La exploración lunar ha entrado en una fase en la que el principal desafío no es captar nuevas imágenes, sino lograr que la información existente se convierta en conocimiento utilizable a tiempo. Durante diecisiete años, la Lunar Reconnaissance Orbiter (LRO) de la NASA ha fotografiado y medido la superficie de la Luna con un nivel de detalle sin precedentes. El archivo resultante supera en volumen al de todas las demás misiones planetarias de la NASA combinadas. Para sacar partido de ese material, la NASA e IBM han publicado el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial especializado en ciencia lunar, presentado como una herramienta abierta para encontrar hielo, cráteres y otras huellas geológicas en el satélite.
El lanzamiento del modelo no es un hecho aislado. Se produce cuando varias agencias espaciales y empresas privadas preparan nuevas misiones al entorno lunar, y cuando la capacidad de analizar el terreno con rapidez se ha vuelto tan importante como la de fotografiarlo. El NASA-IBM Lunar Foundation Model llega con una promesa clara: reducir el tiempo que los científicos dedican a entrenar sistemas especializados y multiplicar el rendimiento de un archivo que no deja de crecer.
Un modelo de IA para buscar hielo y cráteres en la Luna: así se entrenó
El proyecto pertenece a la categoría de modelos fundacionales, una familia de sistemas de inteligencia artificial que primero aprende patrones generales a partir de grandes cantidades de datos sin etiquetar y después se adapta a tareas concretas con ajustes relativamente menores. Es la misma filosofía que sostiene a los grandes modelos de lenguaje, pero aplicada a datos de observación de la superficie lunar.
El entrenamiento se realizó con cerca de dos millones de teselas procedentes principalmente de la Lunar Reconnaissance Orbiter. La NASA e IBM combinaron dos tipos de observaciones:
- Más de un millón de imágenes de alta resolución, con una resolución aproximada de un metro por píxel.
- Casi 964.000 observaciones multiespectrales, con una resolución de unos cien metros por píxel.
- Información complementaria de otras misiones lunares, como GRAIL, Lunar Prospector y la japonesa Kaguya.
La combinación de alta y media resolución no es casual. Las imágenes métricas permiten distinguir rocas, pendientes y pequeños cráteres, mientras que las observaciones multiespectrales aportan datos sobre la composición del terreno.Cada tipo de información ilumina un aspecto distinto de la superficie lunar. Al no exigir que cada tesela estuviera etiquetada previamente para una tarea concreta, el modelo pudo aprender de un conjunto mucho más amplio que el que habría sido posible con enfoques supervisados clásicos.
¿Qué es el NASA-IBM Lunar Foundation Model?
Es un modelo fundacional de inteligencia artificial desarrollado por la NASA e IBM junto a varias instituciones académicas, entrenado principalmente con observaciones de la Lunar Reconnaissance Orbiter. Se publica como código abierto y puede adaptarse a tareas concretas como cartografiar cráteres, estudiar regiones polares o investigar estructuras volcánicas. Su objetivo no es sustituir el análisis científico, sino acelerar el procesamiento de un archivo lunar que sigue creciendo.
¿Cómo se adapta el modelo a una tarea nueva?
El proceso consiste en tomar el modelo preentrenado y someterlo a un ajuste fino con un número reducido de ejemplos de la tarea deseada. En lugar de empezar de cero, el sistema ya sabe reconocer texturas, bordes y formas que aparecen de forma recurrente en la Luna; solo necesita aprender a distinguir cuáles de esos patrones corresponden a cráteres, a depósitos de hielo o a estructuras volcánicas.
Esa capacidad de adaptación es lo que diferencia al NASA-IBM Lunar Foundation Model de los sistemas tradicionales de visión por computadora. Un detector de cráteres entrenado específicamente para ese fin no sirve para estudiar zonas polares; el nuevo modelo, en cambio, proporciona una base común sobre la que construir distintas líneas de investigación sin multiplicar el coste de computación.
Prospectividad de hielo: la brújula para encontrar agua en el entorno polar
El hielo lunar es uno de los recursos más codiciados de la próxima década. En los polos, algunas zonas permanecen en sombra permanente durante miles de millones de años y pueden conservar agua helada sin que la luz solar la descomponga. Esas regiones son difíciles de estudiar con métodos convencionales porque el contraste entre luz y sombra engaña a muchos algoritmos de análisis. El nuevo modelo, sin embargo, ha demostrado un rendimiento especialmente bueno en este terreno.
Conviene aclarar qué hace exactamente. El modelo no detecta agua de forma directa. Lo que hace es estimar la llamada prospectividad de hielo: señala qué lugares reúnen condiciones más favorables para que el hielo exista y se mantenga estable, tanto en la superficie como bajo ella. Es una guía de prioridades, no un detector de presencia. En la práctica, permite reducir un área enorme de miles de kilómetros cuadrados a unos pocos puntos de interés con alta probabilidad de contener agua helada.
¿Qué significa que el modelo no detecta hielo directamente?
Significa que el sistema no analiza la firma espectral del agua helada, sino las condiciones geológicas y de iluminación que hacen probable su existencia. El modelo identifica lugares donde el hielo podría acumularse y permanecer estable, y eso es lo que los científicos llaman prospectividad de hielo.
