¿Cómo sería mirar el cielo con unos ojos capaces de ver una luz invisible para nosotros? El astrofísico Brice Ménard acaba de presentar un mapa de todo el firmamento en luz ultravioleta elaborado con ayuda de Claude Science y datos de varios telescopios espaciales. Es una imagen tan llamativa como instructiva: las estrellas calientes, las nubes de polvo iluminadas y la estructura de la Vía Láctea aparecen de una forma muy diferente a la fotografía nocturna a la que estamos acostumbrados. Pero hay una distinción esencial: parte del mapa procede de medidas y otra parte son estimaciones estadísticas.
El trabajo fue explicado el 8 de octubre de 2026 por Ménard, investigador de la Universidad Johns Hopkins y de Anthropic. Al día siguiente, el departamento de Física y Astronomía de Johns Hopkins se hizo eco del proyecto. La novedad no es que un modelo lingüístico haya apuntado un telescopio al espacio ni que haya descubierto por sí solo una galaxia. Lo relevante es que una colaboración entre un científico y agentes de inteligencia artificial permitió reunir, limpiar y armonizar una cantidad enorme de observaciones que llevaban años dispersas, y reconstruir de forma etiquetada los huecos donde no existían fotografías ultravioletas.
La pregunta para la ciencia no es únicamente si el resultado es bonito. Es otra: ¿puede una herramienta de inteligencia artificial producir recursos científicos útiles sin confundir lo medido con lo calculado? Este caso permite examinar tanto el potencial de los agentes autónomos como sus fallos, las comprobaciones humanas y las condiciones que hacen fiable un conjunto de datos.
Qué anunció Anthropic y quién está detrás del mapa
Brice Ménard describió en la publicación original de Anthropic cómo utilizó Claude Science para coordinar agentes que descargaron observaciones ultravioletas públicas, normalizaron sus mediciones y elaboraron una representación continua del cielo. El departamento de Física y Astronomía de Johns Hopkins confirmó el trabajo y enumeró las misiones cuyos datos se combinaron.
El mapa muestra dos bandas del ultravioleta: una lejana, alrededor de 154 nanómetros, y otra cercana, alrededor de 232 nanómetros. Esos números no representan colores que podamos ver directamente: son longitudes de onda de radiación situada más allá del violeta visible. Para visualizarla, los investigadores asignan colores que traducen diferencias físicas de intensidad entre las bandas.
En la visualización interactiva del proyecto se puede comparar el aspecto ultravioleta con el cielo en luz visible e infrarroja. El mapa presenta el conjunto del firmamento en una proyección ovalada llamada Mollweide, con el centro de nuestra galaxia en la zona central. También ofrece explicaciones sobre el origen y la fiabilidad de la información.
Conviene situar bien la cronología: aunque Anthropic publicó el relato en octubre, la documentación del proyecto fecha una versión del mapa en el 16 de septiembre de 2026. Presentación pública y fecha de cálculo no son lo mismo.
Por qué faltaba una imagen completa del cielo en ultravioleta
La atmósfera terrestre bloquea buena parte de la radiación ultravioleta que llega del espacio. Esa protección es magnífica para la vida, pero obliga a colocar instrumentos por encima de la atmósfera si queremos observar el universo en esas longitudes de onda. El problema no era que nadie se hubiera interesado por el ultravioleta: existían importantes campañas de observación, aunque ninguna cubría cada región del cielo con el mismo detalle.
El protagonista histórico es GALEX, siglas de Galaxy Evolution Explorer, una misión espacial de la NASA lanzada en 2003 y retirada en 2013. Según la información oficial de la NASA, su objetivo consistía en observar objetos en ultravioleta para estudiar la formación estelar y la evolución de las galaxias.
El proyecto de Ménard reúne unas 38.000 observaciones de GALEX. Su documentación técnica precisa que las imágenes originales cubrían aproximadamente el 64 % del cielo en ultravioleta lejano y el 76 % en ultravioleta cercano. No se trata de que el resto estuviera vacío: había regiones que el telescopio no observó, entre otros motivos para evitar estrellas demasiado brillantes que podían perjudicar los detectores. Además, el detector de ultravioleta lejano dejó de operar antes que el cercano.
Otros instrumentos aportaron información complementaria. Swift-UVOT observó zonas específicas; el instrumento coreano FIMS/SPEAR ofreció referencias más generales en ultravioleta lejano; TD-1 contribuyó datos de estrellas brillantes; y los mapas de Gaia y Planck, ambos vinculados a la Agencia Espacial Europea, ayudaron a estimar estructuras donde faltaban medidas ultravioletas directas.
El trabajo pendiente era enorme: no bastaba con pegar fotografías como piezas de un mosaico. Las mediciones tenían distintas escalas, resoluciones, fondos luminosos y errores instrumentales. Antes de cualquier predicción había que conseguir que toda la información observada fuera comparable.
