El 10 de septiembre de 2026, NASA e IBM liberaron un modelo fundacional creado solo para la Luna. Se entrenó con más de 30 capas de datos orbitales y mapea cráteres, estima el hielo polar y encuentra manchas volcánicas a partir de imágenes de satélite.
El resultado que vale la pena rumiar: un modelo entrenado únicamente con datos de la Luna superó en hasta un 22 % a un modelo de propósito general más grande al encontrar hielo lunar, y detectó cráteres casi un 19 % mejor con la mitad de los datos. Ganó la especialización.
Construyo agentes de IA para ganarme la vida, y esa cifra es toda la historia. Es la misma razón por la que un bot de soporte entrenado con sus tickets reales deja atrás a uno genérico. La Luna es solo un ejemplo muy fotogénico de una lección que el sector vuelve a aprender una y otra vez: los datos con los que se entrena importan más que el tamaño del modelo.
Qué lanzaron realmente NASA e IBM
El NASA-IBM Lunar Foundation Model es, hasta donde se sabe, uno de los primeros modelos de IA de código abierto creados específicamente para la ciencia lunar. Lo desarrolló IBM Research junto con el equipo IMPACT de la NASA y un grupo de socios académicos: la Universities Space Research Association, el SETI Institute, la University of Maryland, Baltimore County, y la Howard University.
La idea es la misma que hay detrás de todos los modelos fundacionales de los que ha oído hablar. En lugar de entrenar un modelo estrecho para una sola tarea, se preentrena uno grande con una montaña de datos en bruto para que aprenda la "forma" general de un dominio, y luego se ajusta a bajo costo para trabajos concretos. ChatGPT hizo esto con el texto. Este lo hace con la superficie de la Luna.
"That's a real opportunity we see with AI: turning large-scale data into discoveries."
Kevin Murphy, Chief Science Data Officer de la NASA
Conviene aclarar de entrada: NASA e IBM no han publicado el número de parámetros del modelo, así que no voy a inventarlo. Como referencia, su modelo solar hermano, Surya, tiene 366 M de parámetros. Lo que sí detallaron a fondo son los datos, que de todos modos es lo interesante.
Con qué se entrenó: 17 años de datos orbitales
Aquí se fue el trabajo. El equipo reunió lo que llama el primer conjunto de datos lunares unificado de código abierto: más de 30 capas alineadas espacialmente de 9 instrumentos en 4 misiones, que suman unas 2 millones de teselas de imagen.
La mayor parte proviene del Lunar Reconnaissance Orbiter de la NASA, que lleva 17 años fotografiando la Luna. Eso dio al equipo más de un millón de imágenes de cámara de alta resolución con detalle de 1 metro, además de unas 964.000 imágenes multiespectrales con resolución de 100 metros. Los datos de las misiones GRAIL y Lunar Prospector de la NASA y del orbitador japonés Kaguya completaron los huecos.
Alinear todo eso para que cada capa coincida sobre el mismo tramo de terreno es un trabajo poco glamuroso y costoso. También es la razón por la que el modelo es bueno. La lección se repite en toda la IA: el foso rara vez es la arquitectura, sino los datos de entrenamiento limpios y específicos del dominio que nadie más se ha molestado en reunir.
Qué puede hacer el modelo
Una vez entrenado, el modelo puede aplicarse a un puñado de tareas de ciencia lunar que antes requerían cada una su propio flujo a medida:
- Estimar el hielo polar. El hielo de agua en cráteres permanentemente sombreados cerca de los polos es el recurso más valioso de la Luna, ya que es combustible potencial y soporte vital para una presencia sostenida de Artemis. El modelo estima dónde el hielo es estable y probable.
- Mapear cráteres. Detecta y clasifica cráteres a escala de metros y de unos 100 metros, lo que alimenta directamente la selección de sitios de alunizaje, la evitación de peligros y la datación de la superficie.
- Encontrar rasgos volcánicos. Señala manchas irregulares de mare, formaciones volcánicas jóvenes que informan a los científicos sobre la historia térmica de la Luna.
- Detectar cambios en el tiempo. Si se aplica a imágenes de fechas distintas, muestra cambios en la superficie. En las pruebas detectó cráteres de impacto nuevos que habían aparecido en imágenes posteriores al corte de su entrenamiento.
La NASA se cuida de presentarlo como un asistente de investigación, no un oráculo. Muestra candidatos para que los científicos los verifiquen. Esa distinción, un modelo capaz que propone mientras un humano dispone, es exactamente la barrera de protección que querría que más productos de IA incluyeran por defecto.
