NASA e IBM lanzan IA lunar de código abierto con 23% más precisión

La NASA e IBM publicaron como código abierto el NASA-IBM Lunar Foundation Model, un modelo fundacional de inteligencia artificial entrenado con casi dos millones de teselas lunares que mejora hasta un 23% la identificación de cráteres, volcanes y zonas con posible hielo frente a modelos generales de visión por computador como SwinV2-B, según el comunicado oficial difundido el 10 de septiembre.

A diferencia de los modelos entrenados para una sola tarea, este foundation model procesó alrededor de un millón de imágenes de alta resolución de la Lunar Reconnaissance Orbiter (LRO) a un metro por píxel y unas 964.000 observaciones multiespectrales a 100 metros por píxel, además de datos de las misiones GRAIL, Lunar Prospector y la japonesa Kaguya. Está disponible en la plataforma Hugging Face y se integra a la familia Prithvi de IBM y NASA, que ya incluye modelos para clima, observación terrestre y heliofísica.

Qué hace concretamente el modelo

El Lunar Foundation Model se entrega junto al primer dataset lunar unificado y de código abierto: más de 30 capas espaciales alineadas procedentes de nueve instrumentos de cuatro misiones, según reportó Newswire. Esa base es tan importante como el modelo en sí: antes de este lanzamiento no existía un corpus público que combinara observaciones multimodales y multirresolución en un formato apto para machine learning.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

La NASA y IBM probaron el sistema en tres tareas:

Prospectividad de hielo: estima qué zonas de los polos lunares tienen condiciones más favorables para conservar hielo bajo la superficie. El modelo redujo el error en la identificación de áreas con alto potencial de hielo hasta un 23% frente a SwinV2-B entrenado con ImageNet, según CNET.
Detección de cráteres: a escala de ~100 metros supera a SwinV2-B en casi un 19% usando solo la mitad de datos de entrenamiento; a resolución métrica iguala al estado del arte con menos coste de cómputo, según el paper técnico de IBM y NASA.
Estructuras volcánicas (irregular mare patches): mejora un 3% la captura de extensión frente a SwinV2-B con etiquetas imperfectas, ofreciendo eficiencia comparable a menor coste de fine-tuning.

El modelo no detecta agua helada de forma directa. Lo que hace es señalar dónde se dan las condiciones para que exista y se mantenga estable, una distinción clave para entender qué tipo de decisiones puede soportar y cuáles no.

Por qué importa el hielo lunar (más allá de la ciencia)

Encontrar hielo en los polos lunares no es solo una cuestión geológica. El agua es recurso in situ (ISRU en la jerga espacial): puede convertirse en oxígeno para respirar, en agua potable y, mediante electrólisis, en hidrógeno y oxígeno líquidos como propulsor. Para una base permanente o una misión a Marte con parada en la Luna, ese aprovisionamiento local cambia por completo la economía de la misión: no hay que lanzar cada kilogramo desde la Tierra.

La estrategia espacial de varios países — empezando por la NASA con el programa Artemis — se apoya en ese cálculo. Europa ya abrió una convocatoria para tecnología de misiones lunares y trabaja en un robot autónomo para explorar cuevas lunares, recuerda The Next Web. Reino Unido, por su parte, financia el concepto de un espejo espacial diseñado para fundir hielo lunar y producir agua potable. Todos estos proyectos necesitan saber dónde mirar, y ahí es donde el modelo aporta valor práctico.

Qué cambia con un foundation model frente a modelos a medida

La diferencia operativa es de economía de proyecto, no solo de precisión. Antes, cada grupo de investigación entrenaba un modelo distinto para cada tarea: cráteres, volcanes, hielo. Reentrenar o ajustar un modelo desde cero cuesta tiempo y GPU-horas. Un foundation model ofrece una base preentrenada que se adapta con fine-tuning a problemas concretos, como se hace en NLP con los grandes modelos de lenguaje desde 2018.

IBM lo enmarca en una estrategia mayor. Según Juan Bernabe-Moreno, director de IBM Research Europe, el objetivo es que los investigadores "empiecen desde un modelo compartido y lo adapten a nuevas tareas en lugar de construir un sistema nuevo para cada pregunta científica". El Lunar Foundation Model se suma así a la familia Prithvi, que ya cubre geoespacial, clima y heliofísica, y que previamente produjo un modelo con la ESA para análisis intuitivo de la Tierra.

Para startups que construyen sobre datos científicos públicos, el mensaje es claro: la barrera de entrada baja cuando los modelos base están disponibles y los datasets también.

Qué significa esto para tu startup

Aunque el protagonista sea la NASA, la mecánica del lanzamiento es directamente relevante para founders que trabajen con datos científicos, geoespaciales o de sensórica remota. Tres lecturas prácticas:

Reutilizar modelos base en lugar de entrenar desde cero: si tu producto analiza imágenes satelitales, teledetección agrícola, monitorización de obra civil o peritaje remoto, arquitecturas como las de la familia Prithvi (Hugging Face, código abierto) pueden recortar semanas de entrenamiento. Antes de levantar tu propio modelo de visión, evalúa si hay un foundation model afín que ajustar.
Diseñar datasets listos para ML como producto: la verdadera fricción no era el modelo, sino juntar 30 capas de cuatro misiones en un formato alineado. Ese trabajo de curación es donde los equipos pequeños pueden construir IP defendible, incluso vendiendo datasets verticales a grandes agencias o corporativos.
Atender la oportunidad comercial del espacio: el artículo de The Next Web recuerda que Nvidia anunció la compra de Hugging Face por 12.930 millones de dólares la semana pasada. La plataforma que se está convirtiendo en el home por defecto de los modelos abiertos pasa a tener dueño comercial, lo que abre preguntas sobre gobernanza, costes y licencias a medio plazo — un riesgo real para startups que dependen de ese ecosistema para distribuir sus propios modelos.

Una acción concreta esta semana: descarga el modelo desde Hugging Face y audita qué tareas de tu pipeline podrían sustituir o complementar con un fine-tuning barato. Una segunda acción: si tu producto vive cerca de datos geoespaciales, monitoriza cómo evolucionan los modelos de la familia Prithvi y las condiciones de la adquisición de Hugging Face por Nvidia; pueden cambiar los términos de uso en meses.

Limitaciones que conviene recordar

El modelo no está validado para seleccionar zonas de alunizaje ni para certificar riesgos operativos. Su valor está en exploración científica acelerada, no en reemplazar decisiones de misión.
En detección de cráteres a resolución métrica iguala al estado del arte, pero no lo supera claramente.
IBM y NASA no han publicado el tamaño del modelo, número de parámetros, licencia exacta ni arquitectura detallada, algo que el equipo de The Next Web señaló como pendiente para cualquier grupo que quiera adaptarlo.
El lanzamiento ocurre en un momento de consolidación: Hugging Face pasará a ser parte de Nvidia, y eso puede afectar la neutralidad de la plataforma donde vive el modelo.