La Luna parece un paisaje inmóvil, pero estudiarla produce una cantidad de información difícil de abarcar. Una misma zona puede aparecer con sombras muy distintas, los instrumentos observan a resoluciones incompatibles y algunas señales importantes —como la posible estabilidad del hielo— no se ven directamente en una fotografía. NASA e IBM quieren reducir esa complejidad con un modelo de inteligencia artificial entrenado específicamente para entender datos lunares.
El NASA-IBM Lunar Foundation Model, presentado el 10 de septiembre de 2026, es un modelo fundacional multimodal y multirresolución para teledetección de la Luna. Está disponible públicamente y puede adaptarse a tareas como detectar cráteres, delimitar estructuras volcánicas y estimar dónde podrían darse condiciones compatibles con la conservación de hielo.
El avance no significa que una IA haya encontrado por sí sola nuevas reservas de agua ni que pueda elegir un lugar de alunizaje sin supervisión. Su valor es más concreto: reúne mediciones muy diferentes en una representación común y permite entrenar herramientas especializadas con menos datos etiquetados. Esa diferencia entre acelerar una investigación y demostrar un hallazgo es esencial para entender el anuncio.
Qué es el NASA-IBM Lunar Foundation Model
Un modelo fundacional aprende primero patrones generales a partir de una colección grande de datos y después se adapta a problemas más concretos. En este caso no se trata de un chatbot ni de un generador de imágenes para el público general. Es un sistema de visión científica construido para trabajar con observaciones lunares, topografía, geometría de iluminación y otras capas de información espacial.
Según el anuncio oficial de NASA, el entrenamiento utilizó aproximadamente dos millones de mosaicos: más de un millón de imágenes de alta resolución, cercanas a un metro por píxel, y casi 964.000 imágenes multiespectrales de unos 100 metros por píxel. La fuente principal fue el Lunar Reconnaissance Orbiter, que lleva 17 años observando la superficie, junto con datos de GRAIL, Lunar Prospector y la misión japonesa Kaguya/SELENE.
La ficha técnica pública del modelo precisa que el conjunto reúne 11 modalidades a dos escalas espaciales. Entre ellas hay reflectancia visible y ultravioleta, topografía, pendiente, orientación del terreno, datos térmicos, radar, mineralogía, gravedad e hidrógeno, además de metadatos sobre el ángulo del Sol y la posición de cada tesela.
Por qué cartografiar la Luna es más difícil de lo que parece
La iluminación puede cambiar el aspecto del terreno
En la Tierra, la atmósfera dispersa parte de la luz y suaviza los contrastes. La Luna apenas tiene atmósfera, de modo que un borde puede quedar intensamente iluminado mientras el fondo de un cráter permanece casi negro. Cerca de los polos, el Sol se mantiene bajo sobre el horizonte y proyecta sombras largas. Una roca, una pendiente o un cráter pequeño pueden parecer distintos según el momento y el ángulo de observación.
Por eso el modelo no recibe únicamente píxeles. La geometría de adquisición —incidencia solar, ángulo de emisión, fase y coordenadas— se introduce como contexto explícito. La idea es evitar que el sistema tenga que deducir desde cero una variable que los instrumentos ya registraron y que condiciona profundamente la apariencia de la superficie.
Los sensores hablan a escalas diferentes
Una cámara puede mostrar detalles de un metro, mientras un mapa gravitatorio resume áreas de kilómetros. Superponer ambas fuentes como si tuvieran la misma precisión introduciría errores. El modelo combina observaciones de alta y baja resolución durante el preentrenamiento, pero conserva su escala y modalidad. Así intenta aprender relaciones comunes sin fingir que todas las capas describen el mismo nivel de detalle.
Cómo aprende esta IA lunar
La arquitectura utiliza un codificador visual de tipo ViT-B y una variante del método TerraMind, desarrollado originalmente para observación terrestre. Durante el entrenamiento se ocultan partes de las distintas modalidades y el sistema aprende a reconstruir o relacionar la información que falta. No memoriza una sola tarea: construye una representación reutilizable del terreno y sus señales.
