Le modèle d’IA lunaire de la NASA ouvre les données de la Lune, mais le plus difficile reste de prouver de nouvelles découvertes

La NASA a publié un modèle d’IA lunaire entraîné sur près de deux millions de tuiles de données, ouvrant une nouvelle voie à travers des décennies d’observations de la Lune. Le modèle d’IA lunaire de la NASA peut être adapté pour cartographier les cratères, délimiter des terrains volcaniques inhabituels et estimer les zones où la glace polaire reste stable. Sa publication change qui peut développer ces outils et quelle quantité de données propres à une tâche leur est nécessaire.

La NASA a développé le modèle avec IBM Research et des partenaires universitaires, puis a publié ses poids, jeux de données, benchmarks et ressources de fine-tuning. Le projet dépasse donc le cadre d’un système interne d’automatisation. Des chercheurs externes peuvent le tester face à des modèles établis de vision par ordinateur et l’adapter à de nouvelles questions lunaires.

La difficulté est qu’une IA réutilisable ne produit pas automatiquement des découvertes fiables. Les benchmarks publiés montrent des gains nets pour certaines tâches, des résultats quasiment équivalents pour d’autres, ainsi que d’importantes limites liées aux annotations et à l’éclairage. Le modèle doit rivaliser avec des systèmes généralistes tels que SwinV2, tandis que ses résultats scientifiques nécessitent toujours une validation par des observations physiques.

La NASA a annoncé cette publication le 10 septembre 2026. Selon les détails du lancement de l’agence, le projet s’inscrit dans un effort plus large visant à appliquer des modèles fondamentaux aux données scientifiques.

Le modèle d’IA lunaire de la NASA transforme une archive en infrastructure opérationnelle

La NASA et IBM transforment une archive lunaire complexe en point de départ réutilisable pour de nombreuses tâches de recherche.

Le Lunar Reconnaissance Orbiter observe la Lune depuis 17 ans. La NASA affirme que cette mission a produit davantage de données que toutes ses autres missions planétaires réunies. Ses caméras ont également créé une mosaïque presque continue et haute résolution de la surface lunaire.

Ce volume pose un problème d’analyse. Un chercheur qui étudie de petits cratères, des formations volcaniques ou des terrains polaires ne peut pas examiner manuellement chaque observation pertinente. Concevoir une chaîne de machine learning distincte pour chaque question requiert aussi des données annotées, des ressources de calcul et du temps de spécialistes.

Le nouveau modèle s’attaque à ce goulot d’étranglement par le préentraînement. Un modèle fondamental apprend d’abord des motifs généraux à partir d’un vaste jeu de données, avant de recevoir un entraînement supplémentaire pour une tâche plus ciblée. Ici, ces motifs incluent la texture lunaire, le relief, l’éclairage, l’altitude, la température, la réponse radar et les informations minérales.

Le corpus d’entraînement sous-jacent contient près de deux millions d’ensembles de tuiles géographiquement alignées. Il couvre 11 modalités de données à deux échelles spatiales. Une série utilise des observations proches d’un mètre par pixel, tandis qu’une autre couvre des terrains proches de 100 mètres par pixel.

Ces tuiles proviennent en grande partie de la Lunar Reconnaissance Orbiter Camera. Le modèle intègre également des informations liées au Lunar Orbiter Laser Altimeter, au radiomètre Diviner, au radar Mini-RF et à d’autres missions.

Les données d’appui incluent le relief, la pente, l’orientation de la surface, la gravité, l’abondance d’hydrogène, les mesures radar et les conditions thermiques. Cette combinaison est importante, car une zone sombre dans une image optique n’indique pas nécessairement un matériau différent. Elle peut simplement refléter l’angle de la lumière solaire.

Le modèle apprend donc davantage qu’une simple ressemblance visuelle. Il peut relier une image à la géométrie de l’observation et à d’autres mesures enregistrées pour la même zone. Cela offre une meilleure base pour distinguer les caractéristiques du terrain des artefacts dus à l’éclairage.

La NASA indique que le modèle a été entraîné avec plus d’un million d’images haute résolution et près de 964 000 images multispectrales. L’imagerie multispectrale enregistre une surface dans des bandes de longueurs d’onde sélectionnées, révélant des informations qu’une photographie ordinaire ne peut pas capturer.

