NASA e IBM liberaron el 10 de septiembre de 2026 el NASA-IBM Lunar Foundation Model, un modelo de visión artificial que cruza imágenes y datos del terreno lunar para localizar cráteres, estudiar huellas volcánicas y estimar qué zonas polares podrían conservar hielo. El proyecto ya ofrece pesos, configuraciones y materiales de ajuste para investigación, pero no es un sistema que confirme agua ni certifique sitios de alunizaje: sus resultados sirven para priorizar lugares que deben analizarse con instrumentos y estudios adicionales.
No es un chatbot para astronautas, sino un modelo de visión lunar
El NASA-IBM Lunar Foundation Model es un modelo fundacional multimodal y multirresolución. En vez de trabajar con lenguaje, aprende relaciones entre imágenes, relieve, iluminación y otros datos de observación de la Luna.
NASA señala que fue entrenado principalmente con datos del Lunar Reconnaissance Orbiter, que lleva 17 años observando el satélite. El corpus reúne alrededor de 2 millones de teselas: más de un millón de imágenes de un metro por píxel y casi 964,000 imágenes multiespectrales de 100 metros por píxel. También incorpora datos de GRAIL, Lunar Prospector y la misión japonesa SELENE.
Esa combinación permite adaptar el mismo modelo a varias tareas con pocos datos etiquetados: detectar cráteres, delimitar las llamadas irregular mare patches, formaciones volcánicas que ayudan a reconstruir la historia térmica de la Luna, y generar mapas de prospectividad de hielo cerca de los polos.
La cifra de hielo no confirma que haya agua
En la evaluación de prospectividad de hielo polar, el equipo reporta una reducción de alrededor de 22% en el error frente a un modelo SwinV2-B. En la prueba publicada, el RMSE pasó de 0.0377 a 0.0293.
Pero el alcance de esa comparación es más limitado de lo que sugieren varios titulares. La ficha técnica del modelo explica que su objetivo reproduce un mapa de prospectividad construido mediante una superposición de capas guiada por conocimiento experto. No mide hielo, no calcula un recurso disponible y no prueba que exista agua en un punto concreto.
La misma documentación advierte que el sistema no ha sido validado para certificar zonas de alunizaje, despejar peligros operativos o planear recorridos. Su función es reducir el trabajo inicial de búsqueda en regiones polares, donde las sombras permanentes y las temperaturas extremas complican la observación directa.
Sus ventajas cambian según la tarea que se mida
El informe técnico reporta mejores resultados para detectar cráteres con imágenes de 100 metros por píxel cuando se usa la mitad de los datos de entrenamiento. A escala de un metro por píxel, en cambio, su desempeño fue comparable al de la mejor referencia evaluada. En la segmentación de formaciones volcánicas, las diferencias entre los modelos líderes también quedaron dentro de la variación entre ejecuciones.
Esa lectura no invalida el lanzamiento, pero evita convertir un benchmark puntual en una promesa general. Los resultados publicados proceden del propio equipo de NASA e IBM y quedan disponibles para que otros grupos los reproduzcan y los pongan a prueba en nuevas tareas.
El proyecto es abierto, aunque no reproduce todo el entrenamiento
La liberación pública incluye los pesos, las configuraciones y los tokenizadores del modelo bajo licencia Apache 2.0. El repositorio de NASA-IMPACT también ofrece herramientas para ajuste fino, inferencia y evaluación de las tareas lunares.
Sin embargo, ese repositorio aclara que no incluye el código de preentrenamiento. Otros equipos pueden descargar el modelo, probarlo y comparar sus resultados en tareas posteriores, pero no reconstruir desde cero todo el proceso de entrenamiento con los materiales liberados.
El beneficio inmediato para la exploración lunar es que los investigadores pueden ordenar una cantidad enorme de observaciones, detectar patrones que merecen estudio y someter ese trabajo a revisión de más equipos fuera de NASA e IBM.
