!La luna no se salvará de la IA¡: IBM y NASA ahora utilizan esta tecnología realizar un análisis detallado de la superficie lunar
La propia NASA explica que el LRO ha acumulado durante 17 años una cantidad de información que permite cubrir prácticamente toda la superficie lunar con gran detalle.
La NASA, IBM Research, el Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector y la Agencia Japonesa de Exploración Aeroespacial (JAXA) forman parte de una nueva estrategia para analizar la superficie lunar mediante inteligencia artificial. El objetivo es integrar observaciones obtenidas a distintas escalas y convertirlas en modelos que ayuden a estudiar el terreno, localizar cráteres y buscar zonas de interés para futuras misiones.
El desarrollo fue presentado por NASA el 10 de septiembre de 2026 como el NASA-IBM Lunar Foundation Model, un modelo abierto diseñado para trabajar con grandes volúmenes de información científica.
La importancia del proyecto no está en que una computadora haya “fotografiado” partes desconocidas de la Luna. Está en que la inteligencia artificial puede aprender las relaciones entre diferentes tipos de observaciones y utilizarlas para generar estimaciones, clasificaciones y mapas destinados a tareas científicas específicas, indicó Muy Interesante Digital.
¿Qué información utiliza la inteligencia artificial para estudiar la Luna?
La superficie lunar ha sido observada durante décadas mediante instrumentos que no producen exactamente el mismo tipo de información. Una cámara puede registrar detalles de la superficie, mientras otros instrumentos permiten estudiar la elevación, la gravedad, la temperatura o determinadas características espectrales.
NASA señala que el modelo fue entrenado principalmente con información del Lunar Reconnaissance Orbiter (LRO) y utilizó aproximadamente 2 millones de fragmentos de imágenes. El conjunto incluye más de un millón de imágenes de alta resolución de la cámara LROC y cerca de 964 mil imágenes multiespectrales. También incorpora datos de otras misiones.
Entre las fuentes de información utilizadas se encuentran:
- Imágenes de alta resolución del Lunar Reconnaissance Orbiter.
- Datos de la cámara LROC, incluida su Narrow Angle Camera.
- Información de GRAIL, relacionada con el campo gravitatorio lunar.
- Datos de Lunar Prospector.
- Información obtenida por la misión japonesa SELENE/Kaguya.
- Datos topográficos y otras observaciones científicas.
La propia NASA explica que el LRO ha acumulado durante 17 años una cantidad de información que permite cubrir prácticamente toda la superficie lunar con gran detalle.
¿La IA realmente está creando nuevos datos de la superficie lunar?
Esta es una de las diferencias más importantes para entender el proyecto. Una cosa es medir una característica de la Luna con un instrumento y otra es utilizar un modelo matemático para estimar un valor a partir de información disponible.
Por ejemplo, la cámara LROC puede obtener imágenes de la superficie. NASA indica que su Narrow Angle Camera puede producir imágenes a escalas de aproximadamente 0.5 metros, mientras que otras observaciones tienen resoluciones mucho menores.
La inteligencia artificial puede utilizar esas observaciones junto con otros datos para reconocer patrones o realizar predicciones. Pero una predicción computacional no debe presentarse como si fuera una medición directa.
En términos sencillos:
- Medición: un instrumento registra una característica física.
- Modelo de IA: utiliza datos existentes para encontrar patrones y hacer una estimación.
- Procesamiento visual: modifica la representación de una imagen sin crear una nueva medición física.
Esta diferencia es fundamental cuando los mapas pueden utilizarse para tomar decisiones sobre futuras misiones.
¿Qué significa que NASA haya mejorado la resolución mediante IA?
Existe otro proyecto de NASA que ayuda a explicar el alcance de esta tecnología.
El proyecto Improving Lunar Map Resolution With AI, registrado en NASA TechPort como el proyecto 182199, buscó producir modelos de elevación de mayor resolución para regiones lunares de interés para futuras misiones humanas. NASA señala que los mapas disponibles utilizados como referencia tenían una resolución de 5 metros por píxel y que el proyecto empleó un modelo de aprendizaje profundo para trabajar con datos LROC NAC de 2 metros por píxel.
El proyecto consiguió una mejora de dos veces mediante código abierto y generó una solución que puede adaptarse a diferentes regiones lunares. Sin embargo, NASA no afirma que este procedimiento haya convertido toda la superficie de la Luna en un mapa topográfico uniforme de 2 metros por píxel.
Por eso, la afirmación correcta es que la IA puede mejorar determinados productos cartográficos y generar modelos de mayor resolución en regiones concretas, no que haya creado un mapa físico de toda la Luna con esa precisión.
¿Para qué sirve combinar todos estos mapas?
La integración de datos puede ser útil porque cada instrumento aporta una pieza diferente del terreno lunar.
El modelo NASA-IBM fue desarrollado para adaptarse a distintas tareas científicas. Entre las aplicaciones prioritarias señaladas por IBM y NASA están la identificación de cráteres pequeños, el estudio de la actividad volcánica antigua y la búsqueda de posibles depósitos de hielo en los polos.
NASA e IBM explican que el modelo puede combinar información de temperatura y topografía, incluyendo variables como pendiente, orientación, profundidad de estabilidad del hielo y temperatura máxima de la superficie. En las pruebas descritas por IBM, el modelo redujo el error en la tarea de búsqueda de hielo frente a un modelo de referencia.