Les chercheurs peuvent désormais adapter ce système préentraîné plutôt que de partir de poids de modèle aléatoires. Cela devrait réduire le nombre d’exemples annotés nécessaires pour certains projets. Cela peut aussi faciliter la comparaison des résultats entre différentes études lunaires.

La fiche du modèle publique fournit des checkpoints, des résultats d’évaluation, des conseils de configuration et des recommandations d’adaptation propres à chaque tâche. Les ressources utilisent la licence Apache 2.0.

La publication prend également en charge TerraTorch, une boîte à outils open source destinée à adapter des modèles fondamentaux géospatiaux. Cette intégration offre aux équipes de machine learning une voie existante pour affiner le modèle sans reconstruire ses interfaces de données.

Le changement le plus important concerne l’accès. L’analyse lunaire spécialisée était autrefois étroitement liée à des missions, des laboratoires et des chaînes personnalisées spécifiques. La même base préentraînée peut désormais soutenir des expériences menées par des scientifiques planétaires, des universités et des équipes techniques indépendantes.

Cet accès élargi ne supprime pas le besoin d’une expertise lunaire. Il réduit toutefois le coût d’ingénierie nécessaire pour tester une nouvelle question de recherche.

Le modèle apprend à travers les instruments et les résolutions

Le pari technique central est qu’un seul modèle peut relier des mesures collectées à différentes échelles et pour des objectifs scientifiques différents.

Les données de télédétection lunaire ne se présentent pas comme une pile ordonnée de photographies identiques. Les caméras, altimètres laser, instruments thermiques, systèmes radar et spectromètres mesurent chacun des propriétés différentes. Leur couverture et leur résolution peuvent varier considérablement.

Le modèle d’IA lunaire de la NASA utilise un encodeur et un décodeur de vision transformer. Un vision transformer divise une image en patchs, les convertit en tokens et apprend les relations entre ces tokens. Ce modèle étend cette approche à différents types de données lunaires.

Pendant l’entraînement, le système ne reçoit qu’une partie d’une observation et apprend à reconstruire les informations manquantes. Cette méthode de tokens masqués l’encourage à découvrir les relations entre le relief, la réflectance, la géométrie et d’autres mesures.

Le modèle reçoit également la géométrie d’acquisition comme contexte explicite. Cela comprend des informations sur la manière dont un capteur a observé un lieu. La géométrie est particulièrement importante sur la Lune, où de longues ombres peuvent faire paraître un même cratère différent d’une orbite à l’autre.

Une seconde extension permet aux mêmes poids de fonctionner avec des observations à l’échelle du mètre comme à celle de la centaine de mètres. Le modèle utilise des représentations de patchs adaptables, qui l’aident à traiter différentes résolutions d’image sans exiger une base distincte pour chaque échelle.

Le résultat est une représentation commune de mesures autrement fragmentées. Un scientifique peut affiner cette représentation pour la détection de cratères, l’évaluation du potentiel de glace polaire ou la segmentation de structures volcaniques.

La notion de potentiel est une distinction importante. Une carte du potentiel de glace estime les zones où les conditions favorisent une glace stable. Il ne s’agit pas d’une mesure directe confirmant la présence d’eau extractible en un lieu donné.

La tâche liée à la glace combine des entrées telles que la température de surface, la pente, l’orientation, l’ombre permanente et la profondeur modélisée de stabilité de la glace. Le résultat représente la concordance avec une carte de potentiel de référence fondée sur les connaissances scientifiques existantes.

Cette définition plus étroite importe, car les titres peuvent facilement exagérer ce que l’IA a trouvé. Le modèle ne fore pas le sol lunaire et ne détecte pas avec certitude de l’eau enfouie. Il classe les terrains selon des conditions associées à la stabilité de la glace.

Pour la cartographie des cratères, le système peut travailler à deux échelles très différentes. Les observations de la Wide Angle Camera fournissent un contexte régional proche de 100 mètres par pixel. Les images de la Narrow Angle Camera révèlent des caractéristiques bien plus petites, proches d’un mètre par pixel.

Le modèle cible également les taches irrégulières de maria. Ces formations volcaniques peu communes paraissent plus jeunes qu’une grande partie de la surface environnante. De meilleures cartes pourraient aider les scientifiques à affiner les chronologies de l’évolution volcanique et thermique de la Lune.

Le processus d’évaluation par les pairs n’est pas encore achevé, mais l’équipe a publié un article technique détaillé. Il décrit les données, l’architecture, quatre benchmarks en aval et des comparaisons avec des modèles préentraînés sur des images terrestres ordinaires.

