Une IA pensée pour comprendre la Lune dans son ensemble

Début septembre 2026, la NASA et IBM ont présenté un nouveau modèle d’intelligence artificielle baptisé Lunar Foundation Model. Il rejoint la famille de modèles Prithvi, qui comprend déjà Prithvi-EO, dédié à la cartographie de la Terre, et Prithvi-Wx, tourné vers la météo et le climat. Cette fois, c’est notre satellite naturel qui est au cœur du projet.

L’objectif est clair : mettre l’IA au service de l’exploration lunaire, en analysant plus finement les images et données déjà collectées sur la Lune. Il ne s’agit pas d’une découverte physique d’un objet caché à la surface, mais bien d’un outil logiciel qui exploite mieux ce que l’on observe déjà.

Qu’est-ce qu’un « modèle de fondation » ?

Le Lunar Foundation Model appartient à une catégorie particulière d’IA : les modèles de fondation (foundation models). Le principe est le même que celui des grands modèles de langage qui font parler d’eux, sauf qu’ici il ne s’applique pas à du texte, mais à des données et images lunaires.

Concrètement, un modèle de fondation commence par apprendre les structures et motifs globaux de la Lune à partir d’une énorme quantité de données brutes. Il se construit ainsi une sorte de culture générale du terrain lunaire, avant d’être adapté ensuite à des tâches précises. C’est toute la différence avec une IA spécialisée, entraînée dès le départ pour une seule mission et difficile à réutiliser ailleurs.

Un modèle de fondation, lui, sert de socle commun : on l’affine pour détecter des cratères, mais on pourrait tout aussi bien l’orienter vers d’autres analyses du sol lunaire. C’est un gain de temps et de souplesse considérable pour la recherche.

Apprendre sur des données non étiquetées, un vrai atout

Point marquant : le modèle apprend d’abord à partir de données non étiquetées. En temps normal, entraîner une IA suppose de lui fournir des exemples soigneusement annotés par des humains : « ceci est un cratère », « ceci n’en est pas un ». Ce travail d’étiquetage est long, coûteux et limité par le temps disponible des experts.

En apprenant directement sur des données brutes, sans étiquettes, le modèle exploite bien plus d’informations et repère par lui-même les régularités du paysage lunaire. C’est un atout majeur : on tire parti d’archives immenses qui, autrement, resteraient largement sous-exploitées.

19 % de mieux sur les cratères, avec deux fois moins de données

Les premiers résultats sont éloquents. Pour la détection des cratères, à l’échelle d’une centaine de mètres, le Lunar Foundation Model surpasse de 19 % les méthodes habituelles pour localiser et délimiter ces formations. Et il y parvient en utilisant deux fois moins de données d’entraînement.

Autrement dit, il fait mieux avec moins : une performance qui illustre l’intérêt de l’approche par modèle de fondation. Là où une IA classique aurait besoin d’un vaste jeu d’exemples annotés, ce modèle capitalise sur son apprentissage préalable pour être plus précis, plus vite.

Pourquoi bien cartographier les cratères change tout

Repérer et délimiter précisément les cratères n’a rien d’anecdotique. C’est même crucial pour poser un engin en toute sécurité. La surface lunaire est accidentée : cratères, pentes et rochers peuvent transformer un atterrissage en manœuvre à haut risque.

Une cartographie fine permet d’anticiper plusieurs dangers : les pentes trop raides, les ombres portées qui masquent le relief réel, ou encore les zones instables. Mieux on connaît le terrain, mieux on peut choisir des zones d’atterrissage sûres. C’est un enjeu direct pour le programme Artemis, qui prépare le retour d’équipages sur la Lune : le gain de temps offert par l’IA pour identifier ces zones se traduit par une préparation plus rapide et plus fiable des missions.

Un modèle en open source, au service de la science ouverte

Autre bonne nouvelle : le Lunar Foundation Model est disponible en open source, sur les plateformes Hugging Face et GitHub. N’importe quel chercheur peut le récupérer, l’étudier et l’adapter à ses propres travaux.

Cette ouverture s’inscrit dans la logique de la science ouverte : en partageant l’outil plutôt qu’en le gardant fermé, la NASA et IBM permettent à toute la communauté de le réutiliser, de le vérifier et de l’améliorer. Les avancées d’une équipe profitent alors à toutes les autres, ce qui accélère la recherche et évite de réinventer sans cesse les mêmes briques.

Ce qu’il faut retenir

• La NASA et IBM ont dévoilé début septembre 2026 le Lunar Foundation Model, une IA de la famille Prithvi consacrée à la Lune.
• C’est un modèle de fondation : il apprend les motifs globaux de la Lune sur des données non étiquetées, puis s’adapte à différentes tâches, contrairement à une IA spécialisée.
• Pour la détection des cratères, il surpasse de 19 % les méthodes habituelles tout en utilisant deux fois moins de données d’entraînement.
• Bien cartographier les cratères, pentes et ombres est essentiel pour choisir des zones d’atterrissage sûres dans le cadre du programme Artemis.
• Le modèle est disponible en open source sur Hugging Face et GitHub : un pari sur la science ouverte et la réutilisation par tous les chercheurs.