✨︎ Resumen (TL;DR):
- NASA e IBM liberaron el 10 de septiembre de 2026 un modelo de visión artificial para analizar el terreno lunar y priorizar regiones polares con posible hielo.
- El corpus reúne alrededor de 2 millones de teselas, con más de un millón de imágenes de un metro por píxel y casi 964,000 imágenes multiespectrales de 100 metros por píxel.
- La prueba reportó una reducción de alrededor de 22% en el error, pero el mapa no confirma agua ni valida sitios de alunizaje.
NASA e IBM liberaron el 10 de septiembre de 2026 el NASA-IBM Lunar Foundation Model, una IA de visión artificial que cruza imágenes y datos del terreno lunar para localizar cráteres y estimar qué zonas polares podrían conservar hielo. El modelo ayuda a priorizar lugares para análisis posteriores, pero no confirma agua ni certifica sitios de alunizaje.
El proyecto ya ofrece pesos, configuraciones y materiales de ajuste para investigación. El análisis de los lugares priorizados todavía requiere instrumentos y estudios adicionales.
No es un chatbot para astronautas
El NASA-IBM Lunar Foundation Model es un modelo fundacional multimodal y multirresolución que aprende relaciones entre imágenes, relieve, iluminación y otros datos de observación de la Luna. En lugar de procesar lenguaje como un chatbot, usa información lunar para adaptarse a distintas tareas con pocos datos etiquetados.
NASA señala que el modelo aprendió principalmente de datos del Lunar Reconnaissance Orbiter, que lleva 17 años observando el satélite. El corpus reúne alrededor de 2 millones de teselas: más de un millón de imágenes de un metro por píxel y casi 964,000 imágenes multiespectrales de 100 metros por píxel.
También incorpora datos de GRAIL, Lunar Prospector y la misión japonesa SELENE. El mismo modelo puede detectar cráteres y delimitar las llamadas irregular mare patches, formaciones volcánicas que ayudan a reconstruir la historia térmica de la Luna.
Además, genera mapas de prospectividad de hielo cerca de los polos.
La estimación de hielo no confirma agua
En la evaluación de prospectividad de hielo polar, el equipo reportó una reducción de alrededor de 22% en el error frente a un modelo SwinV2-B. El RMSE pasó de 0.0377 a 0.0293.
La ficha técnica explica que el modelo busca reproducir un mapa de prospectividad construido mediante una superposición de capas guiada por conocimiento experto. El modelo no mide hielo, no calcula un recurso disponible y no prueba que exista agua en un punto concreto.
La documentación también limita el alcance del sistema: no lo valida para certificar zonas de alunizaje, despejar peligros operativos o planear recorridos. Su función es reducir el trabajo inicial de búsqueda en regiones polares, donde las sombras permanentes y las temperaturas extremas complican la observación directa.
El rendimiento cambia según la tarea
El informe técnico reporta mejores resultados para detectar cráteres con imágenes de 100 metros por píxel cuando el modelo usa la mitad de los datos de entrenamiento. A escala de un metro por píxel, su desempeño fue comparable con el de la mejor referencia evaluada.
En la segmentación de formaciones volcánicas, las diferencias entre los modelos líderes también quedaron dentro de la variación entre ejecuciones. La comparación no muestra una ventaja uniforme para todas las tareas.
El propio equipo de NASA e IBM publicó los resultados para que otros grupos los reproduzcan y los pongan a prueba en nuevas tareas.
El proyecto es público, pero no libera todo el entrenamiento
La liberación pública incluye pesos, configuraciones y tokenizadores del modelo bajo licencia Apache 2.0. El repositorio de NASA-IMPACT también ofrece herramientas para ajuste fino, inferencia y evaluación de las tareas lunares.
Sin embargo, el repositorio aclara que no incluye el código de preentrenamiento. Otros equipos pueden descargar el modelo, probarlo y comparar sus resultados en tareas posteriores, pero no reconstruir desde cero todo el proceso de entrenamiento con los materiales liberados.
El beneficio inmediato para la exploración lunar consiste en ordenar una gran cantidad de observaciones, detectar patrones que merecen estudio y someter ese trabajo a revisión de más equipos fuera de NASA e IBM.
El modelo sirve para decidir dónde mirar primero, no para confirmar un depósito de agua. Cada zona priorizada todavía requiere instrumentos y estudios adicionales, mientras la documentación no valida su uso para certificar zonas de alunizaje, despejar peligros operativos o planear recorridos.