Esta distinción es importante para no crear falsas expectativas. El NASA-IBM Lunar Foundation Model no responde con un mapa de depósitos de agua confirmados; responde con un mapa de prioridades de búsqueda. Las misiones posteriores podrán usar esa información para orientar sus instrumentos con mayor precisión.
Saber dónde conviene buscar ese hielo importa por dos motivos complementarios. Desde el punto de vista científico, el hielo es un archivo de la historia de la Luna: estudiarlo puede aportar pistas sobre cómo llegaron los volátiles al sistema Tierra-Luna y cómo se han conservado durante eones. Para futuras expediciones, además, el agua podría convertirse en un recurso local: servir para consumo y, si se procesa, proporcionar hidrógeno y oxígeno con posibles usos en soporte vital o como propelentes. Ese interés cobra especial sentido mientras la NASA prepara nuevas misiones humanas al entorno lunar, aunque el modelo no haya sido presentado como una herramienta creada específicamente para Artemis.
Cratéres, irregular mare patches y la historia geológica que aún no se ha cerrado
La misma base de representación que sirve para buscar hielo también puede aplicarse al estudio de la historia lunar a través de sus cráteres. Cada cráter es la huella de un impacto, y contarlos y medirlos ayuda a reconstruir la edad relativa de distintas zonas de la superficie y parte de la historia del sistema solar. Es un trabajo que requiere examinar enormes extensiones de terreno a una escala que resulta tediosa para un humano y costosa para los algoritmos convencionales.
La NASA probó el modelo en una situación especialmente exigente: con imágenes tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein. La imagen posterior al impacto no formó parte del preentrenamiento del modelo, así que el sistema nunca había visto el cráter resultante. Aun así, tras un ajuste posterior, consiguió resaltar el nuevo cráter junto a otros ya existentes. El experimento muestra que el modelo no se limita a reconocer formas que ya conoce; puede adaptarse para detectar cambios que no había visto originalmente.
La segunda aplicación de gran alcance tiene que ver con el interior de la Luna. Las llamadas irregular mare patches son pequeñas estructuras volcánicas cuyo aspecto resulta anormalmente joven para lo que se esperaba del satélite. Algunas parecen haberse formado mucho después de la gran etapa de actividad volcánica de la Luna, lo que ha llevado a los científicos a reevaluar cuándo terminó realmente ese proceso. Identificarlas y cartografiarlas con mayor rapidez permite ampliar el número de regiones estudiadas y comparar mejor sus características. Con esos datos se puede afinar la historia de cómo se fue enfriando y evolucionando el interior lunar.
Resultados reales, límites explícitos y una apuesta por el código abierto
Los resultados del modelo no son uniformes en todas las tareas. En las pruebas realizadas, el NASA-IBM Lunar Foundation Model igualó o superó a varios sistemas de referencia, pero la ventaja más clara se registró en la estimación de prospectividad de hielo. En la detección de cráteres y en la clasificación de estructuras volcánicas, las diferencias frente a los sistemas anteriores fueron más ajustadas. No se trata de una superioridad absoluta en todos los campos, sino de una herramienta que rinde bien de forma general y destaca en un área concreta.
También hay límites operativos que conviene subrayar. El modelo no está validado para certificar zonas de alunizaje ni para despejar riesgos operativos de una misión. Es una herramienta de investigación y de priorización, no un sistema de navegación ni un certificador de seguridad. Que señale un lugar con alta prospectividad de hielo no significa que sea seguro aterrizar allí, ni que el hielo sea accesible o explotable. Esas decisiones dependerán de otros análisis más específicos y de los datos que aporten futuras misiones.
¿Puede el modelo certificar zonas de alunizaje?
No. La NASA ha sido explícita al señalar que el modelo no está validado para certificar zonas de alunizaje ni para despejar riesgos operativos. Su valor es científico: actuar como una base abierta y reutilizable con la que analizar más deprisa un archivo lunar en crecimiento y formular mejores preguntas sobre la superficie.
El valor estratégico del proyecto reside precisamente en su apertura. Cualquier equipo de investigación puede descargar el modelo, adaptarlo a una región concreta o a un tipo de terreno, y compartir sus mejoras. Esto convierte un desarrollo de NASA e IBM en un activo comunitario, lo que acelera el ciclo de mejora y permite que la comunidad científica en español y en otros idiomas colabore sin depender de grandes infraestructuras de computación.
A medida que nuevas misiones devuelvan más imágenes y mediciones, el modelo podrá reentrenarse o ajustarse con esos datos adicionales. La Lunar Reconnaissance Orbiter sigue operativa, y el ritmo de generación de nuevos conjuntos de datos no hace más que aumentar. Lo que hoy es una herramienta para leer la Luna podría convertirse en un estándar de facto para procesar la información que llegue en los próximos años.
La exploración lunar no carece de datos; carece de la capacidad de digerirlos con rapidez. El NASA-IBM Lunar Foundation Model no responde por sí solo las grandes preguntas sobre el hielo, la historia volcánica o la evolución del sistema solar, pero cambia la forma en que los científicos pueden plantearlas. Con el archivo de la LRO como base y el código abierto como vehículo, la inteligencia artificial ha empezado a ocupar un lugar permanente en la manera de entender la Luna. Y el próximo capítulo se escribirá con los datos de las misiones que están por llegar.
