NASA e IBM anunciaron el 10 de septiembre de 2026 el NASA-IBM Lunar Foundation Model, un modelo fundacional de código abierto pensado para analizar datos de teledetección lunar. Su utilidad está en convertir un archivo gigantesco de observaciones en una herramienta reutilizable para estudiar la posible estabilidad del hielo, localizar cráteres y examinar rasgos volcánicos. La letra pequeña importa: el modelo calcula prospectividad, no confirma que haya hielo, y tampoco funciona como certificado para aprobar un lugar de aterrizaje.
NASA e IBM lanzan un modelo de IA para estudiar la Luna
Un modelo fundacional es una base de aprendizaje automático que puede adaptarse a tareas concretas con datos etiquetados. En este caso, NASA e IBM lo han orientado a la ciencia lunar: puede emplearse para estimar la prospectividad del hielo, cartografiar cráteres, detectar cambios en la superficie y estudiar los llamados irregular mare patches, formaciones volcánicas que pueden aportar pistas sobre la historia térmica de la Luna.
La idea no es que la IA sustituya las observaciones científicas, sino que ayude a examinarlas a mayor escala y a reutilizar el mismo punto de partida en distintos análisis. El lanzamiento incluye conjuntos de datos preparados para aprendizaje automático, colecciones de referencia, un informe técnico y la integración con el kit de código abierto TerraTorch.
Casi dos millones de teselas para aprender del satélite
La principal fuente de entrenamiento fueron 17 años de observaciones del Lunar Reconnaissance Orbiter. El conjunto reúne aproximadamente 2 millones de teselas de imágenes, pero no todas tienen la misma resolución ni proceden del mismo tipo de sensor.
- Más de 1 millón de imágenes ofrecen una resolución aproximada de 1 metro por píxel.
- Casi 964.000 imágenes multiespectrales trabajan con una resolución aproximada de 100 metros por píxel.
- El corpus también incorpora datos de GRAIL, Lunar Prospector y la misión Kaguya de la Japan Aerospace Exploration Agency.
Esa mezcla permite abordar la superficie lunar desde varias escalas. Una imagen cercana resulta útil para estudiar detalles como cráteres, mientras que los datos multiespectrales y las observaciones de mayor contexto ayudan a buscar patrones más amplios. No es una colección de fotografías homogénea: es un archivo de mediciones complementarias que la IA puede relacionar y reutilizar.
Prospectividad del hielo no significa hielo confirmado
La pregunta clave tiene una respuesta breve: no, el modelo no detecta directamente hielo lunar. Su tarea es estimar la prospectividad, es decir, señalar regiones cuyas condiciones podrían favorecer la presencia o estabilidad del hielo, incluso en zonas situadas bajo la superficie.
Ese resultado sirve para orientar el análisis científico y priorizar áreas de interés. Pero una zona con alta prospectividad sigue siendo una predicción basada en datos; no constituye una prueba directa de agua congelada. Confundir ambas cosas convertiría un mapa de posibilidades en una afirmación geológica que el modelo no realiza.
La figura muestra mapas de las regiones polares y paneles comparativos con una escala de prospectividad de 0,0 a 1,0, además de una barra de 10 km. Esa escala ayuda a entender la naturaleza del resultado: representa una estimación espacial, no un inventario confirmado de depósitos de hielo.
Cómo ayuda a encontrar cráteres y cambios recientes
El modelo también puede ajustarse para identificar cráteres y cambios en la superficie. NASA describe una demostración con imágenes del Lunar Reconnaissance Orbiter tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca de Einstein crater. Tras el ajuste del modelo, el nuevo rasgo aparece diferenciado de los cráteres que ya estaban presentes.
El ejemplo demuestra una capacidad de adaptación a un caso concreto: comparar observaciones y localizar una modificación superficial. No convierte por sí solo al sistema en una herramienta de vigilancia en tiempo real ni en una garantía para la preparación de misiones. La diferencia entre una demostración de análisis y una certificación operativa no es un detalle menor; en la Luna, los detalles mandan.
Rasgos volcánicos para reconstruir la historia lunar
Otra aplicación son los irregular mare patches, rasgos volcánicos de aspecto relativamente joven cuya edad sigue siendo una cuestión científica abierta. Cartografiar su distribución y sus propiedades puede ayudar a estudiar cómo evolucionó la actividad volcánica y térmica de la Luna.
Aquí el valor del modelo está en facilitar una búsqueda sistemática sobre grandes volúmenes de datos. En lugar de limitar el análisis a unos pocos ejemplos observados manualmente, los investigadores pueden adaptar la base a una tarea concreta y ampliar la cartografía. El resultado no resuelve por sí solo la historia geológica lunar, pero puede proporcionar una forma más rápida de localizar patrones que después deberán interpretarse científicamente.
Una base de investigación, no un certificado de aterrizaje
El NASA-IBM Lunar Foundation Model está diseñado para ayudar a investigar y cartografiar la Luna. Sus usos compatibles con el lanzamiento incluyen:
- estimar la prospectividad y la estabilidad probable del hielo;
- cartografiar cráteres a distintas escalas;
- analizar cambios superficiales, como el nuevo impacto mostrado cerca de Einstein crater;
- estudiar irregular mare patches y otros rasgos volcánicos;
- adaptar una base común a nuevas tareas con cantidades reducidas de datos etiquetados.
Eso no equivale a despejar riesgos operativos ni a certificar zonas de aterrizaje. Un modelo que organiza indicios y detecta patrones puede ser muy útil para decidir qué estudiar después, pero la decisión sobre una misión necesita integrar requisitos, mediciones y análisis específicos que quedan fuera del alcance presentado para esta herramienta.
NASA e IBM han puesto el foco en una infraestructura científica reutilizable: una base entrenada con observaciones lunares de varias misiones que puede adaptarse a preguntas diferentes. Su consecuencia práctica más importante no es que la IA haya encontrado agua en la Luna, sino que puede ayudar a los investigadores a recorrer con más método el enorme archivo de datos que ya existe.
