IBM y NASA han decidido apostar por una IA abierta para explorar la Luna, y lo han hecho con un nombre concreto: NASA-IBM Lunar Foundation Model. No se trata de sumar inteligencia artificial a la exploración espacial porque quede bien en un titular, sino de resolver algo bastante práctico. Llevamos décadas acumulando imágenes, mapas y mediciones sobre la superficie lunar, tomados por instrumentos distintos y con resoluciones que no tienen nada que ver entre sí. Cruzar toda esa información sigue siendo un dolor de cabeza. Este modelo fundacional pretende ofrecer una base común desde la que estudiar depósitos de hielo, clasificar cráteres o reconstruir la historia volcánica del satélite.
Datos hay de sobra, el problema es ordenarlos
Material científico, desde luego, no falta. El Lunar Reconnaissance Orbiter lleva desde 2009 observando prácticamente toda la superficie de la Luna y ha generado una cantidad brutal de información. A eso se suman misiones como GRAIL, Lunar Prospector y la japonesa SELENE/Kaguya. El asunto es que ninguno de esos instrumentos mira lo mismo ni del mismo modo: unos distinguen detalles de apenas unos metros y otros trabajan a escalas de cientos o miles. IBM y NASA han reunido ahora más de 30 capas de información alineadas espacialmente, procedentes de nueve instrumentos y cuatro misiones, montando además un conjunto de datos abierto y listo para aprendizaje automático. Para entrenar el modelo se usaron cerca de dos millones de conjuntos de imágenes y mapas lunares.
Y ahí es donde cobra sentido hablar de un modelo fundacional. En vez de crear un sistema independiente para cada problema, uno para cráteres, otro para hielo, otro para vulcanismo, se ha entrenado una base común capaz de aprender relaciones entre distintos tipos de observación y resoluciones. Después puede especializarse con cantidades mucho menores de datos etiquetados para tareas concretas. La gracia está en que no le pedimos que improvise una explicación convincente sobre la Luna, sino que encuentre patrones entre millones de observaciones que ningún equipo humano podría revisar una por una.
La búsqueda de hielo y los primeros números
La búsqueda de hielo lunar es seguramente la aplicación que más atención va a atraer. Las regiones permanentemente en sombra de los polos están entre los lugares más difíciles de estudiar, pero también podrían conservar depósitos de hielo durante periodos larguísimos. Localizarlos importa para entender la historia de la Luna, y tiene una dimensión práctica de cara a futuras misiones tripuladas. El agua podría servir para consumo, para obtener oxígeno y, potencialmente, como materia prima para producir propelente. El modelo no detecta el agua escondida bajo la superficie, sino que combina temperatura, topografía y otras observaciones para estimar qué zonas tienen más potencial.
Link affiliatoLos primeros resultados dan una pista de por qué puede ser útil. En las pruebas publicadas, el Lunar Foundation Model redujo alrededor de un 22% el error al identificar zonas con alta probabilidad de hielo frente a un modelo SwinV2-B usado como referencia. En detección de cráteres a escalas cercanas a los 100 metros logró una mejora próxima al 19% usando solo la mitad de los datos de entrenamiento, y a resolución métrica alcanzó una precisión comparable con un coste de adaptación menor. También mejoró en torno a un 3% la delimitación de las llamadas Irregular Mare Patches, formaciones que ayudan a reconstruir la actividad volcánica y la evolución térmica del satélite. No hay un único número mágico aplicable a todo: el rendimiento depende mucho de la tarea.
Hay un ejemplo mucho más fácil de visualizar que cualquier benchmark. El pasado agosto, una etapa superior de un Falcon 9 terminó impactando contra la superficie lunar cerca del cráter Einstein. El Lunar Reconnaissance Orbiter fotografió después la zona y el modelo fue capaz de localizar el nuevo cráter entre los que ya existían. Y el detalle interesante es este: la imagen tomada tras el impacto se había excluido del entrenamiento previo, así que el sistema no podía limitarse a reconocer algo ya visto. La Luna había cambiado y el modelo supo señalar dónde.
Código abierto y un contexto llamado Artemis
Otro punto que pesa: el modelo, su código y los datos necesarios para trabajar con él son abiertos. Se distribuye bajo licencia Apache 2.0 y queda disponible para que universidades, centros de investigación y otros equipos reproduzcan los resultados, lo adapten a nuevos problemas o desarrollen aplicaciones que ni IBM ni NASA hayan imaginado todavía. El proyecto continúa una colaboración que ya ha dado otros modelos científicos abiertos, como Prithvi para observación terrestre y Surya para heliofísica. La filosofía es la misma: en lugar de levantar un algoritmo nuevo para cada pregunta científica, ofrecer una base común reutilizable.
El momento tampoco es casual. Volver a la Luna con Artemis no va solo de que unos astronautas vuelvan a pisarla, sino de preparar operaciones cada vez más largas y, a la larga, una presencia humana sostenible. Eso exige nuevos cohetes, naves, trajes e infraestructuras, pero también entender mucho mejor el lugar al que queremos regresar: dónde puede haber recursos, qué terrenos son peligrosos, cómo ha evolucionado la superficie. IBM y NASA llevan décadas acumulando piezas de ese enorme mapa, y este modelo busca que encajen entre sí. Quizá ahí esté una de las aplicaciones más interesantes de la IA científica: no sustituir a un nuevo instrumento, sino conseguir que todos los que ya hemos enviado al espacio empiecen, por fin, a trabajar juntos.
Link affiliatoFuente
Imagen: muycomputer.com