¿Cómo se encuentra una reserva de agua en un paisaje sin aire, sin caminos y cubierto por millones de cicatrices? Antes de que los astronautas vuelvan a pisar la Luna, la NASA busca una respuesta que no dependa de revisar imágenes una por una.
El hallazgo llega de la mano de la NASA, IBM y varias instituciones académicas. Juntas crearon el NASA-IBM Lunar Foundation Model, una inteligencia artificial diseñada para ordenar y estudiar el enorme archivo reunido por la Lunar Reconnaissance Orbiter (LRO).
La LRO lleva 17 años fotografiando y midiendo la Luna. Según la NASA, produjo más datos que todas las demás misiones planetarias de la agencia combinadas. El desafío ya no es mirar el satélite: la pieza clave es entender con rapidez qué información importa.
El nuevo modelo es de código abierto. Eso significa que la comunidad científica puede usarlo, adaptarlo y mejorarlo para tareas distintas, desde contar cráteres hasta analizar zonas polares o estructuras volcánicas.
Una biblioteca lunar con un bibliotecario digital
El mecanismo puede entenderse como una biblioteca doméstica que acumuló millones de fotos, recibos y mapas durante años. Sin un orden, encontrar un documento puntual llevaría demasiado tiempo. La IA funciona como un bibliotecario que primero aprende dónde suelen estar las carpetas y qué aspecto tienen.
No busca una única respuesta: reconoce patrones para que los científicos sepan dónde mirar primero. Ese engranaje permite ajustar la herramienta a una pregunta concreta sin crear un sistema nuevo desde cero para cada investigación.
Se trata de un modelo fundacional, una IA que aprende reglas generales con grandes volúmenes de información. En vez de recibir una etiqueta en cada imagen, como “cráter” o “hielo”, detecta relaciones visuales y físicas que luego pueden servir para varias tareas.
Durante su entrenamiento procesó cerca de dos millones de teselas, pequeños recortes de datos geográficos. El conjunto incluyó más de un millón de imágenes de alta resolución, de aproximadamente un metro por píxel, y casi 964.000 observaciones multiespectrales, imágenes que registran rangos de luz invisibles para el ojo humano.
Además, incorporó información de las misiones GRAIL, Lunar Prospector y Kaguya, de Japón. Es como si el bibliotecario no solo leyera fotografías: también pudiera comparar planos del subsuelo, mapas gravitacionales y señales químicas.
El interruptor para buscar hielo y cambios recientes
Una aplicación central está en los polos lunares. Allí hay regiones que permanecen en sombra de forma permanente y podrían conservar hielo durante miles de millones de años. El sistema no ve agua congelada de manera directa, pero calcula su prospectividad de hielo (posibilidad de que exista y se conserve).
Esta estimación señala sitios donde las condiciones favorecen la estabilidad del hielo en la superficie o bajo ella. Para futuras expediciones, ese recurso podría servir para consumo humano y, tras su procesamiento, para proporcionar hidrógeno y oxígeno con posibles usos en soporte vital o propelentes.
La herramienta también estudia cráteres, las marcas que dejan los impactos. Contarlos y medirlos ayuda a establecer la edad relativa de distintas zonas lunares y a reconstruir parte de la historia del sistema solar.
En una prueba, la NASA comparó imágenes tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein. El modelo resaltó el nuevo cráter junto a los ya existentes, aunque la imagen posterior al choque no había sido parte de su entrenamiento.
También puede localizar las irregular mare patches (pequeñas estructuras volcánicas de aspecto reciente). Estas formaciones podrían modificar la idea sobre cuándo se apagó la actividad volcánica de la Luna y cómo se enfrió su interior.
La NASA afirma que el sistema igualó o superó a otros modelos de referencia, sobre todo al estimar zonas favorables para el hielo. No certifica lugares seguros para alunizar ni reemplaza la decisión humana, pero abre una oportunidad: convertir un archivo inmenso en preguntas más precisas.
Así, antes de encender los motores para regresar a la Luna, los científicos podrán encender primero este interruptor digital y mirar el terreno con una claridad nueva.
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.