Cómo trabajaron los agentes de Claude Science
Primera fase: localizar y ordenar observaciones
El científico planteó un objetivo global y el sistema organizó una serie de tareas. Diferentes agentes recopilaron los sondeos públicos y prepararon las imágenes y tablas necesarias. Esta parte suele ser poco vistosa, pero es fundamental: sin un inventario claro de instrumentos, filtros y cobertura, cualquier fusión posterior puede mezclar magnitudes incompatibles.
Segunda fase: limpiar señales que no vienen del espacio profundo
Un telescopio no mide únicamente aquello que pretendemos observar. La luz dispersa alrededor de las estrellas más brillantes, el resplandor de capas altas de la atmósfera terrestre y la luz zodiacal introducen señales que deben identificarse antes de analizar las estructuras más tenues. En este proyecto los agentes realizaron ajustes para que los bordes de miles de observaciones coincidieran mejor y sus fondos no dejaran círculos artificiales en el mapa.
Esta limpieza es un excelente ejemplo de tarea que puede ocupar horas de cálculo sin constituir por sí misma un descubrimiento. Que una inteligencia artificial acelere el procesamiento no elimina la necesidad de definir correctamente qué es ruido, qué es señal y qué incertidumbre conserva cada resultado.
Tercera fase: comparar instrumentos diferentes
GALEX, Swift y los demás instrumentos no registran exactamente la misma porción del espectro ni con la misma sensibilidad. Fue necesario llevarlos a una referencia común, ajustar su calibración y proyectarlos sobre coordenadas compatibles. El principio declarado en la documentación técnica es claro: si existe una medición directa fiable, debe prevalecer frente a una estimación.
Cuarta fase: estimar los huecos
En las zonas sin datos ultravioletas suficientes se utilizó un método de predicción espacial, apoyado en otras longitudes de onda. Es la idea general que suele describirse como inpainting, es decir, completar regiones ausentes a partir del contexto y de otras fuentes de información. Pero aquí existe una precisión importante: el sistema que predice el brillo ultravioleta no es simplemente el modelo de lenguaje generando una imagen convincente.
La documentación técnica describe una regresión estadística basada en árboles de decisión y decenas de características procedentes de mapas de polvo, emisión de hidrógeno y luz estelar. Claude ayudó a construir, ejecutar y revisar ese procedimiento. La distinción importa: una cosa es que un agente de inteligencia artificial programe y coordine análisis; otra, diferente, es el modelo matemático que calcula cada valor de brillo.
Quinta fase: añadir fuentes estelares
El resultado incorpora también estimaciones de luz ultravioleta de aproximadamente 119 millones de estrellas identificadas en Gaia. El brillo de algunas se conoce mediante mediciones apropiadas; el de otras se infiere a partir de información disponible en otras bandas. De nuevo, que una estrella aparezca representada no significa necesariamente que GALEX obtuviera una imagen ultravioleta directa de ella.
La cifra más importante no es el número de estrellas: es el porcentaje de cielo estimado
Anthropic resume que aproximadamente un tercio del cielo necesitaba reconstruirse. La ficha técnica desglosa la situación con más precisión: una parte considerable procedía de otros instrumentos o transformaciones entre bandas, mientras que alrededor del 28 % de la banda ultravioleta lejana y del 27 % de la cercana requirió predicción para rellenar huecos. Hay que distinguir cobertura, origen de los datos y grado de inferencia: no son porcentajes intercambiables.
La página del proyecto atribuye a cada píxel información de procedencia. Eso permite saber si se apoya en datos de GALEX, otras observaciones, una transformación entre bandas o un modelo de predicción. También incorpora estimaciones de incertidumbre. Para un estudiante puede bastar con mirar el mapa completo; para un investigador que busque una señal débil, esas capas son tan importantes como los colores de la imagen.
La frase clave es: un mapa sin huecos no equivale a un cielo totalmente fotografiado. Esta diferencia evita que una reconstrucción estética se confunda con una observación física nueva.
¿Qué precisión alcanzó la reconstrucción?
Según el relato divulgativo de Anthropic, cuando el investigador ocultó deliberadamente zonas con medidas conocidas para comprobar si el sistema podía reconstruirlas, las predicciones llegaron a aproximarse a las observaciones con diferencias del orden del 10 % después de varias mejoras.
La página técnica del mismo proyecto matiza la cifra: presenta errores típicos del 12 % al 14 % para determinadas regiones reconstruidas en las pruebas de validación, frente a incertidumbres próximas al 5 % en zonas fotografiadas, con resultados peores cuando la región se encuentra lejos de observaciones reales. Las cifras responden a resúmenes y procedimientos de evaluación distintos, por lo que no conviene convertir el 10 % divulgativo en una garantía general por píxel.
