NASA e IBM han publicado el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial de código abierto diseñado para acelerar el análisis de la superficie lunar. La herramienta está disponible en Hugging Face y su código se ha liberado para pruebas y experimentación. El proyecto forma parte de la colaboración de ambas organizaciones en modelos fundacionales aplicados a ciencia, después de iniciativas centradas en observación terrestre y física solar.
El modelo se ha entrenado principalmente con datos del Lunar Reconnaissance Orbiter, una misión que lleva 17 años cartografiando la Luna con gran detalle. NASA explica que el conjunto incluye cerca de dos millones de teselas de imagen, más de un millón de imágenes de alta resolución a un metro y casi 964.000 imágenes multiespectrales a 100 metros. También incorpora datos de misiones como GRAIL, Lunar Prospector y SELENE, de la agencia japonesa JAXA.
La importancia del lanzamiento está en convertir décadas de datos científicos dispersos en una herramienta reutilizable para investigadores. Un equipo podrá ajustar el modelo para detectar cráteres, mapear estructuras volcánicas jóvenes o estimar zonas donde podría haber hielo estable cerca de los polos. Eso reduce trabajo manual y permite dedicar más tiempo a interpretar resultados.
El hielo lunar es uno de los objetivos más sensibles. En regiones permanentemente en sombra, las temperaturas pueden conservar hielo durante periodos enormes. Localizar depósitos con más precisión ayudaría a entender la historia de la Luna y a planificar misiones humanas o robóticas. El recurso podría ser útil para agua, oxígeno o combustible, aunque cualquier uso futuro requerirá confirmación directa y decisiones políticas.
La IA científica gana valor cuando mejora una tarea verificable, no cuando sustituye el juicio experto. En cartografía lunar, el modelo puede señalar patrones, cambios de superficie o zonas candidatas. La validación seguirá dependiendo de geólogos planetarios, instrumentos, misiones y comparación con observaciones independientes.
El modelo también se ha probado en detección de cráteres y cambios recientes. NASA describe un caso relacionado con el impacto de un cuerpo de cohete de SpaceX, donde la herramienta identificó cráteres existentes y resaltó una nueva marca de impacto. Este tipo de análisis puede ayudar a vigilar cambios naturales o provocados por actividad humana en la superficie lunar.
La publicación abierta tiene otra consecuencia: democratiza parte del acceso a capacidades que antes exigían equipos especializados y mucho coste computacional. Universidades, startups espaciales y centros de investigación podrán experimentar con el modelo, compararlo con otros enfoques y adaptarlo a tareas propias. Para Europa y España, donde crece el interés por espacio, sensores y datos geoespaciales, esta clase de herramientas abre oportunidades de producto y servicio.
El movimiento también encaja con una tendencia más amplia de IA para ciencia. Modelos entrenados sobre grandes archivos de datos pueden acelerar descubrimientos en clima, materiales, biología o astronomía. La dificultad está en documentar bien los datos, evitar sesgos de observación y asegurar que los resultados sean reproducibles.
NASA e IBM están mostrando una vía útil para la IA pública: modelos abiertos, datasets claros y aplicaciones donde el beneficio se puede comprobar. Si el enfoque escala, la exploración lunar no solo dependerá de nuevos lanzamientos, sino de exprimir mejor la memoria científica acumulada.
