{"id":68201,"date":"2026-09-10T21:22:31","date_gmt":"2026-09-10T21:22:31","guid":{"rendered":"https:\/\/overcentral.com\/es\/?p=68201"},"modified":"2026-09-10T21:22:31","modified_gmt":"2026-09-10T21:22:31","slug":"modelo-lunar-nasa-ibm-68201","status":"publish","type":"post","link":"https:\/\/overcentral.com\/es\/modelo-lunar-nasa-ibm-68201\/","title":{"rendered":"NASA e IBM publican modelo de IA para buscar hielo y cr\u00e1teres en la Luna"},"content":{"rendered":"<p>La exploraci\u00f3n lunar ha entrado en una fase en la que el principal desaf\u00edo no es captar nuevas im\u00e1genes, sino lograr que la informaci\u00f3n existente se convierta en conocimiento utilizable a tiempo. Durante diecisiete a\u00f1os, la Lunar Reconnaissance Orbiter (LRO) de la <a href=\"https:\/\/www.nasa.gov\/\" target=\"_blank\" rel=\"noopener noreferrer\" data-iacss-external=\"1\">NASA<\/a> 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 dem\u00e1s 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, cr\u00e1teres y otras huellas geol\u00f3gicas en el sat\u00e9lite.<\/p>\n<p>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 cient\u00edficos dedican a entrenar sistemas especializados y multiplicar el rendimiento de un archivo que no deja de crecer.<\/p>\n<h2>Un modelo de IA para buscar hielo y cr\u00e1teres en la Luna: as\u00ed se entren\u00f3<\/h2>\n<p>El proyecto pertenece a la categor\u00eda 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 despu\u00e9s se adapta a tareas concretas con ajustes relativamente menores. Es la misma filosof\u00eda que sostiene a los grandes modelos de lenguaje, pero aplicada a datos de observaci\u00f3n de la superficie lunar.<\/p>\n<p>El entrenamiento se realiz\u00f3 con cerca de dos millones de teselas procedentes principalmente de la Lunar Reconnaissance Orbiter. La NASA e IBM combinaron dos tipos de observaciones:<\/p>\n<ul>\n<li>M\u00e1s de un mill\u00f3n de im\u00e1genes de alta resoluci\u00f3n, con una resoluci\u00f3n aproximada de un metro por p\u00edxel.<\/li>\n<li>Casi 964.000 observaciones multiespectrales, con una resoluci\u00f3n de unos cien metros por p\u00edxel.<\/li>\n<li>Informaci\u00f3n complementaria de otras misiones lunares, como GRAIL, Lunar Prospector y la japonesa Kaguya.<\/li>\n<\/ul>\n<p>La combinaci\u00f3n de alta y media resoluci\u00f3n no es casual. Las im\u00e1genes m\u00e9tricas permiten distinguir rocas, pendientes y peque\u00f1os cr\u00e1teres, mientras que las observaciones multiespectrales aportan datos sobre la composici\u00f3n del terreno.Cada tipo de informaci\u00f3n 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 m\u00e1s amplio que el que habr\u00eda sido posible con enfoques supervisados cl\u00e1sicos.<\/p>\n<h3>\u00bfQu\u00e9 es el NASA-IBM Lunar Foundation Model?<\/h3>\n<p>Es un modelo fundacional de inteligencia artificial desarrollado por la NASA e IBM junto a varias instituciones acad\u00e9micas, entrenado principalmente con observaciones de la Lunar Reconnaissance Orbiter. Se publica como c\u00f3digo abierto y puede adaptarse a tareas concretas como cartografiar cr\u00e1teres, estudiar regiones polares o investigar estructuras volc\u00e1nicas. Su objetivo no es sustituir el an\u00e1lisis cient\u00edfico, sino acelerar el procesamiento de un archivo lunar que sigue creciendo.<\/p>\n<h3>\u00bfC\u00f3mo se adapta el modelo a una tarea nueva?<\/h3>\n<p>El proceso consiste en tomar el modelo preentrenado y someterlo a un ajuste fino con un n\u00famero 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 cu\u00e1les de esos patrones corresponden a cr\u00e1teres, a dep\u00f3sitos de hielo o a estructuras volc\u00e1nicas.<\/p>\n<p>Esa capacidad de adaptaci\u00f3n es lo que diferencia al NASA-IBM Lunar Foundation Model de los sistemas tradicionales de visi\u00f3n por computadora. Un detector de cr\u00e1teres entrenado espec\u00edficamente para ese fin no sirve para estudiar zonas polares; el nuevo modelo, en cambio, proporciona una base com\u00fan sobre la que construir distintas l\u00edneas de investigaci\u00f3n sin multiplicar el coste de computaci\u00f3n.<\/p>\n<h2>Prospectividad de hielo: la br\u00fajula para encontrar agua en el entorno polar<\/h2>\n<p>El hielo lunar es uno de los recursos m\u00e1s codiciados de la pr\u00f3xima d\u00e9cada. En los polos, algunas zonas permanecen en sombra permanente durante miles de millones de a\u00f1os y pueden conservar agua helada sin que la luz solar la descomponga. Esas regiones son dif\u00edciles de estudiar con m\u00e9todos convencionales porque el contraste entre luz y sombra enga\u00f1a a muchos algoritmos de an\u00e1lisis. El nuevo modelo, sin embargo, ha demostrado un rendimiento especialmente bueno en este terreno.