NASA e IBM abren modelo lunar de IA en Hugging Face

¿Qué es el NASA-IBM Lunar Foundation Model?

NASA e IBM presentaron el NASA-IBM Lunar Foundation Model, un modelo fundacional de código abierto entrenado con décadas de observaciones lunares y publicado en Hugging Face. El anuncio oficial se realizó el 10 de septiembre de 2026, según el comunicado de IBM, y ambas organizaciones lo describen como uno de los primeros modelos fundacionales abiertos diseñados específicamente para ciencia lunar.

El lanzamiento llega en un momento clave: el programa Artemis tiene como meta retornar astronautas a la Luna en 2028, según reportó American Bazaar, y a más largo plazo establecer una base permanente. El modelo se inscribe en la estrategia AI for Science de la NASA, una colaboración de larga data con IBM Research que ya produjo los modelos Prithvi (geoanálisis terrestre) y Surya (clima espacial), y ahora extiende esa familia al satélite.

¿Qué datos usó NASA e IBM para entrenar el modelo?

El equipo entrenó el modelo con aproximadamente 2 millones de fragmentos de imágenes, más de 1 millón de imágenes de alta resolución captadas a 1 metro por píxel y cerca de 964.000 imágenes multiespectrales a 100 metros por píxel, según el reporte de Phys.org. La materia prima proviene de 17 años de operaciones del Lunar Reconnaissance Orbiter (LRO) y se complementa con datos de la misión GRAIL (campo gravitatorio), Lunar Prospector y la sonda japonesa SELENE/Kaguya de JAXA.

El dataset liberado junto al modelo es, en palabras de IBM y NASA, el primer conjunto de datos lunar de código abierto listo para machine learning: 30 capas espaciales alineadas, 9 instrumentos y 4 misiones. Hasta ahora, según explicó The Next Web, las observaciones lunares estaban guardadas en formatos y resoluciones distintas, lo que volvía casi imposible entrenar modelos modernos. Estandarizarlas ya es un avance en sí mismo.

¿Qué puede hacer este modelo y por qué importa?

Tres aplicaciones dominan la presentación oficial:

• Detección de hielo en regiones permanentemente sombreadas. El hielo es agua, oxígeno y potencial propelente para misiones a Marte. El modelo reduce el error (RMSE) en la identificación de zonas con alto potencial de hielo hasta en un 22% frente al baseline SwinV2-B, según el paper técnico de IBM y NASA recogido en el comunicado.
• Cartografía de cráteres. A resolución de ~100 metros, supera a SwinV2-B en casi un 19% usando la mitad de datos de entrenamiento; a 1 metro, iguala su precisión con menos cómputo. Estos mapas son clave para elegir sitios de aterrizaje seguros y planificar infraestructura en superficie.
• Historia volcánica lunar. El modelo identifica con un 3% más de precisión las Irregular Mare Patches, formaciones que los científicos usan para datar el enfriamiento térmico del satélite.

Durante la presentación, según recogió Hipertextual, el modelo identificó correctamente el sitio de impacto del cohete Falcon 9 de SpaceX que se estrelló contra la Luna, a partir de una sola imagen, sin ajustes adicionales. Para cualquier equipo técnico, es la demostración práctica de que un modelo fundacional entrenado en datos multi-instrumento generaliza mejor que los modelos especialistas de tarea única.

23% más precisión: así se compara con SwinV2-B

En el conjunto de pruebas reportado por IBM y NASA, el Lunar Foundation Model supera a SwinV2-B —un modelo generalista de visión entrenado sobre ImageNet— hasta en un 23% en la identificación de características clave de la superficie lunar. Pero el matiz importante, subrayado por The Next Web, es que la mejora no es uniforme: en detección de cráteres a 1 metro, el modelo iguala a la línea base con menos cómputo; en vulcanismo, gana un 3%; en hielo, gana hasta un 22%.

La ventaja más consistente está en la eficiencia. A 100 metros de resolución, el modelo iguala precisión usando la mitad de datos. Para laboratorios académicos y startups con presupuestos de cómputo modestos, ese trade-off suele ser el que decide si un proyecto se hace o se queda en el cajón.

Hay un dato que IBM y NASA no han publicado: el número de parámetros, la licencia exacta y la arquitectura detallada del modelo, según The Next Web. Quienes quieran adoptarlo deberán validarlo primero contra sus propios datos antes de cualquier uso operativo. El código completo está disponible en GitHub y se integra con el toolkit open source TerraTorch, según Phys.org.

¿Qué significa esto para tu startup?

Tres lecciones concretas para founders que trabajan con datos científicos, geoespaciales o industriales:

• Los datos unificados son el verdadero activo. El dataset lunar listo para ML —30 capas espaciales, 9 instrumentos, 4 misiones— vale tanto como el modelo. Si tu producto depende de datos dispersos y mal etiquetados, el cuello de botella no es el modelo: es la curación. Invertir en pipelines de datos limpios sigue siendo una ventaja competitiva defensiva.
• Un modelo fundacional abierto te ahorra meses de entrenamiento. En lugar de entrenar desde cero un modelo de visión para tu caso, partir de un base pre-entrenado en tu dominio (geo, clima, imagen médica, mantenimiento industrial) y hacer fine-tuning con datos propios es el nuevo estándar. La familia Prithvi de IBM y NASA —geo, clima, heliofísica y ahora Luna— es exactamente esa tesis aplicada a ciencia.
• Elige dónde alojas tu modelo. El lanzamiento se hizo en Hugging Face, plataforma que Nvidia acordó adquirir por USD 12.930 millones, según reportó The Next Web la semana pasada. Si dependes de un único hub open source, conviene vigilar los cambios de gobernanza y licencia que puedan venir con la transición.

Conclusión

El NASA-IBM Lunar Foundation Model es menos un producto de consumo y más una infraestructura abierta para investigación lunar: un modelo base, un dataset estandarizado y código fuente disponible. Para el ecosistema startup, lo relevante no es el módulo en sí, sino el patrón: cuándo tiene sentido invertir en datos unificados y cuándo conviene subirse a un modelo base abierto en lugar de construir desde cero.

Fuentes

• NASA e IBM lanzan una inteligencia artificial de código abierto para estudiar la Luna
• IBM and NASA Release Open-Source AI Model to Support Lunar Exploration
• Release of open AI model trained on 17 years of lunar data maps ice, craters and volcanoes
• IBM and NASA release an open-source lunar foundation model
• NASA and IBM Launch Open AI Model for Lunar Research
• IBM, NASA launch AI model to map Moon's ice, craters