Por Redacción Pangea IA · 10 de septiembre de 2026
La NASA e IBM han publicado un modelo de inteligencia artificial capaz de combinar datos lunares de distinta resolución para detectar cráteres, estudiar formaciones volcánicas y estimar qué zonas polares pueden albergar hielo. Es abierto, se puede descargar y adaptar, pero no descubre agua por sí solo ni está validado para certificar lugares de alunizaje. Su valor inmediato está en ordenar décadas de observaciones y señalar dónde merece la pena mirar con instrumentos y análisis más precisos.
Qué ha lanzado exactamente la NASA con IBM
El NASA-IBM Lunar Foundation Model es un modelo fundacional multimodal para teledetección lunar. Se ha entrenado desde cero con SomBench, un conjunto de casi dos millones de paquetes de teselas lunares registrados sobre las mismas zonas. La colección reúne imágenes y mapas procedentes de instrumentos con escalas muy diferentes, desde fotografías de alrededor de un metro por píxel hasta observaciones globales de unos cien metros por píxel.
No es un chatbot ni un sistema que “entienda” la Luna mediante lenguaje natural. Su núcleo es un codificador visual de tipo ViT-B que aprende representaciones comunes de once modalidades: nueve capas densas semejantes a imágenes, más metadatos ópticos y contexto cartográfico. Entre las fuentes figuran imágenes de las cámaras NAC y WAC del Lunar Reconnaissance Orbiter, topografía, pendiente, orientación, temperatura, radar, gravedad, hidrógeno y mineralogía.
La novedad es reunir esa información en un único modelo reutilizable. Hasta ahora, los equipos solían preparar datos y entrenar herramientas específicas para cada objetivo. El nuevo sistema parte de una representación general y luego se adapta a tareas concretas con ejemplos etiquetados. IBM lo compara con una piedra de Rosetta para sensores: no sustituye a cada instrumento, pero ayuda a relacionar sus “dialectos” científicos.
Tres trabajos para los que ya se ha probado
Buscar zonas con mayor probabilidad de hielo
El caso más llamativo es el polo lunar. Allí existen cráteres que permanecen en sombra y alcanzan temperaturas extremadamente bajas, condiciones en las que el agua puede conservarse durante periodos muy largos. El modelo combina variables como la temperatura máxima, la pendiente, la orientación del terreno y la profundidad teórica de estabilidad del hielo para estimar qué áreas son más prometedoras.
En la prueba publicada por el equipo, la mejor adaptación del modelo obtuvo un error cuadrático medio de 0,0293 frente a 0,0377 del mejor sistema de referencia, un SwinV2. Expresado como reducción relativa del error, la mejora ronda el 22 %. Es el margen más amplio de los ensayos presentados.
La precisión exige una cautela esencial: la variable objetivo es un mapa de “prospectividad” construido mediante reglas y capas científicas, no una medición directa de hielo. El sistema aprende a reproducir mejor esa estimación. Para confirmar agua, abundancia y accesibilidad harán falta observaciones adicionales y, en último término, mediciones sobre el terreno.
Contar cráteres pequeños y evaluar el terreno
Los cráteres ayudan a reconstruir la edad y la historia geológica de una superficie, pero también importan para la navegación. A cien metros por píxel y con la mitad de los datos de entrenamiento, el modelo alcanzó una precisión media de 0,2541, frente a 0,2313 del mejor comparador. Con todos los datos, la ventaja se redujo: 0,2581 frente a 0,2420.
A escala de un metro por píxel, el resultado fue prácticamente un empate: 0,1543 para la adaptación con LoRA y 0,1552 para SwinV2. La propia ficha técnica pide tratar ambos valores como comparables, porque la diferencia es menor que la variación entre ejecuciones. No hay, por tanto, una victoria general del modelo en cualquier resolución.
Delimitar huellas volcánicas
La tercera tarea consiste en segmentar formaciones conocidas como manchas irregulares de los mares lunares, asociadas a episodios volcánicos relativamente recientes. El modelo alcanzó una intersección sobre unión de 0,5709, frente a 0,5687 del mejor sistema convencional. La mejora es pequeña y también queda dentro de la dispersión estadística, aunque el resultado sugiere que el preentrenamiento lunar aporta una representación útil cuando apenas hay ejemplos etiquetados.
| Tarea | Resultado publicado | Lectura correcta |
|---|---|---|
| Prospectividad de hielo | 22 % menos error frente al mejor referente | Predice un mapa derivado; no mide hielo |
| Cráteres a 100 m/píxel | Ventaja con menos datos etiquetados | Útil para cartografía amplia |
| Cráteres a 1 m/píxel | Empate técnico | No supera al referente en esta escala |
| Formaciones volcánicas | Mejora cercana al 3 % | Margen pequeño, pendiente de más validación |
Por qué el hielo lunar importa para Artemis
El interés no es únicamente científico. El agua podría utilizarse para consumo, producir oxígeno y, separada en hidrógeno y oxígeno, contribuir a fabricar propelente. Disponer de recursos locales reduciría parte de la masa que habría que transportar desde la Tierra para una presencia prolongada, aunque extraerlos de un entorno oscuro, frío y accidentado será una operación industrial compleja.
También hay un problema de selección. Los polos combinan zonas en sombra permanente, donde puede conservarse hielo, con crestas que reciben iluminación durante periodos prolongados y pueden favorecer la energía solar. Un mapa que priorice lugares interesantes puede reducir el espacio de búsqueda para simulaciones, instrumentos orbitales, rovers y futuras campañas de muestreo.