La flexibilité du système s’étend au fine-tuning. Les chercheurs peuvent mettre à jour l’ensemble du réseau, geler son encodeur ou utiliser une adaptation de bas rang. L’adaptation de bas rang, communément appelée LoRA, modifie un petit ensemble de paramètres ajoutés tout en préservant la plupart des poids d’origine.

IBM indique que les tests LoRA ont conservé 90 % des poids du modèle de base gelés. Cela réduit la charge de calcul et le risque d’effacer des caractéristiques préentraînées utiles.

Toutefois, une méthode d’adaptation n’a pas remporté tous les benchmarks. LoRA a donné de bons résultats pour la détection de cratères et est restée compétitive pour la segmentation volcanique. Le fine-tuning complet a produit le meilleur résultat pour le potentiel de glace polaire.

Un encodeur gelé a pris la tête sur le plus petit jeu de données de taches irrégulières de maria, mais il a obtenu des résultats inférieurs à tous les benchmarks de référence répertoriés pour la détection de cratères. Les chercheurs doivent donc tester la stratégie d’adaptation pour chaque cas d’usage.

Il ne s’agit pas d’un système d’analyse de la Lune en une seule commande. C’est une infrastructure technique partagée qui exige encore la conception de tâches, des exemples annotés, une évaluation et une interprétation scientifique.

Le préentraînement lunaire dépasse l’IA générique là où le contexte compte le plus

Les benchmarks étayent une conclusion précise : le préentraînement lunaire améliore l’efficacité des données, mais ne domine pas toutes les comparaisons.

L’équipe de recherche a évalué quatre tâches à travers le même cadre de fine-tuning. Elles couvrent la détection régionale de cratères, la détection de cratères à l’échelle métrique, la segmentation de taches irrégulières de maria et le potentiel de glace polaire.

Le groupe de comparaison comprenait ResNet-50, ConvNeXt, SwinV2, DaViT et des vision transformers préentraînés sur ImageNet. ImageNet contient des images terrestres du quotidien plutôt que des observations lunaires spécialisées.

Pour la détection régionale de cratères avec la moitié des données d’entraînement disponibles, le modèle lunaire a atteint une précision moyenne de 0.2541. Le meilleur benchmark généraliste répertorié, SwinV2-B, a obtenu 0.2313 dans cette configuration de données.

Avec l’ensemble des données d’entraînement régionales sur les cratères, la meilleure configuration lunaire a atteint 0.2581. SwinV2-B a atteint 0.2420. Ces résultats suggèrent que le préentraînement propre au domaine aide le modèle à exploiter plus efficacement les annotations de cratères.

IBM décrit le résultat avec la moitié des données comme une amélioration de près de 19 % par rapport au modèle de comparaison. Le résumé des benchmarks de l’entreprise indique également que le système lunaire a égalé le modèle de tête à l’échelle plus fine d’un mètre pour les cratères.

Les chiffres détaillés montrent cette quasi-égalité. Le modèle lunaire a enregistré une précision moyenne de 0.1543 pour les cratères observés par la Narrow Angle Camera. SwinV2-B a enregistré 0.1552.

Ce résultat est précieux, mais ne constitue pas une victoire nette. Il montre qu’un modèle lunaire réutilisable peut rivaliser avec une solide référence spécialisée à l’échelle métrique. Il ne démontre pas une supériorité universelle.

Pour la segmentation de taches irrégulières de maria, la meilleure configuration lunaire a atteint un score d’intersection sur union de 0.5709. La référence ConvNeXtV2-B en tête a atteint 0.5687.

L’intersection sur union mesure le chevauchement entre une région prédite et son annotation de référence. La faible différence signifie que les modèles ont obtenu des performances comparables. La variation entre les entraînements répétés rend également inappropriée toute affirmation étendue sur les performances.

L’avantage le plus net est apparu pour le potentiel de glace polaire. Le modèle lunaire entièrement affiné a atteint une erreur quadratique moyenne de 0.0293. La meilleure référence rapportée a obtenu 0.0377, les valeurs plus faibles indiquant une meilleure concordance.

IBM résume cet écart comme une réduction de 22 % des erreurs. Ce résultat soutient la conception multimodale du projet, car le potentiel de présence de glace dépend de plusieurs paramètres de terrain et de température.

L’article indique également qu’une version de la même architecture, initialisée aléatoirement, a surpassé de nombreux modèles de référence généralistes dans la tâche sur la glace. Cela suggère que l’architecture elle-même contribue au résultat, et pas seulement le préentraînement lunaire.

Cette distinction est essentielle pour évaluer les modèles fondamentaux. Un système préentraîné doit être comparé à une architecture identique entraînée à partir de zéro. Sinon, un gain attribué au préentraînement pourrait en réalité provenir d’une conception de réseau différente.

Les chercheurs ont inclus ce contrôle. Le modèle préentraîné a tout de même obtenu le meilleur résultat pour la glace, tandis que ses performances régionales sur les cratères dépassaient également celles de la version initialisée aléatoirement.

L’efficacité en matière d’annotations pourrait à terme compter davantage qu’un léger gain de précision. Créer des contours fiables de cratères ou des masques de structures volcaniques exige un travail scientifique considérable. Un modèle atteignant une précision compétitive avec moins d’annotations peut raccourcir le chemin vers une expérience exploitable.

Le benchmark n’établit pas des performances égales dans toutes les régions lunaires, pour toutes les saisons, conditions de capteur ou tailles de structures. Les scores publiés proviennent de jeux de données et de répartitions géographiques définis.

Néanmoins, cette comparaison donne au modèle d’IA lunaire de la NASA un point de départ crédible. La preuve la plus solide n’est pas qu’il a résolu l’interprétation lunaire. C’est que le préentraînement lunaire s’est transféré à quatre tâches distinctes sans nécessiter quatre modèles fondamentaux séparés.

Les cratères, les structures volcaniques et la glace posent des défis différents

Les trois principales applications du modèle mesurent des capacités différentes ; une réussite ne peut donc pas se substituer à une autre.

La cartographie des cratères est la tâche la plus intuitive. Les scientifiques comptent et mesurent les cratères d’impact afin d’estimer l’âge relatif d’une surface. Les terrains plus récents présentent généralement moins d’impacts accumulés que les terrains plus anciens.

La cartographie automatisée peut traiter bien davantage d’images qu’une inspection manuelle. Elle peut aussi signaler les changements de surface entre deux observations, en fournissant aux chercheurs une liste restreinte de cas à examiner plus en détail.

La NASA a testé cette capacité avec des images prises près du cratère Einstein. Un étage supérieur de Falcon 9 a percuté la Lune le 5 août 2026, et LRO a photographié le résultat plusieurs jours plus tard.

Le modèle n’avait pas vu l’image post-impact pendant le préentraînement. Après adaptation, il a détecté les cratères existants et mis en évidence le nouveau site d’impact. Cela fournit un exemple concret de détection de changement plutôt que de simple mémorisation.

Le récit distinct de la NASA consacré aux images de l’impact montre pourquoi cette tâche reste difficile. Les angles de vue et l’éclairage ont changé au cours de la séquence d’observation.

Le nouveau cratère mesurait environ 60 pieds de large et moins de 10 pieds de profondeur. La caméra à angle étroit de LRO peut résoudre des structures d’environ trois pieds dans des conditions favorables.

Même avec cette résolution, les ombres influencent la visibilité des petits cratères. Un modèle comparant deux images peut interpréter des différences d’éclairage comme des changements physiques. La NASA identifie explicitement la variation de l’illumination comme une limite pour les petites structures.

Les taches irrégulières des mers lunaires constituent un autre défi. Ces formations volcaniques sont rares, visuellement inhabituelles et couvrent souvent des zones limitées. Leur rareté signifie que les chercheurs disposent de moins d’exemples annotés pour l’entraînement.

Un modèle fondamental peut aider en transférant des motifs appris à partir d’un corpus non annoté bien plus vaste. Le benchmark volcanique suggère que ce transfert fonctionne, même si son avantage sur le meilleur modèle de référence reste modeste.

Cartographier ces taches pourrait améliorer les estimations de la date à laquelle le volcanisme lunaire a pris fin. Certaines formations semblent beaucoup plus jeunes que prévu, remettant en question les explications simplistes selon lesquelles la Lune se serait refroidie jusqu’à devenir inactive.

La glace polaire est à la fois précieuse sur le plan scientifique et importante sur le plan opérationnel. Les régions perpétuellement ombragées peuvent rester froides pendant des périodes extrêmement longues, permettant à des matériaux volatils de persister près de la surface.

