IBMとNASA、月面探査向け基盤AIモデルをオープン公開

ニュースの要点

IBMと米航空宇宙局（NASA）は2026年9月10日、月面探査向けの基盤AIモデル「NASA-IBM Lunar Foundation Model」をオープンソースで公開しました。月面の氷、クレーター、火山地形などを、大量の観測データから見つけやすくすることが目的です。

モデルは、NASAの月周回衛星や重力観測ミッションに加え、宇宙航空研究開発機構（JAXA）の月周回衛星「かぐや」など、4つのミッションと9種類の観測機器から得たデータを学習しています。両者は30を超える空間情報を位置合わせした機械学習用データセットも同時に公開しました。

発表によると、氷の候補地を推定する評価では、参照マップとの誤差指標RMSE（予測値と実測値のずれの大きさを示す値）が、比較モデルSwinV2-Bより約22％小さくなったとしています。クレーター検出でも、半分の学習データで比較モデルの全量学習時を上回る結果が示されました。いずれも特定の評価条件での結果です。

ニュース出典：IBM「IBM and NASA Release Open-Source AI Model to Support Lunar Exploration」（2026年9月10日）

イノベーション総研の考察

今回の公開で注目したいのは、月面画像を分析するAIの精度だけではありません。複数の機関や観測機器が持つデータを、研究者が共通して使える基盤に整えた点です。

研究開発型の新規事業でも、個別の用途ごとにAIを作る前に、再利用できるデータとモデルを用意できるかが開発速度を左右します。

月面研究の課題はデータ量より横断利用にある

NASAは長年の探査によって膨大な月面データを蓄積しています。ただし、観測機器ごとに解像度や測定対象が異なるため、研究者が複数のデータを重ねて分析するには前処理が必要でした。人が地図や画像を確認する方法や、目的別の小さなAIモデルでは、別の研究テーマへ展開するたびに作業をやり直します。

今回のデータセットは、30を超える情報を同じ位置で比較できるように整えています。価値の中心は新しいAIだけでなく、異なる観測データを再利用できる共通形式へ変えたことです。

オープン公開が研究者と利用目的を増やす

月面の氷、火山地形、クレーターは、それぞれ調べ方が異なります。そのため、開発元だけが閉じた環境で使う場合、利用者と検証できるテーマは限られます。これに対し、モデルとデータを公開すれば、大学や研究機関が自分たちの課題へ調整し、開発元が想定していない用途を試せます。

一方、公開すれば自動的に使われるわけではありません。実際には、説明資料、評価方法、更新履歴、研究成果の共有方法まで整える必要があります。つまり、オープン化は無料配布ではなく、外部の研究者を開発と検証に参加させる事業設計です。

共通モデルは研究テーマごとの初期費用を下げる

従来は、氷の探索やクレーターの分類など、研究目的ごとにデータを集めてモデルを作る必要がありました。これに対し、基盤モデル（大量のデータで事前に学習し、さまざまな用途に調整できるAIモデル）を出発点にすれば、利用者は必要な追加学習へ資源を集中できます。また、IBMとNASAが地理空間、気象、太陽圏の基盤モデルに続いて月面へ広げたことからも、同じ開発方法を別分野へ反復する考えが読み取れます。

ただし、すべての研究に一つのモデルが最適とは限りません。用途に必要な精度を満たしたうえで、データ準備・追加学習・確認にかかる総時間と費用を比較します。

精度の数字を現場の判断へ結び付ける必要がある

技術報告の表7では、氷の候補地の誤差指標は0.0377から0.0293へ低下しています。これは氷の存在を現地で確認した割合ではありません。表4の広域クレーター検出では、学習データ50％のモデルの平均適合率（mAP）が0.2541、比較モデルの全量学習時が0.2420でした。一方、より細かなメートル単位の検出では性能はほぼ同等とされます。技術報告（表4・5は16頁、表7は18頁）を確認すると、用途や評価指標を分けて読む必要があると分かります。

発表では複数の評価結果が示されましたが、数値の意味は用途によって変わります。たとえば、月面の氷の候補を絞る研究と、着陸地点の安全性を判断する業務では、見逃しと誤検出の許容範囲が同じではありません。さらに、モデルが候補を示した後に、誰がどの情報で確認するかも必要です。

継続利用されるには、研究論文の指標に加え、分析時間の短縮、追加観測の優先順位、判断の再現性を確かめる必要があります。AIの精度は単独で評価せず、その出力が次の観測や探査計画をどう変えたかまで追うことが重要です。

自社データを基盤資産に変える順序が参考になる

担当者の方が自社のデータを使った新サービスを考える場合、最初に万能なAIを目指す必要はありません。まず複数部門に散らばるデータの定義、粒度、更新頻度をそろえ、二つか三つの重要な業務で再利用できるかを確認します。その後、外部へ公開する範囲と権利、品質責任を決めます。

NASAとIBMの事例からは、モデルの開発とともにデータの共通化を進め、外部の利用者が検証へ参加できる形にする重要性を学べます。次の観測点は、公開モデルから新しい研究成果が生まれ、将来の月面着陸や資源探索の判断に採用されるかです。

この分野の市場構造と参入の考え方は、AI for Scienceが研究開発を変えるで詳しく整理しています。

まとめ

IBMとNASAは、月面探査の大量データを共通形式へ整え、再利用できる基盤AIモデルとして公開しました。研究開発型の新規事業では、個別用途の精度だけでなく、データの共通化と外部参加によって新しい用途を増やせるかが重要です。

執筆：イノベーション総合研究所