Eso no convierte a la IA en un navegador autónomo para astronautas. La ficha del modelo advierte expresamente de que no mantiene un marco geodésico absoluto: puede recuperar la forma local del terreno, pero introducir desplazamientos de elevación o errores grandes de latitud y longitud en datos generados. Tampoco ha sido validado para certificar seguridad, despejar riesgos o tomar decisiones operativas de alunizaje.
Qué aporta que el modelo sea abierto
IBM y la NASA han publicado los pesos y la configuración con licencia Apache 2.0, además del código de adaptación y el conjunto SomBench con licencia CC BY 4.0. Un laboratorio puede descargar el modelo, reproducir los experimentos y ajustarlo mediante TerraTorch. La técnica LoRA, que modifica una pequeña fracción de los parámetros, igualó o superó el ajuste completo en varias pruebas y reduce el coste de especialización.
La apertura permite que universidades y agencias distintas de la NASA exploren preguntas no previstas por el equipo original. También facilita auditar sesgos geográficos, comparar arquitecturas y descubrir fallos. Es el mismo principio que ha impulsado otros modelos científicos: en Pangea IA ya analizamos cómo los agentes de IA pueden participar en investigación matemática, pero una demostración técnica no equivale a una validación científica independiente.
La disponibilidad tampoco significa que cualquiera pueda obtener un mapa fiable pulsando un botón. Hay que preparar datos compatibles, elegir las modalidades, entrenar una cabeza para la tarea deseada, validar el resultado y contar con capacidad de cálculo. El preentrenamiento original utilizó 16 GPU H100 durante unas 1.100 horas de GPU; una adaptación puede ser mucho más ligera, pero sigue siendo un proyecto especializado.
Los límites que frenan el salto del laboratorio a la misión
- Cobertura desigual. Las imágenes de máxima resolución dependen de zonas y tomas con modelos topográficos estéreo coincidentes. La muestra está distribuida por el globo lunar, pero no es densa en toda la superficie.
- Etiquetas indirectas. El objetivo de hielo representa condiciones favorables, no hielo observado y cuantificado.
- Resultados internos. Las comparaciones proceden del equipo que desarrolló el modelo. El código abierto ayuda a reproducirlas, pero todavía se necesitan evaluaciones externas.
- Dependencia de los sensores. El modelo no corrige por arte de magia la resolución, el ruido o los huecos de la observación original.
- Uso no operativo. No sustituye cartografía geodésica, fotogrametría, simulaciones de ingeniería ni controles de seguridad.
Hay además una diferencia entre detectar patrones conocidos y descubrir un fenómeno nuevo. El sistema está preparado para transferir representaciones a tareas relacionadas con las modalidades de SomBench. La ficha excluye su uso fuera de la Luna o con productos ausentes del conjunto de entrenamiento sin nuevas pruebas. Sus campos generados son una comprobación cualitativa de relaciones aprendidas, no predicciones científicas calibradas.
El cambio a medio plazo: una capa común para explorar otros mundos
La consecuencia más importante quizá no sea un porcentaje concreto, sino el flujo de trabajo. Un modelo compartido puede convertir archivos heterogéneos en una base sobre la que distintos equipos construyan detectores, segmentadores y estimadores. La IA pasa de resolver una tarea aislada a servir como capa común entre instrumentos, escalas y preguntas científicas.
Ese enfoque encaja con una tendencia más amplia: procesar antes cantidades de datos que ya superan la capacidad de revisión manual. También lo vemos en proyectos que llevan IA directamente a satélites para seleccionar observaciones útiles. En la Luna, el primer beneficio será probablemente más modesto: priorizar regiones, reducir trabajo repetitivo y ayudar a formular mejores campañas de observación.
Si las evaluaciones independientes confirman los resultados, el siguiente paso lógico será integrar nuevas misiones, mejorar la referencia geográfica y contrastar las predicciones con mediciones sobre el terreno. El modelo podría entonces alimentar herramientas de apoyo para científicos y planificadores, siempre dentro de un proceso donde las decisiones críticas sigan respaldadas por sensores, simulaciones y revisión humana.
Qué conviene vigilar ahora
- Reproducciones de los cuatro bancos de pruebas por grupos sin relación con IBM o la NASA.
- Adaptaciones sobre nuevas regiones polares y datos de misiones internacionales.
- Comparaciones que midan coste, precisión y calibración, no solo una puntuación final.
- Validación de zonas candidatas mediante instrumentos y misiones de superficie.
- Mejoras del marco geodésico antes de cualquier uso cercano a operaciones.
El lanzamiento no significa que una IA haya encontrado la reserva de agua que sostendrá una base lunar. Sí ofrece una herramienta abierta y técnicamente documentada para hacer preguntas mejores sobre un territorio difícil de observar. La promesa es reducir el mapa de incertidumbre; demostrar qué hay realmente bajo el regolito seguirá siendo trabajo de la ciencia y de las misiones.
Fuentes consultadas
- IBM Research: presentación del NASA-IBM Lunar Foundation Model, 10 de septiembre de 2026.
- NASA-IBM AI4Science: ficha, evaluación y limitaciones del modelo, consultada el 10 de septiembre de 2026.
- Reuters: IBM y NASA lanzan el modelo lunar abierto, 10 de septiembre de 2026.
- NASA: misión Lunar Reconnaissance Orbiter, consultada el 10 de septiembre de 2026.
Deja una respuesta