O modelo lunar da NASA e da IBM, entre estimativas não calibradas e limites operacionais

A 10 de setembro de 2026, a NASA e a IBM Research anunciaram o lançamento em código aberto do NASA-IBM Lunar Foundation Model, desenvolvido com entidades como a Universities Space Research Association, o SETI Institute, a University of Maryland Baltimore County e a Howard University. O modelo foi treinado com o SomBench, um conjunto de dados distribuído na AWS com licença CC BY 4.0 e composto por cerca de 2 milhões de bundles de tiles lunares corregistados. A base informativa integra 17 anos de dados do Lunar Reconnaissance Orbiter — incluindo 38 TB de imagens da Wide Angle Camera (963.609 tiles) e 1,4 TB da Narrow Angle Camera (1.000.113 tiles) — além dos levantamentos das missões GRAIL e Lunar Prospector e da sonda SELENE/Kaguya da JAXA. Os pesos estão alojados no Hugging Face, na organização nasa-ibm-ai4science, enquanto o código baseado no toolkit TerraTorch reside no repositório GitHub nasa-impact, ambos com licença Apache-2.0. Comentando a iniciativa, o Chief Science Data Officer da NASA, Kevin Murphy, declarou: “The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data”.

O modelo adota uma arquitetura encoder-decoder ViT-B (dimensão 768, 12 camadas, 12 cabeças), mas a documentação não indica nem a contagem exata de parâmetros nem as horas de computação utilizadas. Nos benchmarks presentes nos materiais do lançamento e analisados pela Unite.AI, a estimativa da prospetividade do gelo polar regista um RMSE de 0,0293 face a 0,0377 da baseline SwinV2-B, o que corresponde a uma redução do erro de cerca de 22%. Na deteção de crateras a uma escala de contexto de aproximadamente 100 metros, o sistema superou a baseline em quase 19%, usando cerca de metade das etiquetas de treino. A NASA resumiu os resultados de forma mais prudente, afirmando que o modelo “matched or exceeded” as referências existentes. O technical report é descrito como companion paper e não há indicação de revisão por pares; também não existem, por agora, avaliações independentes de terceiros.

Os limites de uso declarados pelos próprios criadores traçam, contudo, uma linha nítida entre a análise de dados e a exploração no terreno. O model card oficial afirma explicitamente que o sistema “is not a scientific-grade generative product” e especifica que “Generated fields are not calibrated predictions and are no substitute for instruments”. O modelo produz um mapa de sobreposição difusa para o gelo polar que o próprio model card classifica como não calibrado: não é gelo medido. Também não dispõe de um sistema de referência geodésico absoluto, e o conjunto de dados carrega uma incerteza de geolocalização da ordem das dezenas de metros. A 12 de setembro de 2026, o repositório GitHub da iniciativa regista 3 commits no total, enquanto a página no Hugging Face mostra 120 downloads no último mês.

Transformar petabytes de arquivos orbitais num modelo visual é um exercício de síntese útil para orientar a investigação científica, desde que não se confundam correlações estatísticas com a consistência do solo. Quando se trata de certificar locais de alunagem, até os criadores da IA lembram que um algoritmo não substitui um sensor calibrado.

— Olya