Después, un equipo puede especializar el modelo con ejemplos etiquetados de cráteres, zonas volcánicas o mapas de prospectividad de hielo. La adaptación admite técnicas como LoRA, que modifican una fracción pequeña de los parámetros. IBM explica que, en sus pruebas, estos adaptadores mantuvieron congelado alrededor del 90 % de los pesos del modelo base. Eso puede reducir el coste y la cantidad de entrenamiento necesarios para cada investigación.
Tres aplicaciones iniciales: cráteres, volcanismo e hielo
Detectar y medir cráteres
Contar cráteres ayuda a estimar la edad relativa de una región: una superficie que ha permanecido expuesta durante más tiempo suele acumular más impactos. Automatizar su identificación permitiría revisar extensiones inmensas y localizar cambios entre observaciones. NASA mostró como ejemplo la detección de un cráter nuevo en imágenes tomadas antes y después del impacto de un cuerpo de cohete cerca del cráter Einstein.
En el banco de pruebas publicado, el modelo obtuvo resultados comparables al mejor sistema especializado en imágenes de un metro por píxel. En mapas de 100 metros por píxel superó al modelo de referencia incluso utilizando la mitad de los datos de entrenamiento. Son resultados del equipo creador, no una certificación de que pueda emplearse directamente para despejar riesgos de una misión.
Reconstruir la historia volcánica
Las llamadas manchas irregulares de los mares lunares son estructuras volcánicas que parecen más jóvenes que gran parte del terreno circundante. Saber dónde están y medir su extensión puede ayudar a afinar la cronología del enfriamiento de la Luna. En esta tarea, la mejor variante del modelo quedó muy cerca de otros sistemas fuertes y logró una ventaja pequeña frente al referente utilizado por IBM.
Estimar la prospectividad de hielo polar
Los cráteres permanentemente sombreados pueden conservar hielo durante periodos muy largos. Localizar zonas prometedoras interesa tanto para reconstruir la historia del agua como para estudiar recursos potenciales de futuras misiones. El sistema combina temperatura, pendiente, orientación, profundidad estimada de estabilidad y otras señales para producir un mapa de probabilidad relativa.
La mejora más clara apareció aquí: IBM Research informa de una reducción del 22 % en el error frente a un transformador SwinV2 entrenado para prospectividad de hielo. Pero la palabra importante es prospectividad. La salida reproduce un mapa elaborado a partir de conocimiento y mediciones indirectas; no observa ni confirma hielo físico. Una zona resaltada sigue necesitando contraste con instrumentos, análisis geológico y, en último término, observación sobre el terreno.
Qué significan realmente los resultados
El modelo igualó o superó a varias arquitecturas conocidas en los cuatro bancos de prueba publicados. En detección de cráteres a escala amplia alcanzó una mAP de 0,2581 frente a 0,2420 del mejor referente; en prospectividad de hielo redujo el RMSE de 0,0377 a 0,0293. En cráteres de máxima resolución y segmentación volcánica, las diferencias fueron lo bastante pequeñas como para considerar los sistemas comparables.
Esta lectura matizada es más útil que resumir el anuncio como «una IA un 23 % mejor». No existe una puntuación universal para cartografiar toda la Luna: cada tarea utiliza una métrica, una resolución y un conjunto de datos diferentes. Además, las evaluaciones proceden del propio proyecto. La reproducción por otros equipos y las pruebas con regiones o instrumentos no incluidos dirán hasta dónde se generaliza la ventaja.
Un modelo abierto, aunque no todo el proceso es reproducible todavía
Los pesos, la ficha del modelo y las variantes para tareas concretas se distribuyen en Hugging Face bajo licencia Apache 2.0. El repositorio público de NASA IMPACT incluye el código de ajuste e inferencia, configuraciones para TerraTorch y ejemplos de ejecución. NASA también ha publicado colecciones de datos y bancos de pruebas preparados para aprendizaje automático.
Esta apertura permite descargar el modelo, compararlo, adaptarlo y examinar sus limitaciones. Sin embargo, el repositorio indica que el código de preentrenamiento no está incluido. Por tanto, es posible reproducir la adaptación y la evaluación con los recursos facilitados, pero no rehacer de principio a fin el mismo entrenamiento base únicamente con ese repositorio. Señalar esta diferencia evita confundir «pesos abiertos» con «proceso totalmente reproducible».
