NASA e IBM publican un modelo lunar abierto, no un mapa de hielo

La Luna no cambia de aspecto sólo porque cambie el terreno. Una misma ladera puede parecer otra cuando varía el ángulo del Sol; una sombra puede ocultar un cráter o inventar un borde. A eso se suma que los instrumentos lunares observan propiedades distintas y a escalas muy diferentes. Un sistema que quiera reutilizar toda esa información no necesita simplemente más imágenes: necesita aprender qué mediciones describen el mismo lugar, qué parte de la apariencia procede de la iluminación y qué resolución permite sostener cada afirmación.

NASA e IBM publicaron el 10 de septiembre el NASA‑IBM Lunar Foundation Model, un modelo visual multimodal entrenado para servir de base a tareas de teledetección lunar. Junto al anuncio llegaron los pesos, tokenizadores, datos preparados, conjuntos de evaluación, modelos ajustados y código para adaptar el sistema. La novedad práctica no es que una IA haya descubierto hielo o reescrito la geología de la Luna. Es que un equipo ajeno puede descargar un punto de partida especializado y construir sobre él detectores de cráteres, segmentadores de formaciones volcánicas o modelos de prospección sin repetir desde cero toda la preparación de datos y el preentrenamiento.

Una representación compartida entre dos escalas

El modelo parte de un Vision Transformer de tamaño base y fue entrenado con casi dos millones de teselas georreferenciadas procedentes principalmente del Lunar Reconnaissance Orbiter. El corpus SomBench combina 963.609 teselas ancladas a imágenes de la cámara gran angular, que representan unos 51 kilómetros de lado a 100 metros por píxel, y 1.000.113 teselas de la cámara estrecha, de unos 512 metros de lado a un metro por píxel. En total, el conjunto completo publicado en almacenamiento de acceso público ocupa unos 39,4 TB.

No son dos álbumes independientes. La tarjeta técnica del modelo describe once modalidades: reflectancia visible y ultravioleta, topografía, pendiente, orientación y varios contextos estáticos derivados de instrumentos de radar, temperatura, gravedad, mineralogía e hidrógeno. Cada muestra agrupa las capas disponibles sobre el mismo terreno. El entrenamiento en lotes mixtos hace que un único conjunto de pesos trabaje con las dos familias, separadas por una diferencia de cien veces en resolución lineal.

Hay una decisión de diseño especialmente sensata. El modelo recibe como contexto los ángulos de incidencia, emisión y fase, además de coordenadas y posición solar. No se le obliga a inferir de las sombras una geometría que ya acompañaba a la observación. Eso no elimina la dificultad de comparar imágenes tomadas en momentos distintos, pero separa mejor dos causas: la forma del suelo y la manera en que fue iluminado.

El equipo evaluó la representación en cuatro tareas, manteniendo fijos los datos, las métricas y los procedimientos para varios modelos base. El modelo lunar mostró una ventaja clara en el mapa de prospección de hielo polar y mejor eficiencia de etiquetas al detectar cráteres de gran angular. En cráteres a escala métrica y en la segmentación de irregular mare patches —pequeñas formaciones volcánicas cuya edad aparente resulta científicamente interesante— quedó esencialmente a la altura de los mejores modelos generales: las diferencias fueron menores que la variación entre semillas de entrenamiento.

Esa mezcla de victorias y empates es más informativa que proclamar un ganador universal. El preentrenamiento especializado parece aportar una representación reutilizable, sobre todo cuando se combinan modalidades o escasean etiquetas. No demuestra que cada tarea lunar mejore ni que la misma receta funcione en otro cuerpo planetario. Todos los resultados proceden además del equipo que construyó el modelo; la publicación de artefactos hace posible una réplica, pero aún no la sustituye.

Abrir el punto de partida no certifica el destino

El paquete es inusualmente amplio. Los 12,8 GB de artefactos del modelo, los datos y el repositorio están publicados con licencias abiertas; el código de NASA IMPACT ofrece configuraciones ejecutables en TerraTorch para ajuste y evaluación, incluidas distintas estrategias de adaptación. La documentación recomienda LoRA como punto de partida porque en sus pruebas igualó o superó al ajuste completo en detección de cráteres usando una fracción de los parámetros entrenables.

Pero «abierto» no es una propiedad indivisible. El artículo de NASA habla de un código base completo, mientras que el README del repositorio define con más precisión el alcance: incluye inferencia y ajuste fino, y no incluye el código de preentrenamiento. Los pesos, tokenizadores, configuración, datos preparados y recetas posteriores permiten inspeccionar y reutilizar mucho más que una API cerrada. No bastan para recrear exactamente el modelo desde la materia prima ni para auditar todas las decisiones de la ejecución original. La diferencia no invalida el lanzamiento; evita llamar reproducible de extremo a extremo a lo que hoy es reproducible desde el checkpoint.

La cautela científica más importante está en las salidas. El resultado denominado «prospección de hielo» no identifica agua observada por el modelo. Aprende a reproducir un mapa difuso construido previamente al combinar temperatura, sombra permanente, pendiente, radar, hidrógeno y otros indicios. Que el modelo se acerque mejor a ese objetivo muestra que integra bien esas capas; no aporta una medición independiente de hielo ni decide dónde extraerlo.

La propia tarjeta establece límites aún más concretos. Las generaciones multimodales son pruebas cualitativas, no predicciones calibradas. El modelo conserva estructuras locales, pero no mantiene un marco geodésico absoluto: una forma topográfica puede aparecer con una elevación desplazada y las coordenadas generadas pueden errar por decenas de grados. No está validado para certificar lugares de alunizaje, despejar peligros ni tomar decisiones operativas. En el detector de cambios mostrado por NASA, incluso una diferencia de iluminación entre órbitas puede alterar la visibilidad de cráteres pequeños.

Mi lectura es que el resultado valioso no es un cartógrafo automático de la Luna, sino una infraestructura común entre datos que antes exigían mucho trabajo especializado para alinearse. Empaquetar teselas, procedencia, particiones geográficas, modelos base y recetas de ajuste puede ahorrar a un grupo pequeño meses de ingeniería y, al mismo tiempo, darle una comparación que puede cuestionar. En ciencia, esa reducción del coste de formular y probar una herramienta importa aunque no produzca por sí sola un descubrimiento.

La siguiente evidencia debería venir de equipos que no construyeron el sistema: repetir los cuatro resultados, probar regiones e instrumentos no usados en el ajuste y comparar las predicciones con observaciones posteriores o mediciones físicas. También ayudaría publicar el código y el registro del preentrenamiento. Si esas pruebas sostienen la ventaja, el modelo habrá hecho algo más duradero que ganar un benchmark interno: habrá convertido un archivo planetario enorme en una base compartida sobre la que distintas hipótesis pueden competir sin confundir representación, predicción y realidad lunar.

Fuentes

• NASA, NASA, IBM Launch AI Foundation Model for Lunar Science, 10 de septiembre de 2026.
• NASA‑IBM AI4Science, tarjeta y artefactos del NASA‑IBM Lunar Foundation Model y memoria técnica, consultados el 14 de septiembre de 2026.
• NASA IMPACT, código de inferencia, ajuste y evaluación, consultado el 14 de septiembre de 2026.
• NASA‑IBM AI4Science, corpus de preentrenamiento y conjuntos de evaluación SomBench, consultados el 14 de septiembre de 2026.