NASA 如何利用人工智能推动科学研究
NASA 正在利用人工智能提升科学数据的检索、分析、预测和复用效率。其重点不仅包括大语言模型，还包括面向太阳物理、地球观测、天气与气候研究的科学基础模型。
一、人工智能科学重点方向
1. 预测与预报（Prediction and Forecasting）
NASA 利用人工智能分析大规模历史观测数据，辅助天气、空间天气、太阳活动和极端事件预测。
这类方法通常不是替代传统物理模型，而是与数值模拟结合，提高分析效率和模式识别能力。
2. 开放科学（Open Science）
人工智能可用于改进科学数据的搜索、分类、标注、分析和可视化。
对于 NASA 长期积累的大规模科学数据，AI 可以帮助研究人员更快找到相关数据集、理解元数据，并降低数据使用门槛。
3. 跨领域科学研究（Collaboration Across Sciences）
NASA 希望利用人工智能整合来自不同卫星、任务和仪器的数据，支持地球科学、太阳物理、行星科学和天体物理之间的协同研究。
通过处理多源异构数据，AI 有助于从单一任务分析转向更完整的系统研究。
4. 人工智能基础设施（Infrastructure）
科学人工智能不仅需要模型，还需要数据存储、高性能计算、模型训练、验证、版本管理和安全部署能力。
NASA 正在建设可扩展、可复用并适合长期科学任务运行的人工智能基础设施。
二、人工智能科学动态与事件
Prithvi 基础模型进入轨道运行
NASA 与 IBM 开发的 Prithvi 地理空间基础模型，已经在卫星和国际空间站相关平台上完成在轨部署测试。
该模型可用于洪水识别、云层检测和地表变化分析。在轨运行人工智能模型，可以在数据传回地面之前完成部分分析，减少数据下传量并缩短响应时间。
人工智能用于太阳活动研究
NASA 与 IBM 正在利用太阳观测数据训练人工智能基础模型，用于太阳耀斑、活动区和空间天气研究。
这类模型可帮助科学家更快识别太阳活动模式，并评估其对卫星、通信、电网和航天任务的潜在影响。
人工智能改进科学数据检索
NASA 还利用人工智能为科学数据自动推荐标准化关键词，提升元数据质量和搜索效率。
这有助于减少人工编目工作，并使不同任务和数据中心中的科学数据更容易被发现和复用。
三、人工智能科学数据项目
Surya 日球物理基础模型
Surya 使用 NASA 太阳动力学观测台多年的太阳观测数据进行训练。
主要应用包括：
- 太阳耀斑预测；
- 太阳活动区域识别；
- 太阳图像分析；
- 空间天气风险评估。
Prithvi 地理空间基础模型
Prithvi 使用 Landsat 和 Sentinel-2 协调化地球观测数据进行预训练。
主要应用包括：
- 洪水制图；
- 火灾烧毁区域识别；
- 农作物分类；
- 土地覆盖和地表变化分析。
Prithvi 天气与气候基础模型
该模型基于 NASA MERRA-2 天气和气候再分析数据训练。
主要应用包括：
- 飓风跟踪；
- 严重天气风险分析；
- 气候变化研究；
- 可再生能源预测。
INDUS 科学大语言模型
INDUS 是一组面向 NASA 科学领域训练的大语言模型，覆盖天体物理、地球科学、日球物理、行星科学以及生物和物理科学。
其应用包括：
- 科学文献检索；
- 专业术语识别；
- 科学文本分类；
- 文档摘要和信息提取；
- 科研知识问答。
总结
NASA 的人工智能科学计划不只是使用聊天机器人辅助科研，而是围绕科学数据、基础模型和任务系统建立完整能力。
Surya、Prithvi 和 INDUS 分别代表了 NASA 在太阳物理、地球观测、天气气候和科学语言模型方向的探索。其核心路线是：利用长期积累的高质量科学数据训练通用模型，再将模型适配到具体科研和任务场景。
Refernence:
