IBM e NASA collaborano insieme da decenni. Pensandoci, è un binomio logico. Big Blue era stata coinvolta attivamente e profondamente già ai tempi delle missioni Apollo che hanno portato i primi astronauti sulla Luna ed ora che la prospettiva della NASA è quella di tornare sul nostro satellite c’è un annuncio che vale la pena di raccontare.

Un annuncio che, insospettabilmente, riguarda l’AI.

Infatti l’Agenzia Spaziale statunitense e l’azienda informatica fondata ormai 115 anni fa hanno pubblicato un nuovo LLM open-source pensato per analizzare i dati della superficie lunare.

Si chiama Lunar Foundation Model ed è un foundation model multimodale basato su una Vision Transformer, addestrato per lavorare con immagini e altri dati scientifici relativi alla superficie lunare. Tante parole complicate per dire una cosa sostanziale: non è di un chatbot che stiamo parlando, ma di un modello addestrato per altri tipi di interazione.

Ma la parte interessante per i lettori del blog riguarda il fronte open-source. Il modello in questione non è stato semplicemente pubblicato insieme ai pesi del modello (e ormai abbiamo imparato come open-weight e open-source siano due cose distinte), ma sono disponibili anche codice, documentazione e un dataset specificamente preparato per il machine learning, chiamato SomBench, costruito a partire da dati provenienti da diverse missioni lunari.

Questa specifica ulteriore è molto in linea con la definizione che l’Open Source Initiative dà di modello open-source, considerando importanti anche la disponibilità dei dati, del codice e degli elementi necessari a studiare, modificare e ricostruire il sistema. Per quanto la definizione OSI sia comunque ben lungi dall’essere universalmente accettata.

C’è poi un piccolo paradosso a proposito di questo modello, che porta con sé tutta una serie di riflessioni a proposito del senso dei modelli open-source: il modello è disponibile, ma il suo training originale è stato effettuato con 16 GPU NVIDIA H100, che nel mercato odierno si attesta intorno ai 35 mila dollari, abbondanti 🙂 .

Essere in grado di scaricare un modello non significa quindi necessariamente avere le risorse per riprodurne la costruzione.

Di buono c’è però che, per usare il modello sulla Luna, non serva spedire una H100 nello spazio. Come spesso abbiamo scritto bisogna infatti distinguere tra training e inference. Il training è la fase estremamente pesante in cui il modello impara, mentre l’inferenza è invece l’utilizzo del modello già addestrato. Un modello può essere addestrato su GPU da datacenter e poi eseguito su hardware molto più compatto ed efficiente.

Per una missione lunare questo può essere particolarmente interessante. Un rover potrebbe utilizzare una versione ottimizzata del modello direttamente a bordo per analizzare le immagini raccolte, individuare caratteristiche interessanti della superficie e trasmettere a Terra soltanto i dati più rilevanti. Non è quindi necessario mandare sulla Luna il computer che ha addestrato il modello.

Il ruolo di IBM, in questo progetto, è soprattutto quello della ricerca sui foundation model e delle tecnologie necessarie per costruirli e addestrarli. Il Lunar Foundation Model si inserisce infatti nel lavoro che IBM ha già fatto con NASA sui foundation model scientifici, mentre NASA porta invece il patrimonio di dati scientifici e la conoscenza del dominio lunare. È quindi più corretto parlare di collaborazione tra IBM e NASA che di “un’AI IBM per la NASA”.

Alla fine, quindi, la parte più interessante della notizia forse non è nemmeno l’idea di mettere l’intelligenza artificiale sulla Luna. È il modo in cui questo progetto mostra che nell’AI il concetto di “open-source” è molto più complicato di quanto sembri: non basta aprire il codice, se per ricreare ciò che quel codice produce servono dataset enormi, competenze specialistiche e una quantità significativa di potenza di calcolo.

Lo avranno capito anche sulla Luna ormai, no?