تستخدم المقارنة الأولى حصصًا متساوية من البيانات؛ أما الثانية فهي دليل على كفاءة التصنيف في هذه التجربة بالذات.

يمكن التوفيق بين تحسن «الحفرة» الذي حققته شركة IBM والبالغ حوالي 19% وقيم AP@75 الواردة في التقرير عند 50% من بيانات التدريب: 0.2213 مقابل 0.1862، وهو ما يمثل زيادة نسبية قدرها 18.9%. يقيّم مؤشر AP@75 عمليات الكشف عند عتبة تداخل معينة. ولا ينبغي إعادة تصنيفها على أنها زيادة قدرها 19% في مقياس mAP الوارد في الجدول.

على مقياس NAC الأكثر دقة، تبلغ قيمة mAP لنموذج القمر 0.1543، بينما تبلغ قيمة mAP للنموذج المرجعي 0.1552. بالنسبة لـ «بقع البحر القمرية غير المنتظمة» (Irregular Mare Patches)، تبلغ قيم IoU المعلنة للمقدمة 0.5709 و0.5687 مقارنةً بـ ConvNeXtV2-B. ويصف المؤلفون هذه المهام بأنها قابلة للمقارنة مع خطوط الأساس القوية. ولا تدعم الاختلافات الطفيفة، إلى جانب التباين المبلغ عنه بين الجولات، الادعاء بأن النموذج القمري يتفوق في جميع الحالات.

أين يمكن الحصول عليه وما هي تكاليف الاستخدام

ابدأ بالموارد الرسمية الواردة أدناه. تخضع أوزان النموذج والرمز لترخيص Apache-2.0، ونقطة الفحص متاحة للجمهور. يصف المستودع على وجه التحديد إصدار التحسينات الدقيقة والاستدلال; ؛ وهو يستبعد صراحةً كود التدريب المسبق.

إذا كنت ترغب في تكييف النموذج، فاختر المهمة التالية قبل إعداد التجربة. يوفر المستودع مكونات وتكوينات متوافقة مع TerraTorch تربط بين نقطة التحقق والمهمة والبيانات. TerraTorch هو إطار العمل البرمجي المستخدم لتنظيم سير عمل التدريب والتقييم.

1. اقرأ بطاقة النموذج وملف README، ثم اختر «الكشف» أو «التجزئة» أو «الانحدار» بناءً على السؤال العلمي.
2. احصل على البيانات ذات الصلة ونقطة الفحص الرسمية، وافحص تكوين المهام وتعليمات البيئة الخاصة بالمستودع.
3. قم بإعداد البيانات اللازمة لهذا التكوين وقم بتشغيل سير العمل ذي الصلة الخاص بالضبط الدقيق أو الاستدلال.
4. قم بالتقييم مقارنةً بخط أساس مناسب واحتفظ بتقسيم البيانات والإعدادات والنتائج حتى يمكن التحقق من النتيجة.

يُزيل الوصول المفتوح خطوة شراء ترخيص النموذج من عملية البدء، لكن إجراء التجربة لا يزال ينطوي على تكاليف. فأنت بحاجة إلى موارد حوسبة، وتخزين، وإعداد البيانات، والوقت اللازم للتقييم. ولا تأتي نقطة التحقق التي تم إصدارها تلقائيًا مع واجهة برمجة تطبيقات (API) مستضافة أو وقت مجاني لاستخدام وحدة معالجة الرسومات (GPU)، كما أن المصادر لا تحدد حدًا أدنى عالميًا لاستخدام وحدة معالجة الرسومات لكل مهمة لاحقة.

استخدام الذكاء الاصطناعي لفهم الأبحاث

السؤال الأول المثمر هو سؤال محدد النطاق: “ما الذي يقيسه بالفعل التحسن المعلن عنه في 22%؟” والإجابة على هذا السؤال تتطلب هدفًا، ومقياسًا، وخط أساس، وحسابًا. والسؤال عن هذه العناصر الأربعة أكثر فائدة من سؤال أحد المساعدين عما إذا كان النموذج مثيرًا للإعجاب أم لا.

يتيح لك GlobalGPT متابعة مهام القراءة هذه بدءًا من البحث عن المصادر، مرورًا بشرح الوثائق، وصولاً إلى الكتابة، دون الحاجة إلى التنقل بين أدوات منفصلة لكل خطوة. وللحصول على منهجية قابلة للتكرار،, إعداد موجز بحثي تم التحقق من مصادره مع تقديم قائمة مصادر موجزة وأسئلة محددة قبل طلب ملخص منقح.