Además, una resolución de muestreo alta no significa una precisión física idéntica en todas las zonas. En determinadas regiones predichas, la resolución efectiva descrita ronda medio grado a un grado, mucho más gruesa que los píxeles finos utilizados para presentar el conjunto. La propia documentación advierte de que las estructuras pequeñas dibujadas dentro de una zona reconstruida podrían ser únicamente el resultado del modelo y no detalles medidos del cosmos.
Para investigaciones cuantitativas, lo recomendable es consultar procedencia e incertidumbre y, cuando solo interesen fotones realmente medidos, filtrar las regiones modeladas. Un mapa puede ser excelente para aprender astronomía y, a la vez, insuficiente para confirmar por sí solo una estructura extremadamente débil.
El error que los propios agentes no detectaron
Una parte especialmente reveladora del caso no es un acierto, sino un fallo que salió a la luz durante la revisión humana. Ménard observó tenues discos en partes oscuras de la reconstrucción. Eran marcas de las observaciones circulares originales de GALEX, causadas por diferencias residuales en el fondo luminoso. El sistema ya había señalado esa posibilidad y, sin embargo, dos revisiones efectuadas por otros agentes no identificaron adecuadamente el problema.
Cuando el investigador lo indicó, los agentes localizaron la causa, ajustaron el tratamiento del fondo de las aproximadamente 38.000 observaciones y las huellas visuales desaparecieron en una nueva versión. El científico explica que durante varios días alternó periodos de orientación humana con horas de cálculo autónomo.
La conclusión no es que todo quedó resuelto gracias a un prompt mágico. Es precisamente la contraria: la automatización multiplicó la capacidad de ejecutar y repetir análisis, pero el criterio del experto fue decisivo para detectar un error que el sistema había pasado por alto. Una auditoría automática, incluso repetida, no puede sustituir sin más una validación independiente.
Qué se descubre mirando el universo de otra manera
El ultravioleta ayuda a reconocer estrellas muy calientes y regiones donde la formación estelar o el polvo iluminado producen patrones característicos. En el mapa destacan nubes alrededor de estrellas jóvenes, grandes arcos relacionados con procesos energéticos y objetos cercanos como las Nubes de Magallanes. Pero las mismas regiones pueden parecer muy distintas en el infrarrojo, la luz visible o las ondas de radio.
Un ejemplo útil es la franja central de la Vía Láctea. En fotografías nocturnas la vemos como un gran camino de estrellas y nubes oscuras. En ciertas observaciones ultravioletas, el polvo absorbe esa luz y cambia radicalmente el contraste. Por eso no existe una única fotografía «verdadera» que lo explique todo: los astrónomos combinan bandas distintas para estudiar gas, polvo, estrellas y fenómenos de alta energía.
El mapa interactivo original permite explorar estas diferencias con la ventaja de que su documentación separa explícitamente lo observado de lo inferido. Esa transparencia es más valiosa para entender la ciencia que un simple efecto visual espectacular.
Lo que este proyecto enseña sobre la inteligencia artificial científica
Durante años, la conversación pública sobre los modelos generativos se centró en escribir respuestas o crear imágenes. Este proyecto ilustra una evolución distinta: un sistema capaz de coordinar pasos de investigación, programar procesos, gestionar archivos, corregir operaciones repetitivas y producir un artefacto comprobable bajo la dirección de un científico. No se trata de sustituir el método científico, sino de desplazar trabajo mecánico para dedicar más esfuerzo a preguntas, interpretación y revisión.
En FormateconIA hemos analizado otras aplicaciones científicas que sirven de comparación. Una es el cálculo de nueve bucles en física teórica realizado con ayuda de Claude, donde el problema central era la validez de una expresión matemática compleja. Otra es el uso de Muse Spark en problemas matemáticos abiertos, que permite distinguir entre generar una propuesta prometedora y demostrarla formalmente. En el mapa ultravioleta, el reto no era únicamente calcular: era integrar datos de instrumentos diferentes y expresar honestamente la incertidumbre.
Para profesionales que quieran aprender primero los fundamentos y no confundir las posibilidades de una herramienta con resultados garantizados, puede ser útil comparar los contenidos de Inteligencia Artificial para Todos. Quienes busquen desarrollar un manejo más práctico de instrucciones, revisión y tareas asistidas pueden consultar también nuestro análisis del curso Domina la IA. Estas formaciones no participaron en el proyecto científico y se citan únicamente como recursos de aprendizaje relacionados.
Cuatro límites que ningún titular debería ocultar
1. Las zonas calculadas no sirven para anunciar descubrimientos
En el área que ningún telescopio observó en ultravioleta, el mapa reconstruye estructuras a partir de información conocida. Si un punto brillante aparece en una zona predicha, no constituye por ello el descubrimiento de una estrella nueva: la predicción se construyó a partir de pistas externas. Para confirmar un objeto inesperado sigue haciendo falta una medición independiente.
2. El modelo aprende relaciones que pueden fallar fuera de su experiencia
Una regresión estadística se apoya en ejemplos conocidos. Puede aproximar patrones comunes y fallar precisamente donde exista un fenómeno extraño, una condición física poco representada en el entrenamiento o una relación diferente entre polvo y luz ultravioleta. El propio proyecto documenta dónde son mayores los errores y qué regiones deben tratarse con precaución.
3. El control humano continúa siendo indispensable
El caso de los discos residuales muestra un problema muy concreto: sistemas automáticos que revisan el trabajo de otros sistemas pueden compartir los mismos supuestos y no ver determinados defectos. Es necesario conservar comprobaciones independientes, una trazabilidad de los datos y oportunidades reales de intervención experta.
4. La revisión científica formal todavía importa
La documentación disponible presenta un informe técnico y explicaciones detalladas, pero la propia página del autor reconoce que el trabajo no había pasado todavía una revisión independiente por pares en el momento de su publicación. Los archivos de descarga científica anunciados tampoco estaban todos disponibles en esa página cuando se consultó. Por tanto, el logro debe describirse como un recurso y una metodología comunicados públicamente, no como una validación definitiva de cada medida.
¿Podrán otros investigadores reutilizar el mapa?
El proyecto indica que los productos de datos se ofrecen bajo licencia Creative Commons Atribución 4.0 y el código bajo licencia MIT. También contiene documentación de bandas espectrales, coordenadas, pesos de procedencia e incertidumbres. Sin embargo, hay que comprobar qué archivos concretos están disponibles en la fecha de descarga: la página del autor anuncia enlaces adicionales en preparación.
Esta diferencia es práctica. Un profesor puede utilizar la visualización interactiva para mostrar a sus alumnos cómo cambia el firmamento según la longitud de onda. Un investigador que quiera correlacionar intensidades ultravioletas con otros fenómenos necesitará descargar los datos adecuados, citar la fuente, elegir los filtros de procedencia y evaluar los errores. Ninguno de esos pasos queda resuelto por el mero hecho de que exista una imagen completa en una página web.
Qué puede aprender un pequeño equipo del método de trabajo
Incluso fuera de la astronomía, el caso deja tres enseñanzas prácticas. La primera consiste en dividir un objetivo enorme en operaciones observables: reunir, limpiar, normalizar, calcular y verificar. La segunda es registrar de dónde viene cada resultado: una cifra extraída de un documento no debe confundirse con una cifra predicha o completada por un modelo. La tercera es aceptar que «la tarea se ejecutó» no significa necesariamente «el resultado es correcto».
Un equipo pequeño puede aplicar ese esquema a análisis documentales, recopilación de información pública, creación de materiales educativos o auditorías internas, siempre dentro de sus permisos y con la revisión proporcional al riesgo. El mérito del ejemplo astronómico es que muestra el proceso y sus imperfecciones, no solo el resultado brillante.
Conclusión: completar el cielo no significa haberlo observado todo
El mapa presentado por Brice Ménard y Anthropic es una demostración interesante del tipo de trabajo científico que los agentes de inteligencia artificial pueden acelerar: organización de grandes datos públicos, calibración entre instrumentos, cálculos repetidos y construcción de un recurso visual útil. También es una advertencia sobre los titulares demasiado rotundos.
El cielo ultravioleta se puede contemplar ahora sin agujeros en una misma representación, pero no se ha convertido por arte de magia en un cielo íntegramente medido. La diferencia entre observación, transformación y predicción está documentada, y ahí reside buena parte del valor del proyecto. Los modelos pueden ayudar a completar una imagen; la ciencia exige conservar las pruebas que explican qué parte de ella conocemos realmente.
Fuentes originales y documentación
- Brice Ménard y Anthropic — The missing map of the sky (8 de octubre de 2026). Descripción del flujo de agentes y de las comprobaciones realizadas.
- Mapa ultravioleta interactivo de Ménard — Universidad Johns Hopkins. Procedencia por píxel, incertidumbres, cobertura, límites y condiciones de uso.
- Universidad Johns Hopkins — presentación del trabajo (9 de octubre de 2026). Confirmación institucional.
- NASA/JPL — Galaxy Evolution Explorer. Información de la misión GALEX.
Imagen destacada: fotografía astronómica ilustrativa, no una imagen del mapa científico. Para ver el mapa real y distinguir mediciones de estimaciones, utiliza el enlace al proyecto original.