El resultado debe entenderse como una herramienta para priorizar lugares que después requieren comprobación mediante otras observaciones o instrumentos.
¿Puede ayudar a elegir lugares para aterrizar?
También puede contribuir a esa tarea. Una misión lunar necesita conocer la forma del terreno antes de intentar aterrizar. Cráteres, pendientes, rocas y zonas que permanecen en sombra pueden representar obstáculos para una nave.
La IA puede ayudar a procesar grandes cantidades de información y señalar regiones que requieren mayor análisis. Sin embargo, la decisión final no depende de un único mapa generado por inteligencia artificial.
La seguridad de una misión exige conocer también las incertidumbres y las limitaciones de los datos.
¿La IA puede ver lo que un satélite nunca pudo medir?
No debe interpretarse de esa manera. Si una zona está cubierta por una sombra, presenta una observación incompleta o carece de determinada medición, un algoritmo puede estimar información a partir de patrones presentes en otros datos. Eso puede ser útil, pero la estimación no sustituye una observación directa.
Esta diferencia adquiere mayor importancia en los polos lunares, donde la posición baja del Sol genera sombras largas que pueden ocultar rocas, cráteres y otras características del terreno. IBM destaca precisamente este problema como uno de los retos para futuras misiones.
Por eso, un mapa de IA debe leerse junto con sus datos de origen y sus márgenes de incertidumbre.
¿Qué papel tendrá esta tecnología en futuras misiones lunares?
La cartografía es una parte de un proceso mucho más amplio. Una representación detallada del terreno puede ayudar a seleccionar regiones de interés, pero después será necesario determinar la posición exacta de una nave o vehículo durante la misión.
NASA también desarrolla sistemas de navegación basados en las características visibles del horizonte lunar. El ingeniero Alvin Yew, del Centro Goddard, trabaja en un sistema que utiliza crestas, cráteres y rocas como referencias para determinar la ubicación de un explorador. El objetivo planteado por NASA es alcanzar una precisión de menos de 30 pies, equivalente a unos 9 metros.
Esto permite distinguir dos tareas:
- Cartografiar: conocer cómo es el terreno.
- Navegar: determinar dónde se encuentra exactamente el vehículo.
Ambas tecnologías pueden complementarse, pero no son la misma función.
Te puede interesar: NASA publica una imagen misteriosa de la Tierra y reta a identificar el lugar antes de revelar la respuesta
¿Qué tan confiable es un mapa lunar creado con inteligencia artificial?
Depende de qué se quiera medir y de qué datos estén disponibles.
No existe una sola cifra de precisión que pueda aplicarse automáticamente a toda la superficie lunar. La calidad de una estimación depende del instrumento utilizado, la cobertura disponible, la geometría de observación, las condiciones de iluminación y las características del terreno.
Por ello, un modelo puede funcionar muy bien para una tarea específica y aun así requerir comprobaciones adicionales antes de utilizarse para una operación crítica.
El proyecto de NASA sobre mapas de mayor resolución, por ejemplo, contempla la validación del desempeño y la confiabilidad de los datos como parte de su desarrollo.
Te puede interesar: El telescopio Roman de la NASA ya está en camino: buscará 100 mil exoplanetas y más de mil millones de galaxias
¿Qué cambia realmente con el nuevo modelo de NASA e IBM?
El avance no consiste simplemente en obtener una imagen de la Luna con más píxeles.
El cambio está en poder relacionar diferentes tipos de información científica dentro de un mismo modelo. NASA e IBM plantean que esta capacidad puede ayudar a los investigadores a encontrar patrones, identificar incertidumbres y decidir dónde concentrar nuevas investigaciones.
El modelo incluso puede adaptarse a diferentes tareas sin tener que desarrollar desde cero una herramienta independiente para cada una.
NASA lo presentó como uno de los primeros modelos de IA abiertos desarrollados específicamente para la ciencia lunar. El código está disponible públicamente y el modelo fue puesto a disposición de investigadores para pruebas y experimentación.
La diferencia es relevante: la inteligencia artificial no reemplaza los instrumentos que observan la Luna. Ayuda a organizar y analizar la información que esos instrumentos ya producen.
¿Qué debemos recordar sobre los mapas lunares creados con IA?
La principal precaución es no confundir una representación computacional con una medición física.
La Luna ya cuenta con una enorme cantidad de datos obtenidos por misiones espaciales. La inteligencia artificial permite cruzarlos, encontrar relaciones y generar productos útiles para estudiar zonas que podrían ser relevantes para la exploración. Pero cuando un algoritmo rellena una zona no observada directamente, el resultado sigue siendo una estimación. Y cuando una imagen se procesa para hacerla más clara, eso no significa que se hayan agregado nuevos datos físicos.
El verdadero potencial del proyecto NASA-IBM está precisamente en combinar estas capas sin perder de vista sus diferencias. Para la exploración lunar, un mapa útil no es necesariamente el que aparenta tener mayor detalle, sino el que permite saber qué fue medido, qué fue calculado y qué todavía necesita ser comprobado.
Sigue nuestro canal de WhatsApp
Recibe las noticias más importantes del día. Da click aquí
Te recomendamos
Un sitio de 
Grupo Healy © Copyright Impresora y Editorial S.A. de C.V. Todos los derechos reservados