Les ressources potentielles en eau influencent les recherches sur les sites d’atterrissage et la planification de l’exploration de longue durée. L’eau peut soutenir les équipages et, après traitement, fournir de l’oxygène ou de l’hydrogène pour d’autres usages.

Toutefois, une carte de potentiel générée par l’IA n’établit ni la quantité de ressources, ni leur pureté, leur accessibilité ou leur coût d’extraction. Ces questions nécessitent des mesures directes, une télédétection améliorée et, à terme, une étude de terrain.

Cette différence sépare la priorisation scientifique de la découverte. Le modèle peut aider les équipes à identifier les lieux qui méritent attention. Il ne peut pas remplacer les relevés instrumentaux nécessaires pour confirmer la présence de matériaux dans ces lieux.

Les trois applications impliquent aussi des coûts d’erreur différents. Manquer un petit cratère modifie un décompte statistique. Mal classer une rare formation volcanique peut fausser une étude géologique. Surestimer une prédiction de glace pourrait influencer la planification d’une mission.

Chaque tâche nécessite donc son propre seuil d’acceptation et son propre processus de vérification. Une unique affirmation de performance globale masquerait ces différences.

L’usage le plus pertinent à court terme est l’analyse assistée. Les chercheurs peuvent laisser le modèle examiner de vastes jeux de données, puis étudier ses prédictions les plus utiles à l’aide d’outils spécialisés.

Cette répartition du travail préserve le jugement humain tout en exploitant l’IA à grande échelle. Elle génère également les retours nécessaires pour améliorer les versions futures.

Les poids ouverts ne comblent pas le déficit de vérification

La publication ouverte de la NASA rend les tests indépendants possibles, mais plusieurs écarts séparent encore les performances de benchmark d’un usage scientifique fiable.

Le projet comprend les poids du modèle, les jeux de données de benchmark et le code de fine-tuning et d’inférence. Les chercheurs peuvent examiner les configurations, reproduire les expériences en aval et comparer leurs méthodes dans un cadre commun.

Le code public comprend des paquets pour le backbone du modèle et les intégrations TerraTorch. Il fournit également des configurations exécutables pour la détection de cratères, la segmentation volcanique et l’évaluation du potentiel de glace.

Une limite importante apparaît dans la documentation du dépôt. La publication n’inclut pas le code de préentraînement. Les équipes externes peuvent utiliser le checkpoint et reproduire le travail en aval, mais elles ne peuvent pas réexécuter intégralement l’entraînement initial à partir du seul dépôt public.

Cela ne rend pas le modèle fermé. Mais cela restreint le sens de la reproductibilité. Reproduire un résultat de fine-tuning diffère de reconstruire un checkpoint préentraîné à partir de données brutes.

Les exigences matérielles peuvent constituer un autre obstacle. Les artefacts publiés réduisent le coût initial, notamment lorsque les chercheurs utilisent LoRA. Ils n’éliminent pas les besoins en stockage, en préparation des données ou en accélérateurs.

Les annotations des jeux de données méritent également un examen attentif. Le score de benchmark d’un modèle mesure son accord avec les données de référence. Si cette référence contient des annotations de cratères incomplètes ou des frontières volcaniques incertaines, le modèle peut hériter de ces limites.

Le benchmark sur la glace exige une prudence particulière, car sa cible est une carte de potentiel. Un fort niveau d’accord signifie que le modèle a reproduit les motifs de cette référence. Cela ne valide pas indépendamment la présence de glace lunaire.

La généralisation géographique est une autre question ouverte. Le modèle a été entraîné avec une couverture étendue, mais certains instruments n’observent que certaines régions. Les données polaires peuvent être beaucoup moins complètes que l’imagerie quasi mondiale.

Une équipe appliquant le modèle à une région peu couverte doit vérifier quelles modalités sont disponibles. Des données manquantes peuvent modifier les performances ou imposer une configuration de fine-tuning différente.

L’illumination reste une source d’erreur persistante. Les ombres lunaires changent selon la géométrie d’observation et peuvent masquer de petites structures. La géométrie explicite aide le modèle, mais elle ne peut pas créer des informations qu’un capteur n’a jamais capturées.

Les événements rares posent un problème connexe. Les cratères nouvellement formés, les effondrements inhabituels et les structures volcaniques peu communes peuvent différer de la distribution d’entraînement. Leur valeur scientifique est élevée précisément parce qu’ils sont inhabituels.