قمنا باختبار نسخة مصغرة من هذا المسار العملي باستخدام نظام GPT-5.6 Sol. وقد تلقى النظام حزمة معلومات مستخلصة من المصادر الرسمية الأربعة، وكان عليه إعداد موجز إعلامي قصير، وتصنيف ستة ادعاءات، وحساب انخفاض خطأ الجذر المتوسط المربع (RMSE)، واقتراح خطوات عملية تالية. اعتمدت المهمة على النصوص المتوفرة؛ ولم تقم بالبحث عن أدلة جديدة.

النظام
أنت محرر بحثي دقيق تكتب لطلاب جامعيين. استخدم فقط حزمة المصادر المُقدَّمة. لا تبحث في مصادر أخرى. ميّز بين قياسات المعايير المرجعية المُبلغ عنها والقياسات العلمية الواقعية. اذكر معرّفات المصادر بين أقواس مربعة. إذا كان هناك ادعاء غير مدعوم، فاذكر ذلك بوضوح. لا تختلق أي اقتباسات أو أسعار أو متطلبات أجهزة أو نتائج تجريبية. قدم الإجابة المطلوبة، لا الاستدلال الخفي.

المستخدم
حوّل حزمة المصادر إلى مذكرة بحثية عملية. قم بتسليم: (1) موجز بلغة إنجليزية بسيطة يتراوح بين 100 و130 كلمة؛ (2) جدول من ستة صفوف للتحقق من الادعاءات، باستخدام عبارة «مدعوم» أو «غير مدعوم» بالضبط، مع رقم تعريف المصدر، وشرح من جملة واحدة لكل ادعاء مقدم؛ (3) الانخفاض النسبي في RMSE المحسوب من 0.0377 إلى 0.0293، مقربًا إلى رقم عشري واحد، مع الصيغة وجملة واحدة تشرح ما لا يقيسه هذا الانخفاض؛ (4) ثلاث خطوات عملية تالية للطالب الذي يرغب في فحص النموذج المنشور أو تكييفه. يجب ألا يتجاوز عدد كلمات الإجابة 500 كلمة.

الادعاءات المطلوب التحقق منها:
1. أعلنت وكالة ناسا وشركة IBM عن النموذج علنًا في 10 سبتمبر 2026.
2. انخفض خطأ المتوسط المربع (RMSE) المبلغ عنه لتوقعات وجود الجليد من 0.0377 لنموذج SwinV2-B إلى 0.0293 للنموذج القمري الكامل المُحسَّن بدقة.
3. اكتشف النموذج 22% من جليد الماء الحقيقي على القمر.
4. قامت وكالة ناسا بالتحقق من صحة هذا النموذج لأغراض اعتماد مواقع الهبوط والتأكد من خلوها من المخاطر.
5. يتضمن الإصدار على GitHub كود التدريب المسبق.
6. تضمن نقطة التحقق المفتوحة أن الحوسبة باستخدام وحدة معالجة الرسومات (GPU) والاستدلال المستضاف مجانيان.

حزمة المصادر:
[S1] إعلان وكالة ناسا، 10 سبتمبر 2026.
العنوان: وكالة ناسا وشركة IBM تطلقان نموذجًا أساسيًا للذكاء الاصطناعي لعلوم القمر.
رابط URL: https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
أعلنت وكالة ناسا عن نموذج أساسي لعلوم القمر تم تطويره بالتعاون مع شركة IBM. ويتم استضافته علنًا على منصة Hugging Face، مع توفر الكود على GitHub. ويمكن تكييفه لرسم خرائط الحفر، وتحديد المعالم البركانية، وأبحاث الجليد القطبي.