<\/p>\n<p>Conviene aclarar qu\u00e9 hace exactamente. El modelo no detecta agua de forma directa. Lo que hace es estimar la llamada prospectividad de hielo: se\u00f1ala qu\u00e9 lugares re\u00fanen condiciones m\u00e1s favorables para que el hielo exista y se mantenga estable, tanto en la superficie como bajo ella. Es una gu\u00eda de prioridades, no un detector de presencia. En la pr\u00e1ctica, permite reducir un \u00e1rea enorme de miles de kil\u00f3metros cuadrados a unos pocos puntos de inter\u00e9s con alta probabilidad de contener agua helada.<\/p>\n<h3>\u00bfQu\u00e9 significa que el modelo no detecta hielo directamente?<\/h3>\n<p>Significa que el sistema no analiza la firma espectral del agua helada, sino las condiciones geol\u00f3gicas y de iluminaci\u00f3n que hacen probable su existencia. El modelo identifica lugares donde el hielo podr\u00eda acumularse y permanecer estable, y eso es lo que los cient\u00edficos llaman prospectividad de hielo.<\/p>\n<p>Esta distinci\u00f3n es importante para no crear falsas expectativas. El NASA-IBM Lunar Foundation Model no responde con un mapa de dep\u00f3sitos de agua confirmados; responde con un mapa de prioridades de b\u00fasqueda. Las misiones posteriores podr\u00e1n usar esa informaci\u00f3n para orientar sus instrumentos con mayor precisi\u00f3n.<\/p>\n<p>Saber d\u00f3nde conviene buscar ese hielo importa por dos motivos complementarios. Desde el punto de vista cient\u00edfico, el hielo es un archivo de la historia de la Luna: estudiarlo puede aportar pistas sobre c\u00f3mo llegaron los vol\u00e1tiles al sistema Tierra-Luna y c\u00f3mo se han conservado durante eones. Para futuras expediciones, adem\u00e1s, el agua podr\u00eda convertirse en un recurso local: servir para consumo y, si se procesa, proporcionar hidr\u00f3geno y ox\u00edgeno con posibles usos en soporte vital o como propelentes. Ese inter\u00e9s cobra especial sentido mientras la NASA prepara nuevas misiones humanas al entorno lunar, aunque el modelo no haya sido presentado como una herramienta creada espec\u00edficamente para Artemis.<\/p>\n<h2>Crat\u00e9res, irregular mare patches y la historia geol\u00f3gica que a\u00fan no se ha cerrado<\/h2>\n<p>La misma base de representaci\u00f3n que sirve para buscar hielo tambi\u00e9n puede aplicarse al estudio de la historia lunar a trav\u00e9s de sus cr\u00e1teres. Cada cr\u00e1ter 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.<\/p>\n<p>La NASA prob\u00f3 el modelo en una situaci\u00f3n especialmente exigente: con im\u00e1genes tomadas antes y despu\u00e9s del impacto de un cuerpo de cohete de SpaceX cerca del cr\u00e1ter Einstein. La imagen posterior al impacto no form\u00f3 parte del preentrenamiento del modelo, as\u00ed que el sistema nunca hab\u00eda visto el cr\u00e1ter resultante. Aun as\u00ed, tras un ajuste posterior, consigui\u00f3 resaltar el nuevo cr\u00e1ter 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 hab\u00eda visto originalmente.<\/p>\n<p>La segunda aplicaci\u00f3n de gran alcance tiene que ver con el interior de la Luna. Las llamadas irregular mare patches son peque\u00f1as estructuras volc\u00e1nicas cuyo aspecto resulta anormalmente joven para lo que se esperaba del sat\u00e9lite. Algunas parecen haberse formado mucho despu\u00e9s de la gran etapa de actividad volc\u00e1nica de la Luna, lo que ha llevado a los cient\u00edficos a reevaluar cu\u00e1ndo termin\u00f3 realmente ese proceso. Identificarlas y cartografiarlas con mayor rapidez permite ampliar el n\u00famero de regiones estudiadas y comparar mejor sus caracter\u00edsticas. Con esos datos se puede afinar la historia de c\u00f3mo se fue enfriando y evolucionando el interior lunar.<\/p>\n<h2>Resultados reales, l\u00edmites expl\u00edcitos y una apuesta por el c\u00f3digo abierto<\/h2>\n<p>Los resultados del modelo no son uniformes en todas las tareas. En las pruebas realizadas, el NASA-IBM Lunar Foundation Model igual\u00f3 o super\u00f3 a varios sistemas de referencia, pero la ventaja m\u00e1s clara se registr\u00f3 en la estimaci\u00f3n de prospectividad de hielo. En la detecci\u00f3n de cr\u00e1teres y en la clasificaci\u00f3n de estructuras volc\u00e1nicas, las diferencias frente a los sistemas anteriores fueron m\u00e1s 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 \u00e1rea concreta.