El modelo lunar de la NASA e IBM: estimaciones sin calibrar y límites operativos

El 10 de septiembre de 2026, la NASA e IBM Research anunciaron el lanzamiento en código abierto del NASA-IBM Lunar Foundation Model, desarrollado junto a entidades como la Universities Space Research Association, el SETI Institute, la University of Maryland Baltimore County y la Howard University. El modelo se entrenó con SomBench, un conjunto de datos distribuido en AWS con licencia CC BY 4.0 y compuesto por unos 2 millones de bundles de teselas lunares correrregistradas. La base informativa reúne 17 años de datos del Lunar Reconnaissance Orbiter —incluidos 38 TB de imágenes de la Wide Angle Camera (963.609 teselas) y 1,4 TB de la Narrow Angle Camera (1.000.113 teselas)— además de los levantamientos de las misiones GRAIL y Lunar Prospector y de la sonda SELENE/Kaguya de la JAXA. Los pesos están alojados en Hugging Face, en la organización nasa-ibm-ai4science, mientras que el código, basado en el toolkit TerraTorch, reside en el repositorio de GitHub nasa-impact; ambos con licencia Apache-2.0. Al comentar la iniciativa, el Chief Science Data Officer de la NASA, Kevin Murphy, declaró: «The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data».

El modelo adopta una arquitectura encoder-decoder ViT-B (dimensión 768, 12 capas, 12 cabezas), pero la documentación no indica ni el número exacto de parámetros ni las horas de cómputo empleadas. En los benchmarks recogidos en los materiales del lanzamiento y analizados por Unite.AI, la estimación de la prospectividad del hielo polar registra un RMSE de 0,0293 frente al 0,0377 de la baseline SwinV2-B, es decir, una reducción del error de alrededor del 22%. En la detección de cráteres a una escala de contexto de unos 100 metros, el sistema superó a la baseline en casi un 19% usando en torno a la mitad de las etiquetas de entrenamiento. La NASA resumió los resultados con más prudencia, afirmando que el modelo «matched or exceeded» las referencias existentes. El technical report se describe como companion paper y no consta una revisión por pares; por el momento tampoco hay evaluaciones independientes de terceros.

Los límites de uso declarados por los propios desarrolladores, sin embargo, trazan una línea nítida entre el análisis de datos y la exploración sobre el terreno. La model card oficial afirma de forma explícita que el sistema «is not a scientific-grade generative product» y precisa que «Generated fields are not calibrated predictions and are no substitute for instruments». El modelo produce un mapa de superposición difusa para el hielo polar que la propia model card califica de no calibrado: no es hielo medido. Tampoco dispone de un sistema de referencia geodésico absoluto, y el conjunto de datos arrastra una incertidumbre de geolocalización del orden de decenas de metros. A 12 de septiembre de 2026, el repositorio de GitHub de la iniciativa registra 3 commits en total, mientras que la ficha de Hugging Face muestra 120 descargas en el último mes.

Convertir petabytes de archivos orbitales en un modelo visual es un ejercicio de síntesis útil para orientar la investigación científica, siempre que no se confundan las correlaciones estadísticas con la consistencia del suelo. Cuando se trata de certificar lugares de alunizaje, hasta los creadores de la IA recuerdan que un algoritmo no sustituye a un sensor calibrado.

— Olya