[S2] بطاقة النموذج الرسمية والتقرير الفني المشترك بين وكالة ناسا وشركة IBM، تم التحقق منهما في 28 سبتمبر 2026.
رابط بطاقة النموذج: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
رابط التقرير الفني: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model/blob/main/NI_LFM_Technical_Report.pdf
يقدم الجدول 7 من التقرير (صفحة 18) متوسط الجذر التربيعي للخطأ (RMSE) لمجموعة الاختبار فيما يتعلق بانحدار احتمالية وجود الجليد. كلما انخفضت القيمة، كان ذلك أفضل. المتوسط زائد/ناقص الانحراف المعياري على خمسة بذور عشوائية: نموذج LFM المشترك بين ناسا وIBM مع الضبط الدقيق الكامل، 0.0293 +/- 0.0013؛ SwinV2-B المُدرَّب مسبقًا على ImageNet، 0.0377 +/- 0.0004. الهدف هو إنشاء خريطة لاحتمالية وجود الجليد قائمة على المعرفة. هذه هي نتائج المقارنة المعيارية التي أوردها المؤلفون، وليست تكرارًا مستقلًا أو قياسًا مباشرًا للجليد المائي.
الجدول 4 (الصفحة 16)، فوهات WAC باستخدام بيانات التدريب 50%: يبلغ mAP لصندوق الحدود 0.2541 +/- 0.0018 لنموذج LFM المُحسَّن بالكامل و0.2313 +/- 0.0027 لنموذج SwinV2-B. في نفس الصفوف، تبلغ قيمة AP@75 0.2213 ± 0.0028 و0.1862 ± 0.0041 على التوالي. يجب عدم التبادل بين هذه المقاييس.

[S3] بطاقة النموذج الرسمية، الاستخدام المقصود / خارج النطاق / القيود.
رابط URL: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
الاستخدام المقصود هو الاستشعار عن بُعد للقمر من خلال الضبط الدقيق أو تكييف LoRA للكشف والتجزئة والانحدار الكثيف. لم يتم التحقق من صحة النموذج لترخيص مواقع الهبوط أو إزالة المخاطر. تنتج مخرجات احتمالية وجود الجليد خريطة قائمة على المعرفة، وليست قياسات فعلية للجليد. الحقول التي تم إنشاؤها هي استقصاءات نوعية، وليست تنبؤات علمية معايرة. لا يحافظ النموذج على إطار مرجعي جيوديسي مطلق. ولم يتم تقييمه خارج نطاق القمر. الترخيص المذكور هو Apache-2.0. لا تشير الصفحة إلى أي نشر لمزود الاستدلال. لا تقدم هذه الحزمة أي وعد بحوسبة GPU مجانية أو استدلال مستضاف مجانًا، ولا توجد حد أدنى للأجهزة أو سعر لواجهة برمجة التطبيقات (API) المستضافة.

[S4] ملف README الرسمي على GitHub، تم التحقق منه في 28 سبتمبر 2026.
رابط URL: https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model
يصف المستودع إصدارًا للضبط الدقيق والاستدلال. لم يتم تضمين كود التدريب المسبق. يمكن تنزيل الأوزان والتكوين من مستودع نماذج Hugging Face الرسمي. يتم توفير وحدات البيانات والمهام وأغلفة البنية الأساسية وتكوينات المهام المتوافقة مع TerraTorch. يتطلب الضبط الدقيق والاختبار البيانات ذات الصلة ونقاط التحقق وتكوين المهام. تذكر ملف README ترخيص Apache 2.0.

## 1. نبذة إعلامية

أعلنت وكالة ناسا وشركة IBM عن نموذج Lunar Foundation Model في 10 سبتمبر 2026. ويوفر الإصدار العام الأوزان على منصة Hugging Face ورموز الضبط الدقيق والاستدلال على GitHub، ويستهدف مهام الاستشعار عن بُعد على سطح القمر مثل رسم خرائط الحفر، وتحديد المعالم البركانية، وأبحاث الجليد القطبي. يُذكر أن معيار قياس «احتمالية وجود الجليد» (ice-prospectivity) الذي تم الإبلاغ عنه يحسّن خطأ الجذر المتوسط المربع (RMSE) مقارنةً بنموذج SwinV2-B المُدرَّب مسبقًا على ImageNet، لكن الهدف هو إنشاء خريطة قائمة على المعرفة، وليس قياس الجليد القمري بشكل مباشر. وقد أبلغ المؤلفون عن هذه النتيجة بناءً على خمسة بذور عشوائية، وهي ليست نتيجة تكرار مستقل. يُقصد بالنموذج أن يتم تكييفه عبر الضبط الدقيق الكامل أو LoRA، ولكنه لم يتم التحقق من صلاحيته لاعتماد مواقع الهبوط أو إزالة المخاطر. لا يتوفر كود التدريب المسبق، ولا يعد الإصدار بتوفير حوسبة GPU مجانية ولا استدلال مستضاف. [S1][S2][S3][S4]

