NASA e IBM lanzan IA para cartografiar hielo en la Luna
NASA e IBM presentaron este jueves 10 de septiembre de 2026 un modelo abierto de inteligencia artificial diseñado para analizar décadas de observaciones de la Luna y acelerar la elaboración de mapas científicos. La herramienta puede ayudar a localizar zonas con señales compatibles con hielo, clasificar cráteres y estudiar estructuras volcánicas, tareas relevantes para elegir sitios de exploración y planear una presencia humana más prolongada.
El sistema, denominado NASA-IBM Lunar Foundation Model, fue entrenado con más de 30 capas de información obtenidas por nueve instrumentos instalados en cuatro misiones de la agencia espacial estadounidense. Entre ellas se encuentra el Lunar Reconnaissance Orbiter, que desde 2009 ha producido imágenes, mediciones de altitud, temperatura y otros datos de alta resolución sobre la superficie lunar.
Cómo funciona la IA de NASA e IBM para estudiar la Luna
Un modelo fundacional aprende patrones generales a partir de grandes volúmenes de datos y después puede adaptarse a varias tareas. En este caso, la IA no trabaja únicamente con fotografías. Combina capas que describen propiedades distintas del terreno para reconocer relaciones que serían difíciles de detectar al revisar cada archivo por separado.
La Luna ha sido observada durante décadas por instrumentos con resoluciones, formatos y objetivos diferentes. Esa riqueza científica también crea un problema práctico: preparar, alinear y comparar los conjuntos de datos consume tiempo especializado. El nuevo modelo busca convertir ese material heterogéneo en una representación común que pueda reutilizarse en investigaciones diferentes.
La herramienta forma parte de Prithvi, la familia de modelos desarrollada por NASA e IBM para aplicaciones científicas y geoespaciales. Su publicación abierta permite que universidades, centros de investigación y equipos de misión examinen el sistema, lo adapten y prueben sus resultados con datos propios.
Qué puede detectar el modelo lunar
Las primeras pruebas se enfocaron en rasgos con utilidad científica y operativa. El modelo puede apoyar la delimitación de cráteres, la identificación de formaciones volcánicas y el análisis de regiones permanentemente sombreadas donde podrían conservarse depósitos de hielo.
En ejercicios comparativos, NASA e IBM informaron mejoras de hasta 23% en la precisión para reconocer elementos clave de la superficie frente a métodos de uso habitual. La cifra corresponde a tareas y conjuntos de prueba específicos; no significa que cualquier mapa producido por la IA sea 23% mejor ni que sus resultados deban aceptarse sin revisión.
El valor inmediato está en priorizar zonas para análisis detallados. Un algoritmo puede recorrer grandes extensiones, marcar patrones y reducir el número de áreas que deben inspeccionarse manualmente. Los científicos conservan la responsabilidad de validar cada interpretación con observaciones adicionales y conocimiento geológico.
La búsqueda de hielo en regiones oscuras
El hielo lunar es especialmente importante porque algunas áreas cercanas a los polos permanecen en sombra durante periodos muy largos. Sus bajas temperaturas pueden preservar compuestos volátiles que se perderían en zonas expuestas al Sol.
Encontrar señales compatibles con hielo no equivale a confirmar un yacimiento aprovechable. Para ello se necesita determinar su concentración, profundidad, distribución y facilidad de extracción. También deben descartarse explicaciones alternativas en mediciones de radar, temperatura o composición.
Si existieran depósitos accesibles, el agua podría utilizarse para consumo, para obtener oxígeno y, mediante separación química, para producir hidrógeno. Esos recursos reducirían parte de la carga que tendría que lanzarse desde la Tierra, aunque su explotación requeriría tecnología, energía y reglas internacionales todavía en desarrollo.
Mapear cráteres ayuda a reducir riesgos de aterrizaje
Los cráteres aportan información sobre la historia geológica de la Luna, pero también representan obstáculos para módulos de descenso y vehículos. Un catálogo más detallado puede ayudar a evaluar pendientes, rugosidad y distribución de rocas antes de seleccionar una zona de aterrizaje.
La inteligencia artificial puede complementar los mapas existentes al reconocer rasgos en imágenes y capas topográficas. Sin embargo, la resolución del dato original impone un límite: un modelo no puede garantizar que haya detectado cada roca, desnivel o sombra peligrosa. La planeación de una misión exige combinar diversas observaciones, márgenes de seguridad y reconocimiento cercano.
El mismo principio ya se aplica a problemas terrestres. El uso de inteligencia artificial para analizar estelas de aviones muestra cómo los modelos científicos pueden integrar observaciones, identificar patrones y orientar decisiones, sin sustituir la comprobación humana.
Por qué los datos abiertos importan para la ciencia lunar
Publicar el modelo permite repetir los experimentos, detectar sesgos y comparar mejoras. También reduce la barrera de entrada para grupos que no cuentan con recursos para entrenar un sistema desde cero. En vez de construir una herramienta distinta para cada pregunta, un equipo puede ajustar una base común a la clasificación de terrenos, la búsqueda de similitudes o la estimación de propiedades físicas.
La apertura no elimina todos los costos. Procesar mosaicos lunares de gran tamaño requiere capacidad de cómputo, almacenamiento y experiencia para preparar datos. Además, cada aplicación necesita métricas adecuadas y conjuntos de validación independientes. Un resultado convincente en una región puede perder precisión en otra con iluminación, geología o cobertura instrumental diferentes.
Otro desafío es documentar la incertidumbre. En un mapa científico no basta con señalar una respuesta probable: quienes planean una misión necesitan conocer qué tan confiable es, qué datos la respaldan y dónde existen vacíos de observación.
La relación con Artemis y la exploración sostenida
NASA pretende utilizar el programa Artemis para ampliar la exploración humana de la Luna y probar tecnologías que después podrían contribuir a misiones más lejanas. Para operar durante periodos prolongados se necesitan mapas capaces de integrar iluminación, temperatura, comunicaciones, pendientes y recursos potenciales.
El modelo de NASA e IBM no decide dónde aterrizará una misión ni confirma por sí mismo la presencia de agua. Su función es acelerar la etapa de análisis y ofrecer una nueva manera de consultar el enorme archivo lunar. Las decisiones finales seguirán dependiendo de especialistas, instrumentos, restricciones técnicas y objetivos científicos.
La conexión entre IA y exploración espacial también depende del hardware. Modelos más complejos demandan memoria y capacidad de procesamiento, un reto relacionado con la actual presión sobre los chips especializados para inteligencia artificial. En misiones espaciales, además, los equipos deben ser resistentes a radiación, consumir poca energía y operar con comunicaciones limitadas.
Qué sigue para el modelo de inteligencia artificial lunar
La siguiente etapa será observar cómo lo utilizan investigadores externos. Las pruebas independientes permitirán medir su rendimiento en regiones y tareas distintas, descubrir errores recurrentes y determinar si las mejoras se mantienen fuera de los conjuntos utilizados por sus desarrolladores.
También será necesario comparar sus mapas con nuevas observaciones orbitales y mediciones realizadas sobre la superficie. Una señal prometedora puede orientar una misión, pero la confirmación científica exige instrumentos capaces de medir directamente la composición y las propiedades del terreno.
El lanzamiento representa un avance metodológico más que un descubrimiento de hielo. Su importancia radica en ordenar y relacionar décadas de datos para que las preguntas sobre cráteres, volcanismo, recursos y seguridad puedan investigarse con mayor rapidez. Si la comunidad valida sus resultados, la IA lunar podría convertirse en una herramienta común para preparar la siguiente generación de exploración.