NASA จับมือ IBM เปิดโมเดล AI ศึกษาดวงจันทร์ให้ใช้ฟรี ช่วยหาน้ำแข็งและจุดลงจอดที่ปลอดภัยได้แม่นขึ้น

NASA และ IBM เปิดตัวโมเดล AI สำหรับศึกษาดวงจันทร์ที่ใครก็ดาวน์โหลดไปใช้ได้ฟรีเมื่อวันที่ 10 กันยายน 2026 โมเดลนี้ช่วยอ่านภาพถ่ายและแผนที่ดวงจันทร์ที่สะสมมาหลายสิบปี แล้วชี้ตำแหน่งที่อาจมีน้ำแข็ง หลุมอุกกาบาต และร่องรอยภูเขาไฟได้แม่นกว่าวิธีที่ใช้กันทั่วไปสูงสุดราว 23 เปอร์เซ็นต์ ข้อมูลเหล่านี้สำคัญโดยตรงต่อการเลือกที่ตั้งฐานของมนุษย์บนดวงจันทร์ในอนาคต

NASA เก็บข้อมูลดวงจันทร์มาหลายทศวรรษจากภารกิจจำนวนมาก เฉพาะยาน Lunar Reconnaissance Orbiter (LRO) ลำเดียวก็ส่งข้อมูลกลับมามากกว่าภารกิจสำรวจดาวเคราะห์อื่นของ NASA ทั้งหมดรวมกัน ปัญหาจึงไม่ใช่การขาดข้อมูล แต่คือข้อมูลมีมากเกินกว่าที่นักวิจัยจะไล่ดูได้ทัน โมเดลใหม่ที่ชื่อ NASA-IBM Lunar Foundation Model ถูกสร้างขึ้นมาเพื่อแก้ปัญหานี้

โมเดลประเภทนี้เรียกว่า foundation model หมายถึงโมเดลที่ฝึกกับข้อมูลจำนวนมหาศาลไว้ก่อนเป็นฐาน แล้วค่อยนำไปปรับใช้กับงานเฉพาะได้อีกหลายงาน โดยใช้ข้อมูลตัวอย่างที่มีคำตอบกำกับน้อยกว่าการสร้างโมเดลใหม่ตั้งแต่ต้นมาก ข้อได้เปรียบนี้สำคัญกับงานวิทยาศาสตร์ เพราะการให้ผู้เชี่ยวชาญมานั่งระบุคำตอบในภาพทีละภาพคือขั้นที่มีต้นทุนสูงที่สุด

ชุดข้อมูลที่ใช้ฝึกรวมชั้นข้อมูลที่จัดตำแหน่งให้ตรงกันกว่า 30 ชั้น จากอุปกรณ์ตรวจวัด 9 ชิ้นในภารกิจ 4 ภารกิจ ได้แก่ LRO, GRAIL และ Lunar Prospector ของ NASA รวมกับยาน SELENE หรือ Kaguya ขององค์การสำรวจอวกาศญี่ปุ่น (JAXA) NASA ระบุว่ามีภาพย่อยจากยาน LRO ราว 2 ล้านภาพ ในจำนวนนี้เป็นภาพกล้องความละเอียดสูงระดับ 1 เมตรกว่า 1 ล้านภาพ และภาพหลายช่วงคลื่นความละเอียด 100 เมตรอีกราว 964,000 ภาพ

NASA และ IBM ยกงานเริ่มต้นไว้สามงาน งานแรกคือทำแผนที่บริเวณที่อาจมีน้ำแข็งในหลุมที่ไม่เคยได้รับแสงอาทิตย์ ซึ่งถือเป็นทรัพยากรสำคัญของฐานบนดวงจันทร์ เพราะเป็นแหล่งน้ำและออกซิเจน และอาจใช้ผลิตเชื้อเพลิงสำหรับภารกิจที่ไกลกว่านั้น งานที่สองคือระบุ Irregular Mare Patches หรือร่องรอยภูเขาไฟอายุน้อยบนผิวดวงจันทร์ เพื่อทำความเข้าใจประวัติการเกิดภูเขาไฟ และงานที่สามคือตรวจจับหลุมอุกกาบาต ซึ่งใช้ประเมินอายุและธรณีวิทยาของพื้นที่ รวมถึงช่วยคัดเลือกจุดลงจอดที่ปลอดภัย

ด้านผลการทดสอบ IBM เทียบกับ SwinV2-B ซึ่งเป็นโมเดลภาพทั่วไปที่ฝึกด้วยชุดภาพ ImageNet และใช้กันแพร่หลาย พบว่างานคาดการณ์ตำแหน่งน้ำแข็งมีความคลาดเคลื่อนลดลงราว 22 เปอร์เซ็นต์ งานตรวจจับหลุมอุกกาบาตที่ความละเอียดราว 100 เมตรทำได้ดีกว่าราว 19 เปอร์เซ็นต์ทั้งที่ใช้ข้อมูลฝึกเพียงครึ่งเดียว และงานทำแผนที่ภูเขาไฟดีกว่าราว 3 เปอร์เซ็นต์ ภาพรวม IBM ระบุว่าทำได้ดีกว่าวิธีที่ใช้กันทั่วไปสูงสุดราว 23 เปอร์เซ็นต์

โมเดลเปิดให้ดาวน์โหลดบน Hugging Face ภายใต้บัญชี nasa-ibm-ai4science พร้อมโค้ดทั้งหมดบน GitHub ของทีม NASA-IMPACT ให้นักวิจัยนำไปทดสอบและต่อยอดได้ และเป็นโมเดลลำดับล่าสุดในความร่วมมือระหว่างสองหน่วยงาน ต่อจากตระกูล Prithvi สำหรับข้อมูลภาพถ่ายโลก และ Surya สำหรับพยากรณ์สภาพอวกาศ

บทเรียนที่ใช้กับธุรกิจไทยได้ไม่ได้อยู่ที่ดวงจันทร์ แต่อยู่ที่วิธีคิด องค์กรที่มีข้อมูลภาพหรือข้อมูลเซนเซอร์สะสมไว้มาก เช่น ภาพถ่ายแปลงเกษตร ภาพตรวจสภาพโครงสร้าง หรือภาพสินค้าในสายการผลิต ไม่จำเป็นต้องสร้างโมเดล AI ใหม่จากศูนย์ทุกครั้ง การเริ่มจากโมเดลฐานแบบเปิดแล้วปรับให้เข้ากับงานของตัวเองช่วยลดทั้งเวลาและต้นทุนการเตรียมข้อมูลได้มาก ทีมงาน Smart Cyber Tech รับพัฒนาซอฟต์แวร์เฉพาะองค์กร รวมถึงระบบที่นำโมเดล AI มาใช้กับข้อมูลของธุรกิจจริง ปรึกษาได้ที่ แบบฟอร์มติดต่อ