## 2. جدول التحقق من الادعاءات

| الادعاء | الحكم | المصدر | التفسير |
|---|---|---|---|
| 1 | مدعوم | [S1] | يعود تاريخ إعلان وكالة ناسا إلى 10 سبتمبر 2026، ويحدد النموذج على أنه مشروع مشترك بين وكالة ناسا وشركة IBM. |
| 2 | مدعوم | [S2] | يورد الجدول 7 قيم RMSE تبلغ 0.0377 لنموذج SwinV2-B و0.0293 للنموذج القمري المُحسَّن بالكامل. |
| 3 | غير مدعوم | [S2] | الأرقام هي أخطاء قياسية مقارنة بخريطة احتمالية قائمة على المعرفة، وليست قياسات حقيقية لجليد الماء القمري. |
| 4 | غير مدعوم | [S3] | تشير بطاقة النموذج صراحةً إلى أن النموذج لم يتم التحقق من صحته لأغراض اعتماد مواقع الهبوط أو إزالة المخاطر. |
| 5 | غير مدعوم | [S4] | يوفر مستودع GitHub موارد الضبط الدقيق والاستدلال، لكنه يستبعد كود التدريب المسبق. |
| 6 | غير مدعوم | [S3] | لا تعد الحزمة بتوفير أي حوسبة مجانية على وحدة معالجة الرسومات (GPU) أو استدلال مستضاف، ولا تشير إلى أي نشر لمزود الاستدلال. |

## 3. الانخفاض النسبي في RMSE

\[
\frac{0.0377-0.0293}{0.0377}\times 100 = 22.3\%
\]

هذا يمثل **انخفاضًا نسبيًا قدره 22.3% في RMSE المعياري الذي أبلغ عنه المؤلف**؛ ولا يقيس هذا الانخفاض أي جليد مائي حقيقي إضافي تم اكتشافه أو أداءً علميًا تم التحقق منه بشكل مستقل. [S2]

## 4. الخطوات العملية التالية

1. اقرأ الاستخدامات المقصودة لبطاقة النموذج، وقيودها، ورخصة Apache-2.0 قبل اختيار مهمة الكشف أو التجزئة أو الانحدار. [S3]
2. قم بتنزيل نقطة الفحص الرسمية والتكوين من Hugging Face، ثم افحص أغلفة البنية الأساسية على GitHub وتكوينات المهام. [S4]
3. احصل على مجموعة البيانات القمرية ذات الصلة واستخدم المكونات المتوافقة مع TerraTorch المتوفرة لإجراء الضبط الدقيق والاختبار، مع توثيق أن كود التدريب المسبق غير متاح وأن نتائج المقارنة المعيارية تتطلب تقييمًا مستقلًا. [S2][S4]

وكانت النتيجة المفيدة هي الحفاظ على الفروق التالية: خطأ المعيار المرجعي مقابل الجليد المكتشف، والاستخدام البحثي مقابل شهادة الهبوط، ورمز التكييف الذي تم إصداره مقابل رمز التدريب المسبق الغائب. ونظرًا لأن هذه الحدود كانت موجودة بالفعل في حزمة المصدر، فإن هذا دليل على نجاح مهمة القراءة والتوليف، وليس دليلًا على أن المساعد سيكتشف كل تحفظ بشكل مستقل.

بالنسبة لمشروع أكبر،, التخطيط لجلسة بحثية أكثر تعمقًا بمساعدة الذكاء الاصطناعي حول أسئلة منفصلة تتعلق بالبيانات، والأساليب، والتقييم، والقيود. احتفظ بالجدول الأصلي بجانب المسودة وتحقق من كل رقم مرة أخرى بعد التعديل. فهذه العادة أهم من مدى سلاسة صياغة الملخص الأول.

القيود التي تكتسب أهمية في الممارسة العملية

تشير بطاقة النموذج إلى أن النموذج القمري لم يتم التحقق من صحته فيما يتعلق بالقرارات التشغيلية، مثل اعتماد موقع الهبوط أو التأكد من خلو الموقع من المخاطر. وقد يساعد النموذج العلمي في استكشاف الملاحظات دون أن يكون جاهزًا للتأكيد على أن المركبة الفضائية يمكنها الهبوط بأمان في مكان ما. وتتطلب تلك الاستخدامات مستوى مختلفًا من التحقق من الصحة.

كما يتعين توخي الحذر عند التعامل مع الحقول المُولَّدة. فالنموذج لا يحافظ على إطار مرجعي جيوديسي مطلق، وقد تنحرف القيم المُولَّدة عن القيم الفيزيائية. ويصف المؤلفون عملية التوليد بأنها استقصاء نوعي وليس تنبؤًا علميًّا مُعايرًا. ولا ينبغي اعتبار خريطة التضاريس أو خريطة المراقبة التي تبدو معقولة على أنها منتج تم قياسه.