Los límites que impiden usarlo como piloto automático
- No certifica lugares de alunizaje: la propia ficha excluye decisiones operativas de seguridad, navegación y despeje de peligros.
- No mantiene una referencia geodésica absoluta: puede aprender estructuras locales, pero algunas salidas generadas desplazan elevaciones o coordenadas.
- La predicción de hielo no es una medición: aproxima un mapa de prospectividad, no la presencia ni la cantidad de agua.
- La cobertura de máxima resolución es limitada: las imágenes NAC utilizadas dependen de zonas con modelos topográficos estéreo compatibles y no forman una malla global densa.
- La iluminación sigue siendo un factor de confusión: sombras diferentes entre órbitas pueden alterar la visibilidad de cráteres pequeños.
- No se ha validado fuera de la Luna: no debe suponerse que funcionará igual en Marte, asteroides u otros cuerpos sin nuevo entrenamiento y evaluación.
Estas restricciones no reducen el interés científico; definen dónde es útil. El modelo puede priorizar regiones, acelerar anotaciones y generar hipótesis. Las decisiones de misión requieren después instrumentos calibrados, cartografía geodésica, simulaciones físicas y revisión humana.
Por qué este proyecto importa más allá de la Luna
Durante la primera ola de IA generativa, gran parte de la atención se concentró en modelos capaces de responder sobre casi cualquier tema. El NASA-IBM Lunar Foundation Model representa otra dirección: sistemas especializados que aprenden el lenguaje de un dominio científico, integran instrumentos heterogéneos y se adaptan a preguntas concretas con pocos ejemplos.
La tendencia también aparece en la IA aplicada a matemáticas, como el trabajo multiagente sobre el problema de Navier-Stokes y su validación formal. En ambos casos, la tecnología resulta valiosa cuando hace trazable la evidencia, reconoce lo que no ha demostrado y facilita que especialistas externos revisen el resultado.
Si el enfoque funciona, podrían surgir modelos fundacionales para cada gran archivo científico: observación planetaria, telescopios, clima, materiales o biología. El cuello de botella dejaría de ser únicamente calcular y pasaría a incluir algo igualmente difícil: armonizar datos, documentar su procedencia y construir evaluaciones que reflejen problemas reales.
Hechos, hipótesis y predicciones
Hechos: NASA e IBM han publicado un modelo lunar multimodal entrenado con cerca de dos millones de mosaicos; ofrece pesos, código de adaptación, datos y resultados de evaluación; y sus primeras tareas son cráteres, volcanismo y prospectividad de hielo. La documentación excluye expresamente el uso para certificar lugares de alunizaje o sustituir mediciones científicas.
Hipótesis razonable: combinar muchas capas de observación en una representación común puede reducir el tiempo necesario para explorar archivos lunares y permitir que equipos pequeños prueben nuevas preguntas sin entrenar un modelo desde cero. La magnitud del ahorro deberá medirse en proyectos independientes.
Predicción, no certeza: durante los próximos años veremos modelos similares integrados en flujos híbridos donde la IA selecciona zonas prometedoras, los simuladores comprueban escenarios y los científicos deciden qué observar. Su impacto dependerá menos de una demostración vistosa que de la calidad de los datos, la calibración y la revisión externa.
Conclusión: un mapa más inteligente, no una verdad automática
El NASA-IBM Lunar Foundation Model convierte décadas de observaciones dispersas en una base común para investigar la superficie lunar. Su capacidad para adaptarse con pocos datos y relacionar señales a escalas muy diferentes puede acelerar el trabajo sobre cráteres, volcanismo e hielo polar.
El lanzamiento importa precisamente porque combina ambición y límites explícitos. La IA puede señalar dónde mirar y qué patrones merecen atención; no puede transformar una estimación en un descubrimiento ni una imagen en una autorización de aterrizaje. Utilizada como instrumento de apoyo, puede ampliar la ciencia lunar. Utilizada como sustituto de la evidencia, solo produciría mapas convincentes con una certeza que todavía no poseen.