La cifra que importa: lo especializado superó a lo genérico
Este es el resultado que me hizo querer escribir esto. IBM comparó el modelo con SwinV2-B, un modelo de visión sólido y muy usado, preentrenado con ImageNet, un enorme conjunto de imágenes de propósito general. Es decir, grande y genérico frente a más pequeño y especializado.
El modelo especializado ganó en todos los frentes:
- Hasta un 22 % menos de error en la estimación del hielo polar.
- Casi un 19 % mejor en la detección de cráteres a escala de contexto, con la mitad de los datos de entrenamiento.
- Un 3 % mejor en la detección de rasgos volcánicos, incluso con etiquetas imperfectas.
- Precisión comparable en cráteres a escala de metros, pero notablemente más eficiente.
El propio resumen de la NASA lo redondea en un modelo que "exceeds widely used methods by up to 23%". Más allá de la cifra concreta, el punto es simple: un modelo que aprendió la Luna superó a un modelo que aprendió de todo, usando menos datos.
"The model gives scientists a foundation to explore the Moon at scale."
Juan Bernabe-Moreno, Director de IBM Research Europe
Por qué un "modelo fundacional para un solo dominio" es la verdadera noticia
Se le podría perdonar que ignore un modelo de mapeo lunar como una noticia espacial de nicho. Yo argumentaría lo contrario. Es una de las demostraciones públicas más claras de un principio que decide si casi cualquier proyecto de IA tiene éxito: la relevancia supera a la escala bruta.
Un modelo general ha visto mucho de todo y nada de lo suyo. Un modelo especializado ha visto lo suyo de forma exhaustiva. En un dominio acotado y de alto riesgo, gana el segundo, por la misma razón por la que un agente de IA entrenado con su propia base de conocimiento responde mejor que un modelo de lenguaje en bruto conectado a un cuadro de chat.
Esto es algo que pienso constantemente en mi trabajo diario. Una IA de soporte no es útil porque corra sobre un modelo grande. Es útil porque ha leído todos sus tickets anteriores, su centro de ayuda, sus documentos internos y sus macros, y responde como lo haría su mejor agente. Si se acopla un modelo genérico a un widget de ayuda sin contexto de la empresa, se obtienen respuestas seguras y equivocadas, el mismo fallo que da mala fama a los chatbots basados en reglas y a las capas finas de IA.
En eesel, este es todo el diseño. eesel es una plataforma de compañeros de IA, y usted contrata compañeros listos para trabajar en tareas concretas, siendo el compañero de IA para el helpdesk el más relevante aquí. Ese compañero no es un modelo en blanco. Aprende de sus tickets históricos y fuentes de conocimiento en cuanto se conecta, así que llega ya conociendo su producto como el modelo de la NASA llega ya conociendo la Luna.
Y, de forma crucial, igual que el enfoque de la NASA de "proponer, no decidir", puede revisar el trabajo antes de que salga en vivo. eesel simula la IA sobre miles de sus tickets pasados reales para que vea exactamente cómo habría respondido y qué habría resuelto, antes de que un solo cliente hable con ella. Sin accionar el interruptor y esperar lo mejor.
El precio sigue la misma lógica de "pagar por lo relevante": eesel cobra por ticket que realmente gestiona, no por puesto, de modo que un compañero especializado que resuelve sus preguntas repetitivas le cuesta cuando funciona. Si dirige soporte y ha estado esperando a que el bombo de la IA se convierta en algo que de verdad conozca su negocio, la Luna acaba de darle la prueba de concepto. Pruebe eesel gratis y apúntelo a sus propios tickets.
Dónde conseguirlo y qué viene después
Todo es abierto. Los pesos están en Hugging Face en la colección nasa-ibm-ai4science, el código está en GitHub como NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model, y se ha incorporado al kit de herramientas de código abierto TerraTorch para que los investigadores lo ajusten a sus propias tareas.
También forma parte de un arco mayor. Este modelo se une a Prithvi, el modelo geoespacial de NASA e IBM para la Tierra, y a Surya, su modelo del Sol. El plan declarado es seguir con la ciencia planetaria, la astrofísica y las ciencias biológicas y físicas. La NASA está construyendo en silencio una familia de modelos fundacionales de dominio, un dominio científico difícil a la vez, y liberando cada uno.
Esa es la estrategia por la que apostaría. No un modelo que lo sabe todo, sino una flota de especialistas que conocen a fondo una sola cosa. Funciona para la Luna. Funciona para el Sol. Y funciona, de una forma mucho más mundana, para su bandeja de soporte.