La NASA y IBM Research han presentado un modelo de inteligencia artificial de código abierto que lee la superficie de la Luna. Entrenado con 17 años de datos del Lunar Reconnaissance Orbiter, identifica hielo, cráteres y volcanes que los equipos científicos antes analizaban a mano.
Un modelo fundacional para leer la superficie de la Luna
El sistema se llama NASA-IBM Lunar Foundation Model y nace de una colaboración entre la agencia espacial y el centro de investigación de IBM, con el apoyo de varias instituciones académicas. Es uno de los primeros modelos de IA de código abierto diseñados expresamente para estudiar el satélite. El código completo está disponible en GitHub y el modelo se puede ejecutar desde Hugging Face, según informa Phys.org.
Su tarea principal es cartografiar tres rasgos clave del terreno: hielo en cráteres permanentemente en sombra, bordes de cráteres de impacto y estructuras volcánicas antiguas. Gracias al entrenamiento con 17 años de datos del orbitador, el modelo identifica patrones que los algoritmos convencionales pasaban por alto.
La lógica del proyecto es democratizar la ciencia lunar. Cualquier equipo, desde un instituto universitario hasta una empresa privada, puede descargar el modelo y probarlo con sus propios datos. No hace falta esperar a que la NASA publique análisis propios: la herramienta queda abierta para la comunidad.
La elección del código abierto no es menor. En un sector donde los modelos propietarios dominan el procesamiento de imágenes, liberar los pesos y el código permite auditar el funcionamiento interno. Los equipos pueden ajustar el modelo con datos de sus propios instrumentos, adaptándolo a cámaras de distintas resoluciones. Eso multiplica su vida útil más allá del laboratorio de IBM.
También abre la puerta a la ciencia ciudadana. Un estudiante de secundaria con un portátil puede ejecutar el modelo desde Hugging Face y explorar el mismo terreno que analizan los investigadores de la NASA. Ese salto de acceso era impensable hace una década.
El hielo lunar no es un capricho académico. Se esconde sobre todo en cráteres cuyas paredes nunca reciben luz solar, donde las temperaturas pueden caer por debajo de los -200 °C. Encontrar depósitos accesibles significa disponer de agua para beber, oxígeno para respirar y, eventualmente, hidrógeno para combustible. El modelo es capaz de señalar esas regiones con una rapidez que los métodos manuales no igualan.
Cómo se entrenó: 17 años de miradas al satélite
El Lunar Reconnaissance Orbiter ha acumulado uno de los archivos más ricos en exploración planetaria durante sus 17 años de servicio. Ese repositorio equivale a más de 6.000 días de cobertura continua de la superficie. El modelo ha aprendido a partir de ahí, correlacionando datos de cámaras y altímetros para distinguir texturas, sombras y firmas químicas. Es un trabajo de minería de datos a escala planetaria.
La misma sonda que lleva 17 años fotografiando la Luna acaba de convertirse en la maestra de una inteligencia artificial que lee el terreno mejor que cualquier manual.
Con todo, conviene mantener la cautela. El equipo no ha publicado aún una validación independiente del rendimiento más allá de la presentación del modelo. Es una herramienta de apoyo, no un sustituto del análisis experto. Los próximos meses servirán para comprobar si su precisión se mantiene al aplicarlo a regiones nunca vistas por los científicos.
Por qué importa una IA abierta en la era de la exploración lunar
El lanzamiento de este modelo llega en un momento en que la Luna vuelve a concentrar misiones de agencias y empresas privadas. Procesar manualmente cada imagen y medición de radar se ha vuelto inviable: hay demasiados datos. Un modelo fundacional abierto permite que diferentes equipos usen una base común para clasificar accidentes geográficos, buscar recursos como hielo y preparar futuras misiones de aterrizaje. Sin embargo, el valor real dependerá de su capacidad para generalizar. Los modelos entrenados con imágenes de satélite pueden fallar ante condiciones de iluminación o resolución distintas. Aquí no hay revisión por pares todavía: la comunidad lo descargará, lo probará y encontrará sus límites. Eso es, en sí, valioso. La NASA apuesta por una estrategia de ciencia abierta que contrasta con la opacidad de otros proyectos de IA.
Si el modelo demuestra rigurosidad, sentará precedente para aplicarlo a Marte, asteroides o las lunas heladas de Júpiter. El siguiente paso natural será incorporar datos de nuevas misiones, como los que ya aportan sondas comerciales o los futuros orbitadores del programa Artemis. Por ahora, cualquier investigador con un ordenador puede empezar a interrogarlo desde GitHub. La sensación que deja este anuncio es la de una herramienta que llega en el momento adecuado: el archivo del LRO deja de ser un repositorio pasivo y se convierte en material de entrenamiento.
🔬 Ficha del Descubrimiento
- Qué se ha descubierto: Un modelo fundacional de IA de código abierto entrenado para cartografiar hielo, cráteres y volcanes lunares.
- Dónde: Superficie de la Luna, a partir de datos del Lunar Reconnaissance Orbiter.
- Institución responsable: NASA e IBM Research, con apoyo de instituciones académicas.
- Cuándo: Presentado en septiembre de 2026; disponible desde su lanzamiento en Hugging Face.
- Impacto a futuro: Podría acelerar la búsqueda de recursos y la preparación de futuras misiones tripuladas.