Le test du cratère Einstein est encourageant, car il concerne un changement de surface tenu à l’écart. Des tests indépendants sur d’autres impacts et dans d’autres conditions d’éclairage fourniraient des preuves plus solides.

Les chercheurs devraient également comparer le modèle à des méthodes plus simples. Un modèle fondamental est particulièrement utile lorsqu’il réduit les besoins en annotations, améliore la précision ou regroupe plusieurs flux de travail. La complexité seule n’est pas un bénéfice scientifique.

Les travaux publiés rendent cette comparaison possible en incluant des références standard et un contrôle par initialisation aléatoire. Les futurs utilisateurs devraient conserver la même rigueur pour de nouvelles tâches.

La question cruciale n’est pas de savoir si le modèle produit des cartes plausibles. Elle est de savoir si ces cartes restent exactes dans de nouveaux lieux, avec de nouveaux instruments et dans de nouvelles conditions d’observation.

L’accès ouvert permet à la communauté scientifique de répondre à cette question. Il n’y répond pas automatiquement.

Ce que la NASA et les chercheurs lunaires doivent démontrer ensuite

La prochaine étape devrait tester la réplication indépendante, la pertinence sur le terrain et les performances sur des observations véritablement nouvelles.

Le premier signal à surveiller est la reproduction externe des quatre benchmarks publiés. Des équipes indépendantes devraient pouvoir télécharger le checkpoint, utiliser les jeux de données publiés et obtenir des résultats dans la plage de variation indiquée.

Une réplication réussie renforcerait les affirmations de performance et mettrait en lumière les détails de configuration manquants. D’importants écarts inexpliqués affaibliraient la confiance dans les benchmarks actuels.

Le deuxième signal est l’évaluation sur des observations qui n’ont pas été assemblées par l’équipe d’origine. De nouvelles images de LRO, des sites d’impact supplémentaires et des annotations indépendantes peuvent révéler si le modèle se généralise au-delà de son package de publication.

La détection des changements de surface offre un test utile. Les chercheurs peuvent comparer des observations capturées avant et après des impacts connus, puis mesurer les fausses détections causées par l’éclairage ou la géométrie d’observation.

Une série de tests réussis soutiendrait un usage opérationnel pour le tri de nouvelles images. Des faux positifs répétés montreraient que la gestion de la géométrie nécessite davantage de travail.

Le troisième signal sera de savoir si des scientifiques lunaires développent des applications utiles en dehors du benchmark d’origine. Parmi les exemples possibles figurent la cartographie des blocs rocheux, l’identification des glissements de terrain, l’analyse des dangers du terrain ou la détection d’anomalies entre instruments.

Un modèle fondamental réutilisable devrait se transférer à des problèmes que ses développeurs n’ont pas optimisés directement. Si l’adaptation reste limitée aux quatre tâches de publication, l’affirmation plus large concernant le modèle fondamental devient moins convaincante.

La publication exerce également une pression sur d’autres projets de science planétaire. Les équipes travaillant sur Mars, les astéroïdes ou l’observation de la Terre doivent décider si le préentraînement multimodal spécifique au domaine peut remplacer des collections de modèles isolés.

La NASA et IBM collaborent déjà sur des modèles fondamentaux pour les sciences de la Terre et l’héliophysique. Le projet lunaire étend cette stratégie à une surface observée par de nombreux instruments et à des échelles très différentes.

Sa contribution la plus forte pourrait donc être méthodologique. Il montre comment les agences peuvent transformer des observations scientifiques publiques en infrastructure d’IA réutilisable, en benchmarks et en checkpoints accessibles.

Cette approche peut raccourcir la distance entre des mesures archivées et une hypothèse testable. Elle peut aussi inviter à un examen externe qu’un modèle interne ne recevrait jamais.

Le modèle d’IA lunaire de la NASA n’est pas un scientifique lunaire automatisé. Il s’agit d’une couche d’analyse partagée capable d’orienter l’attention à travers une archive immense.

Les preuves décisives viendront de ce que des chercheurs indépendants trouveront, rejetteront et reproduiront avec lui. Télécharger le modèle n’est que la première étape. L’action utile suivante consiste à tester une question lunaire ciblée, documenter le modèle de référence et publier à la fois les réussites et les cas d’échec.