Em 10 de setembro de 2026, NASA e IBM lançaram o NASA-IBM Lunar Foundation Model, um modelo fundacional de código aberto voltado à ciência lunar. A ferramenta foi projetada para reaproveitar grandes conjuntos de dados de sensoriamento remoto em tarefas como estimar a prospectividade do gelo, mapear crateras, identificar mudanças na superfície e estudar estruturas vulcânicas — sem transformar uma previsão de IA em confirmação de água ou autorização para pouso.
NASA e IBM lançam um modelo de IA para estudar a Lua
Um modelo fundacional é treinado com uma base ampla e pode ser adaptado para diferentes tarefas. Neste caso, o objeto de análise é a superfície lunar e seus sinais geológicos, observados por missões espaciais ao longo de décadas.
A proposta é reduzir o trabalho de começar cada investigação do zero. Pesquisadores podem ajustar o modelo para procurar padrões específicos, como crateras, mudanças recentes no terreno ou irregular mare patches — formações vulcânicas de aparência relativamente jovem que ajudam a investigar a história térmica da Lua.
A escala do arquivo é o ponto central. NASA e IBM combinaram observações de diferentes missões para criar uma base reutilizável, em vez de limitar o sistema a uma única imagem ou a um único tipo de medição.
A base de treinamento: 17 anos de observações da LRO
O principal conjunto de treinamento veio do Lunar Reconnaissance Orbiter, que reuniu observações ao longo de 17 anos. O corpus tem aproximadamente 2 milhões de mosaicos de imagens, mas essa cifra reúne dados com resoluções e características diferentes.
A divisão descrita para o treinamento inclui:
- mais de 1 milhão de imagens com resolução aproximada de 1 metro por pixel;
- quase 964 mil imagens multiespectrais com resolução aproximada de 100 metros por pixel.
Também entraram dados das missões GRAIL, Lunar Prospector e Kaguya, da Japan Aerospace Exploration Agency. Essa combinação permite relacionar imagens da superfície a outras informações sobre o ambiente lunar, sem tratar todas as observações como se tivessem a mesma escala ou finalidade.
O ganho prático está na adaptação. Em vez de treinar um sistema completamente novo para cada pergunta, pesquisadores podem partir de uma representação mais ampla da Lua e ajustá-la com conjuntos menores de dados rotulados para uma tarefa específica.
Prospectividade de gelo não é detecção direta
A pergunta mais importante tem uma resposta curta: não, o modelo não detecta diretamente o gelo lunar.
Ele estima a prospectividade do gelo, isto é, indica regiões onde as condições observadas sugerem que o gelo pode estar localizado ou permanecer estável. Essa estimativa pode considerar áreas próximas aos polos e regiões acima ou abaixo da superfície, mas não equivale a encontrar fisicamente água congelada.
Essa diferença aparece na própria leitura dos mapas: uma escala de prospectividade organiza níveis de probabilidade ou adequação estimada para a análise, não uma contagem de depósitos confirmados. O resultado serve para orientar estudos posteriores e ajudar a selecionar regiões de interesse científico.
A imagem reúne mapas polares e painéis de comparação com uma escala de 0,0 a 1,0. Ela ajuda a visualizar o tipo de saída produzido pelo sistema: uma representação espacial para priorizar áreas, não uma fotografia de blocos de gelo escondidos no solo lunar.
Como o modelo encontra crateras e mudanças na superfície
O NASA-IBM Lunar Foundation Model também pode ser ajustado para mapear crateras e identificar alterações entre observações feitas em momentos diferentes.
NASA descreve uma demonstração com imagens do Lunar Reconnaissance Orbiter obtidas antes e depois do impacto de um corpo de foguete da SpaceX perto da Einstein crater. Após o ajuste para essa tarefa, o modelo destacou a nova estrutura de impacto separadamente das crateras já existentes.
Isso mostra uma aplicação concreta de análise de mudanças: comparar imagens, localizar padrões que não estavam presentes antes e separar uma alteração recente de características antigas do terreno. A demonstração, porém, descreve um uso de pesquisa ajustado para um caso específico; não transforma o sistema em uma garantia geral de detecção em tempo real.
As caixas ciano marcam características crateriformes nas duas imagens, enquanto uma marcação vermelha destaca uma área adicional no painel da direita. O visual explica a lógica de comparação, mas não fornece sozinho uma métrica de desempenho nem estabelece quantas crateras existem no quadro.
Estruturas vulcânicas ajudam a recontar a história lunar
Entre as tarefas previstas está o mapeamento dos irregular mare patches, formações vulcânicas incomuns que podem ser relativamente jovens em termos geológicos. Distribuição, forma e propriedades dessas estruturas ajudam pesquisadores a investigar a atividade vulcânica e a evolução térmica da Lua.
Aqui, a utilidade do modelo não está em oferecer uma idade definitiva para cada formação. Está em permitir que grandes áreas sejam examinadas de maneira mais consistente, criando mapas que podem apoiar comparações e novas perguntas científicas.
A mesma lógica vale para o restante do projeto: a IA acelera a triagem e a organização de padrões, enquanto a interpretação científica continua dependendo do contexto dos dados e da tarefa analisada.
Uma ferramenta de pesquisa, não um certificado de pouso
O lançamento é relevante porque transforma um arquivo lunar enorme em uma base que pode ser adaptada a várias perguntas. O modelo foi apresentado para estimativa de prospectividade, mapeamento de crateras, detecção de mudanças na superfície e estudo de estruturas vulcânicas.
Isso não significa que ele certifique locais seguros para pouso, libere uma área para operações ou substitua a análise necessária de uma missão. Tampouco significa que uma região destacada no mapa contenha gelo confirmado.
Para quem acompanha a exploração lunar, o avanço está menos em uma “resposta automática” sobre a Lua e mais em uma nova camada de análise sobre dados já acumulados. O resultado pode ajudar cientistas a encontrar padrões, comparar terrenos e decidir quais regiões merecem investigação mais cuidadosa. A próxima descoberta pode começar no mapa — mas ainda precisará sair dele para ser comprovada.