<\/p>\n<p>Tambi\u00e9n hay l\u00edmites operativos que conviene subrayar. El modelo no est\u00e1 validado para certificar zonas de alunizaje ni para despejar riesgos operativos de una misi\u00f3n. Es una herramienta de investigaci\u00f3n y de priorizaci\u00f3n, no un sistema de navegaci\u00f3n ni un certificador de seguridad. Que se\u00f1ale un lugar con alta prospectividad de hielo no significa que sea seguro aterrizar all\u00ed, ni que el hielo sea accesible o explotable. Esas decisiones depender\u00e1n de otros an\u00e1lisis m\u00e1s espec\u00edficos y de los datos que aporten futuras misiones.<\/p>\n<h3>\u00bfPuede el modelo certificar zonas de alunizaje?<\/h3>\n<p>No. La NASA ha sido expl\u00edcita al se\u00f1alar que el modelo no est\u00e1 validado para certificar zonas de alunizaje ni para despejar riesgos operativos. Su valor es cient\u00edfico: actuar como una base abierta y reutilizable con la que analizar m\u00e1s deprisa un archivo lunar en crecimiento y formular mejores preguntas sobre la superficie.<\/p>\n<p>El valor estrat\u00e9gico del proyecto reside precisamente en su apertura. Cualquier equipo de investigaci\u00f3n puede descargar el modelo, adaptarlo a una regi\u00f3n 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 cient\u00edfica en espa\u00f1ol y en otros idiomas colabore sin depender de grandes infraestructuras de computaci\u00f3n.<\/p>\n<p>A medida que nuevas misiones devuelvan m\u00e1s im\u00e1genes y mediciones, el modelo podr\u00e1 reentrenarse o ajustarse con esos datos adicionales. La Lunar Reconnaissance Orbiter sigue operativa, y el ritmo de generaci\u00f3n de nuevos conjuntos de datos no hace m\u00e1s que aumentar. Lo que hoy es una herramienta para leer la Luna podr\u00eda convertirse en un est\u00e1ndar de facto para procesar la informaci\u00f3n que llegue en los pr\u00f3ximos a\u00f1os.<\/p>\n<p>La exploraci\u00f3n lunar no carece de datos; carece de la capacidad de digerirlos con rapidez. El NASA-IBM Lunar Foundation Model no responde por s\u00ed solo las grandes preguntas sobre el hielo, la historia volc\u00e1nica o la evoluci\u00f3n del sistema solar, pero cambia la forma en que los cient\u00edficos pueden plantearlas. Con el archivo de la LRO como base y el c\u00f3digo abierto como veh\u00edculo, la inteligencia artificial ha empezado a ocupar un lugar permanente en la manera de entender la Luna. Y el pr\u00f3ximo cap\u00edtulo se escribir\u00e1 con los datos de las misiones que est\u00e1n por llegar.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>La exploraci\u00f3n lunar ha entrado en una fase en la que el principal desaf\u00edo no es captar nuevas im\u00e1genes, sino lograr que la informaci\u00f3n existente se convierta en conocimiento utilizable a tiempo. Durante diecisiete a\u00f1os, la Lunar Reconnaissance Orbiter (LRO) de la NASA ha fotografiado y medido la superficie de la Luna con un nivel [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":68390,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"https:\/\/pub-4d4fc17555de4152be07eaf2a416a31e.r2.dev\/es\/ocie_1789133469563.jpg","fifu_image_alt":"NASA e IBM publican modelo de IA para buscar hielo y cr\u00e1teres","footnotes":""},"categories":[5],"tags":[],"class_list":["post-68201","post","type-post","status-publish","format-standard","has-post-thumbnail","category-tecnologia"],"fifu_image_url":"https:\/\/pub-4d4fc17555de4152be07eaf2a416a31e.r2.dev\/es\/ocie_1789133469563.jpg","fifu_image_alt":"NASA e IBM publican modelo de IA para buscar hielo y cr\u00e1teres","_links":{"self":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/68201","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/comments?post=68201"}],"version-history":[{"count":1,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/68201\/revisions"}],"predecessor-version":[{"id":68202,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/68201\/revisions\/68202"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media\/68390"}],"wp:attachment":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media?parent=68201"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/categories?post=68201"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/tags?post=68201"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}