لم يتم تقييم نقطة التحقق هذه خارج نطاق القمر. وحتى في إطار الأبحاث القمرية، فإن النتائج المرجعية متباينة: مكاسب واضحة في بعض المهام ونتائج مماثلة في مهام أخرى. والدرس الذي يمكن استخلاصه هو تقييم النموذج مقارنةً بالهدف، والنطاق، والبيانات، والخط الأساسي التي تتوافق مع تجربتك.

الأسئلة الشائعة

هل نموذج «Lunar Foundation Model» المشترك بين ناسا وشركة IBM متاح للاستخدام مجانًا؟

تشير بطاقة النموذج الرسمية ومستودع الكود إلى ترخيص Apache-2.0، كما أن نقطة التحقق متاحة للجمهور. ولا يزال إجراء التجارب يتطلب موارد حاسوبية مناسبة، وإعداد البيانات، وتقييمًا خاصًا بالمهمة. ولا يضمن الوصول المفتوح إلى النموذج توفر حوسبة مجانية عبر وحدة معالجة الرسومات (GPU) أو استدلال مستضاف.

هل يُعد «نموذج الأساس القمري» المشترك بين ناسا وشركة آي بي إم روبوتًا محادثًا؟

وهو نموذج أساسي للاستشعار عن بُعد للقمر، صُمم للعمل مع الصور ومنتجات التضاريس وبيانات الرصد ذات الصلة. ويقوم الباحثون بتكييفه لمهام الكشف والتجزئة والانحدار. ويمكن لمساعد الدردشة المساعدة في شرح الوثائق، لكن التفاعل مع روبوت الدردشة يمثل سير عمل مختلفًا عن تشغيل هذا النموذج.

هل اكتشف النموذج المزيد من الجليد المائي على القمر؟

تقيس نتيجة الجليد المُبلغ عنها مدى تطابق التنبؤات مع خريطة احتمالية وجود الجليد القائمة على المعرفة. وينخفض أفضل خطأ متوسط مربع (RMSE) المبلغ عنه من 0.0377 إلى 0.0293 مقارنةً بخط الأساس المذكور، وهو ما يمثل انخفاضًا نسبيًا يبلغ حوالي 22%. ويُعد هذا تحسنًا في الأداء المعياري؛ وهو ليس مقياسًا للكمية الإضافية من الجليد التي تم اكتشافها.

هل يمكنني استكشاف المشروع دون كتابة أي كود برمجي؟

يمكنك قراءة إعلان وكالة ناسا، والاطلاع على بطاقة النموذج، واستكشاف جداول المقارنة المعيارية المنشورة، وزيارة صفحة العرض التوضيحي الرسمية دون الحاجة إلى إنشاء مسار تدريب. ويتطلب تكييف نقطة التحقق التي تم إصدارها مع مهمة علمية استخدام الكود والبيانات وتكوينات TerraTorch الموجودة في المستودع، يلي ذلك إجراء عملية التحقق الخاصة بالمهمة.

ما هي الصلة بين النموذج القمري و«بريثفي» و«سوريا»؟

وهي جزء من التعاون الأوسع نطاقًا بين وكالة ناسا وشركة آي بي إم في مجال النماذج الأساسية للعلوم. وتصف وكالة ناسا نماذج «بريثفي» بأنها مخصصة لرصد الأرض وتطبيقات الأرصاد الجوية، ونماذج «سوريا» للفيزياء الشمسية، والنموذج القمري لرصد القمر. وتختلف مجالات تطبيقها والمهام المقصودة منها؛ ولم يتم تقييم النقطة المرجعية القمرية خارج نطاق القمر.

يوفر «نموذج الأساس القمري» المشترك بين وكالة ناسا وشركة آي بي إم نقطة انطلاق قابلة لإعادة الاستخدام لأبحاث الاستشعار عن بُعد الخاصة بالقمر. استخدم الجداول الرسمية لفهم نقاط قوة هذا النموذج، وبطاقة النموذج لتحديد حدوده، والموارد المتاحة للتخطيط لتجربة مخصصة لمهمة معينة. إذا كان هدفك المباشر هو التعلم أو الكتابة، فابدأ بتحويل تلك المصادر إلى موجز تم التحقق من صحة معلوماته.