IBM y NASA lanzan modelo de IA de código abierto para explorar la Luna

Hace décadas que los satélites y sondas orbitan la Luna, acumulando petabytes de información sobre su superficie cambiante: cráteres formados por impactos, depósitos de hielo escondidos en sombras perpetuas, cicatrices de actividad volcánica antigua. Pero toda esa riqueza de datos permanecía fragmentada, dispersa entre instrumentos distintos, resoluciones incompatibles, formatos que no dialogaban entre sí. Los científicos debían recurrir a revisiones manuales de mapas e imágenes, o confiar en modelos de aprendizaje automático de baja resolución diseñados para tareas específicas. Era un cuello de botella costoso y impreciso. IBM y la NASA acaban de abrir una puerta diferente.

En septiembre de 2026, ambas instituciones presentaron públicamente el Modelo de la Fundación Lunar NASA-IBM, un sistema de inteligencia artificial de código abierto entrenado con observaciones lunares de múltiples instrumentos y misiones. Su propósito es transformar décadas de datos complejos en información útil y accesible, acelerando el estudio de fenómenos clave para la exploración lunar: depósitos potenciales de hielo, historia volcánica, detección de cráteres. Kevin Murphy, director de datos científicos e inteligencia artificial en la sede de la NASA en Washington, explicó el sentido de la herramienta: la agencia ha invertido décadas en construir un registro científico extraordinario de la Luna, pero recopilar datos es solo una parte del trabajo. El verdadero desafío es facilitar a los científicos la exploración y el uso de esos datos. El modelo demuestra lo que sucede cuando se aplica inteligencia artificial a petabytes de información científica: la oportunidad de convertir volúmenes masivos en nuevos descubrimientos.

Uno de los usos más inmediatos apunta a las regiones permanentemente sombreadas de la Luna, entre los entornos más difíciles de observar del satélite. Esas zonas podrían albergar hielo bajo la superficie, un recurso que indicaría la presencia de agua y oxígeno, ambos elementos considerados esenciales para sostener una futura base lunar y para producir combustible de cohetes en misiones posteriores hacia Marte. El modelo NASA-IBM combina observaciones de múltiples resoluciones para predecir dónde podría concentrarse ese hielo. Según un documento técnico elaborado por ambas instituciones, el sistema redujo el error cuadrático medio en la identificación de áreas con alto potencial de hielo lunar hasta en un 22 por ciento en comparación con modelos anteriores como SwinV2-B.

Los cráteres figuran entre las características más distintivas de la Luna y aportan pistas cruciales sobre su historia: la edad de distintos terrenos, su geología, la composición química del interior lunar primitivo. Su mapeo es clave para que la NASA seleccione lugares de aterrizaje seguros, evite riesgos como pendientes pronunciadas o rocas, y planifique la ubicación de infraestructura lunar a largo plazo. Con el nuevo modelo, los investigadores pueden identificar, contextualizar y clasificar cráteres con resolución de escala métrica, logrando una precisión comparable a la de modelos de última generación pero con mayor eficiencia y menores costos de ajuste fino. En resolución de escala contextual de aproximadamente 100 metros, el modelo supera a sus predecesores en casi un 19 por ciento utilizando solo la mitad de los datos de entrenamiento.

El sistema también permite estudiar los Parches Irregulares de Mare, formaciones volcánicas que ayudan a comprender la historia volcánica y la evolución térmica de la Luna. La identificación de estas regiones cambiantes resulta estratégica para futuras operaciones en la superficie. Utilizando etiquetas imperfectas, el modelo captura la extensión de esas formaciones volcánicas con una precisión 3 por ciento superior a la de modelos anteriores, logrando un desempeño comparable con mayor eficiencia.

Pero el verdadero cambio de escala reside en lo que IBM y la NASA construyeron junto al modelo: el primer conjunto de datos lunares de código abierto unificado y listo para el aprendizaje automático moderno. Hasta ahora no existía un repositorio público que integrara registros multimodales y de múltiples resoluciones en un marco común. Esta base de datos agrega más de 30 capas alineadas espacialmente, obtenidas de nueve instrumentos pertenecientes a cuatro misiones distintas. Combina decenas de miles de imágenes y mapas con propiedades geofísicas únicas de la superficie lunar, generados por el Orbitador de Reconocimiento Lunar y la misión GRAIL de la NASA. A esos registros se suman datos complementarios de la misión SELENE/Kaguya de la Agencia Japonesa de Exploración Aeroespacial, lo que aporta una visión multimodal de la superficie y el subsuelo lunares disponible para toda la comunidad científica.

Juan Bernabe-Moreno, director de IBM Research para Europa, Reino Unido e Irlanda, situó el aporte del modelo en la escala del desafío científico: para desvelar los misterios de la Luna se requiere la capacidad de aprender de un volumen extraordinario de datos. La herramienta proporciona a los científicos una base para explorar la Luna a gran escala, conectando observaciones de distintos instrumentos, revelando patrones difíciles de detectar de forma aislada, y ofreciendo una plataforma abierta sobre la que la comunidad científica mundial puede seguir trabajando. Lo que antes exigía revisión manual o herramientas limitadas a una sola tarea ahora puede procesarse a velocidad y escala sin precedentes.