NASA-IBM lanza IA lunar open source con 23% más precisión

Qué es el NASA-IBM Lunar Foundation Model y por qué es distinto

El NASA-IBM Lunar Foundation Model es una IA open source pensada para analizar décadas de observaciones lunares que, hasta ahora, obligaban a los científicos a revisar mapas e imágenes a mano o a entrenar modelos específicos para cada tarea. IBM y NASA lo presentaron el 10 de septiembre de 2026 y lo publicaron en Hugging Face, junto con su código de fine-tuning y los benchmarks.

Lo que cambia frente a los enfoques tradicionales es que el modelo aprende relaciones entre distintos tipos de datos lunares (imágenes, topografía, mineralogía, radar, gravedad, propiedades termofísicas) en lugar de tratar cada capa por separado. Según el comunicado oficial recogido por Newswire, el modelo fue entrenado sobre más de 30 capas espaciales alineadas, provenientes de 9 instrumentos y 4 misiones, incluyendo el Lunar Reconnaissance Orbiter (LRO), la misión GRAIL, Lunar Prospector y datos complementarios de la misión SELENE/Kaguya de la agencia japonesa JAXA.

El corpus central es SomBench, descrito por USRA como un dataset multimodal con cerca de dos millones de paquetes de datos co-registrados, repartidos en 11 modalidades y dos escalas espaciales. Es la primera vez que la NASA y un socio tecnológico liberan un dataset lunar unificado y listo 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

Tres benchmarks, un mismo patrón: iguala o supera a modelos entrenados con ImageNet

El modelo se evaluó en tres problemas clásicos de la ciencia lunar, y el resultado fue consistente: igualó o superó a modelos comparables entrenados desde cero con ImageNet y a una versión arquitectónicamente idéntica sin preentrenamiento lunar.

Detección de cráteres a escala regional (~100 m): supera al baseline SwinV2-B (ImageNet) en casi 19% usando solo la mitad de los datos de entrenamiento, según el paper técnico de IBM y NASA recogido por TechRepublic. A escala métrica (NAC), iguala la precisión del estado del arte con menos cómputo.
Segmentación de Irregular Mare Patches (IMPs), las formations volcánicas que delatan la historia térmica de la Luna: mejora la captura de la extensión de los IMPs en 3% frente a SwinV2-B, usando etiquetas imperfectas.
Prospectividad de hielo polar: reduce el error (RMSE) hasta 22% frente a SwinV2-B al predecir dónde hay alta probabilidad de hielo lunar, un dato crítico porque el hielo implica agua, oxígeno y potencialmente combustible para cohetes.

En agregado, IBM y NASA reportan una mejora de hasta 23% en la identificación de elementos geográficos clave frente a métodos ampliamente usados, según Yahoo Finance. El estudio además mostró una alta label efficiency: las representaciones aprendidas en el preentrenamiento lunar permiten reducir la cantidad de etiquetas específicas que un equipo necesita anotar para cada tarea nueva.

USRA: el puente entre ciencia planetaria y modelado de IA

El anuncio que recoge USRA se centra en la contribución científica que su equipo hizo al proyecto. La Dra. Rachel Slank, associate scientist del Science and Technology Institute de USRA y destacada en el Marshall Space Flight Center de la NASA, participó como subject-matter expert en ciencia planetaria dentro del equipo del Lunar Foundation Model.

Su rol fue doble: trabajar con el equipo de ciencia y con el equipo de modelado, para asegurar que las decisiones sobre arquitectura, datos y evaluación reflejaran las prioridades reales de la investigación lunar. Como ella misma explicó, uno de los mayores retos fue unificar datasets que van de 1 metro a 20 kilómetros por píxel sin perder su valor científico.

El aporte más tangible fue el LROC NAC crater benchmark de alta resolución, donde Slank identificó manualmente más de 49.000 cráteres lunares sobre imágenes LROC emparejadas con modelos digitales de terreno. Ese benchmark se usa hoy para evaluar detección de cráteres a escala métrica, y forma parte del paquete abierto que IBM y NASA distribuyen.

La familia Prithvi: de la Tierra al Sol, y ahora la Luna

El lanzamiento se inscribe en una estrategia más amplia de IBM y NASA: construir una familia de foundation models científicos abiertos, todos bajo la marca Prithvi. El primero, Prithvi-100M, se creó en 2024 para aplicaciones geoespaciales terrestres. En 2025 llegó Surya, el primer foundation model de heliofísica entrenado con observaciones solares de alta resolución. Ahora, en 2026, se suma el Lunar Foundation Model.

Computer Weekly y Yahoo Finance coinciden en un punto clave: la NASA ya demostró que Prithvi puede ejecutarse directamente en órbita, dentro de satélites, lo que abre la puerta a hacer análisis de datos a bordo en lugar de bajar petabytes a tierra. Esa línea de «AI en el edge espacial» es parte central del valor estratégico que IBM muestra a clientes corporativos: la misma arquitectura sirve para observación terrestre, clima, monitoreo de desastres y, ahora, exploración lunar.

¿Qué significa esto para tu startup?

Aunque la noticia es espacial, las decisiones técnicas detrás tienen lectura directa para founders que construyen con IA.

1. Reutiliza un foundation model antes de entrenar el tuyo desde cero. El Lunar Foundation Model demuestra que un buen preentrenamiento multimodal reduce hasta a la mitad los datos etiquetados necesarios para una tarea downstream. Si trabajas con visión por computador, teledetección o cualquier dominio con imágenes escasas y costosas de anotar, considera partir de un backbone open source (Prithvi geoespacial, SAM, DINOv2) y hacer fine-tuning. Tu margen competitivo se desplaza del modelo base al dato propio y al loop de evaluación.

2. Invierte en datasets propios, no solo en modelos. El activo más valioso de este proyecto no fue la arquitectura, sino SomBench: 30 capas alineadas de 9 instrumentos curadas durante meses. Para una startup de vertical AI, un dataset multimodal limpio, versionado y bien documentado vale más que cualquier ajuste de hiperparámetros. Pregúntate qué versión de «tu SomBench» podrías liberar como moat.

3. Piensa en multimodalidad desde el día uno. El Lunar Foundation Model conecta imágenes, terreno, mineralogía y física. En el mundo de producto, eso se traduce a fusionar texto + imagen + señal de uso + telemetría en un mismo embedding. Los modelos que sólo ven una modalidad quedan cortos frente a los que ven la estructura completa del problema.

Para founders hispanohablantes, además, el modelo es una puerta de entrada: el código y los datos están en Hugging Face, sin pagar licencias a hyperscalers. Equipos en LATAM o España pueden clonar el repo, adaptarlo a problemas agrícolas, urbanos o de monitoreo ambiental, y publicar resultados reproducibles, algo cada vez más valorado por inversores técnicos.