¿Cuántas veces uno saca una foto, la guarda y recién después descubre qué era importante mirar? Algo parecido ocurría con los satélites: observaban todo, enviaban montañas de datos y la decisión llegaba más tarde, ya en la Tierra.
Ahora apareció un hallazgo que cambia ese mecanismo. En abril, el satélite YAM-9 de Loft Orbital logró encontrar por sí mismo lo que debía buscar, sin analistas humanos en tierra. Es el primer uso reportado en órbita de un modelo visión-lenguaje, o VLM (IA que une texto e imágenes).
La pieza clave fue un software del Jet Propulsion Laboratory de la NASA, llamado NAVI-Orbital, que corrió sobre el modelo Gemma 3 de Google DeepMind. Ese engranaje permitió hacer consultas en lenguaje natural y pedirle al satélite que detectara zonas de interés, como áreas donde se mezclan paisajes naturales con desarrollos humanos o infraestructura cerca de nodos ferroviarios.
La diferencia no es menor. Hasta ahora, el cableado lógico del sistema espacial se parecía al de una cámara de seguridad que graba todo, pero no entiende nada hasta que alguien revisa las imágenes después. Con este avance, el satélite empieza a parecerse más a un portero que mira, reconoce patrones y toca el timbre solo cuando ve algo relevante. No deja de observar, pero ya no manda todo: primero filtra.
Ese es el corazón del cambio. Un modelo visión-lenguaje combina la lectura contextual de un modelo de lenguaje con la capacidad de analizar imágenes. Dicho en simple, funciona como si al satélite se le hubiera añadido un interruptor mental: ya no solo ve píxeles, también entiende qué tipo de escena tiene delante.
Un filtro inteligente en el espacio
YAM-9 fue lanzado en otoño de 2025 como demostrador para proyectos de IA en órbita. Lleva una GPU Nvidia Jetson Orin AGX, un chip de alto rendimiento adaptado a computación espacial. Hacer funcionar esta central de IA no fue automático.
Los ingenieros tuvieron que optimizar el software para reducir memoria, librerías y consumo de recursos. Esa parte importa porque el espacio no es un centro de datos: allí la energía, el calor y la capacidad de cómputo son limitados. Es como intentar montar una oficina eficiente dentro del baúl de un auto.
A corto plazo, la oportunidad es muy concreta. Si el satélite hace un primer filtrado en órbita, baja menos información bruta y entrega material más útil. Eso reduce carga para los equipos humanos y acelera la respuesta ante incendios, cambios urbanos, movimientos de infraestructura o actividades sospechosas.
Además, no es un experimento aislado. Planet Labs ya utiliza procesadores similares para tareas más simples, como detección de objetos, y estudia aplicar modelos visión-lenguaje. Kepler Communications, por su parte, opera uno de los conjuntos de GPUs más grandes en órbita y ha señalado que hay más usos en marcha.
La siguiente pieza del engranaje
El siguiente paso no es un satélite más listo, sino muchos trabajando en red. Según las estimaciones citadas, para tener cobertura casi en tiempo real de cualquier punto de la Tierra harían falta entre 50 y 100 satélites como YAM-9. Hoy, Loft Orbital opera 12.
Ahí aparece una clave de futuro. Lo aprendido con modelos pequeños en órbita puede ayudar a construir infraestructuras espaciales más complejas, sobre todo en gestión de energía y memoria, dos piezas centrales cuando la IA sale del laboratorio y entra al vacío.
Incluso el alcance va más allá de observar la Tierra. La idea original de NAVI-Space también contempla asistentes digitales para astronautas, útiles en misiones lunares o marcianas donde tocar pantallas o teclear no siempre es viable con un traje espacial.
El satélite que antes solo miraba empieza a convertirse en un sistema que interpreta. Y cuando una máquina puede distinguir por sí sola qué merece atención, el espacio deja de ser solo un espejo lejano y se vuelve una herramienta mucho más inmediata para la vida en la Tierra.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
