NASA e IBM lanzan una IA abierta para mapear mejor la Luna
NASA e IBM publican una AI abierta para mapear cráteres y detectar hielo potencial en la Luna. Estas son sus habilidades y limitaciones.
Misiones lunares han acumulado petabytes de imágenes, mediciones térmicas, mapas topográficos y datos de radar. Sin embargo, su diversidad dificulta las comparaciones: los instrumentos no observan los mismos fenómenos o con la misma resolución.
NASA e IBM publicaron un modelo de inteligencia artificial el 10 de septiembre de 2026, para reunir estas observaciones en una representación común.
NASA-IBM Lunar Foundation Model se puede adaptar para mapear cráteres, estudiar formaciones volcánicas e identificar áreas donde el hielo parece más probable. Sin embargo, no mide este hielo directamente y no puede certificar la seguridad de un sitio de aterrizaje.
An AI that does not converse
El modelo no es un robot de conversación comparable a ChatGPT. Analiza imágenes y datos científicos asociados con porciones de la superficie lunar.
Su arquitectura Vision Transformer ha sido capacitada en cerca de dos millones de conjuntos de observaciones geográficamente alineadas. Cada conjunto puede reunir imágenes visibles o ultravioletas, topografía, inclinación terrestre, temperatura, reflectividad de radar y ciertos índices mineralógicos.
Según la [presentación de IBM Research] (https://research.ibm.com/blog/nasa-ibm-lunar-foundation-model), la colección armoniza más de 30 capas de nueve instrumentos distribuidos entre cuatro misiones estadounidenses y japonesas, incluyendo Lunar Reconnaissance Orbiter, GRAIL y SELENE/Kaguya.
Las resoluciones son muy diferentes. Algunas imágenes representan alrededor de un metro por pixel, mientras que otras cubren aproximadamente 100 metros por pixel. El modelo aprende a trabajar con estas dos escalas sin pretender inventar los detalles perdidos de un instrumento.
Encontrar regiones que merecen una revisión
La NASA quisiera utilizar primero el modelo para tres categorías de trabajo: detección de pequeños cráteres sin categorizar, delimitación de ciertas formaciones volcánicas y evaluación del potencial de hielo de las regiones polares.
El hielo lunar podría eventualmente proporcionar agua, oxígeno y ciertos elementos necesarios para la producción de combustible. Se encuentra potencialmente en cráteres que casi nunca reciben luz solar.
Estas áreas son difíciles de estudiar. Las imágenes visibles revelan poco detalle, mientras que los datos térmicos, radares y topográficos tienen sus propias limitaciones.
El modelo puede combinar la pendiente, la orientación del terreno, la temperatura máxima y la estabilidad teórica del hielo para producir un mapa potencial.
Este mapa es una predicción basada en varias observaciones y modelos. No prueba que una cantidad explotable de hielo está bajo el suelo. Sólo un instrumento in situ, radar o muestreo apropiado podría confirmarlo.
Gains that vary by task
IBM afirma que el modelo redujo el error de evaluación potencial de hielo en un 22% en comparación con un modelo visual SwinV2 como referencia.
Para la detección de cráteres en una resolución de unos 100 metros por pixel, habría superado este modelo en casi un 19% mientras utilizaba el doble de datos de la unidad.
Sin embargo, a una escala de un metro por pixel, su resultado era esencialmente equivalente al de SwinV2. La mejora alcanzada para las formaciones volcánicas fue sólo alrededor del 3%, con un margen suficientemente bajo para imponer precaución.
Los resultados detallados se publican en la [página técnica modelo] (https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model). Todavía vienen del equipo que diseñó el sistema y tendrá que ser replicado por investigadores independientes.
The Next Web destaca que el conjunto de datos unificado podría ser tan importante como el propio modelo, ya que los archivos lunares se dividieron previamente en varios formatos y resoluciones.
Un modelo verdaderamente abierto pero exigente
El modelo, código de adaptación y conjuntos de datos SomBench se publican en Hugging Face bajo una licencia Apache 2.0.
Los investigadores pueden adaptarse a una tarea específica mediante entrenamiento completo o utilizando un método de luz llamado LoRA. Este último solo modifica una pequeña parte de los parámetros en lugar de reentrenar todo el sistema.
La creación del modelo requería 16 aceleradores NVIDIA H100 para aproximadamente 1.100 horas de cálculo acumulativo. Un usuario no necesita repetir esta formación inicial, pero la adaptación sigue siendo más compleja que la instalación de una aplicación convencional.
No se ofrecen servicios de inferencia listos para usar directamente en la página de plantilla. Descargar archivos, preparar datos y utilizar herramientas especializadas como TerraTorch.
Precios y disponibilidad en Canadá
La descarga no incluye una tasa de licencia y no hay restricciones geográficas para el Canadá.
Sin embargo, la explotación no es necesariamente libre. Los costos variarán dependiendo del almacenamiento, el equipo, los servicios en la nube, el número de pruebas, la cantidad de datos y el personal científico requerido.
No es un producto de consumo o un servicio oficial canadiense. Una universidad o empresa canadiense puede revisar el modelo, pero no se ha anunciado la integración en una misión de la Agencia Espacial Canadiense.
Limits or Considerations
La hoja de datos especifica que el modelo no tiene una referencia geodésica absoluta. Algunas coordenadas generadas pueden ser cambiadas por varias decenas de grados.
Sus productos generales no son medidas calibradas. No reemplazan instrumentos, fotogrametría o soluciones geodésicas utilizadas para la navegación.
El modelo no fue validado para permitir un aterrizaje, pista u otra decisión de seguridad operacional.
Los datos de muy alta resolución no cubren la luna entera uniformemente. Por consiguiente, un resultado obtenido en una región bien observada no puede reproducirse en otro lugar.
Conclusión
El modelo lunar de NASA e IBM no descubre automáticamente un suministro de agua ni una ubicación segura para una base.
Su utilidad es más realista: coleccionar observaciones incompatibles, identificar razones y ayudar a los científicos a determinar qué regiones merecen más análisis.
Su publicación abierta permitirá a los equipos independientes verificar sus resultados, descubrir sus debilidades y adaptarlo a nuevas cuestiones. Es esta validación, mucho más que los porcentajes anunciados en el lanzamiento, que determinará su verdadero valor científico.
