Em 10 de setembro de 2026, a NASA e a IBM abriram o código de um modelo de fundação criado só para a Lua. Ele foi treinado com mais de 30 camadas de dados orbitais e mapeia crateras, estima o gelo polar e encontra manchas vulcânicas a partir de imagens de satélite.
O resultado que vale a pena ruminar: um modelo treinado apenas com dados da Lua superou em até 22% um modelo de uso geral maior ao encontrar gelo lunar, e detectou crateras quase 19% melhor com metade dos dados. A especialização venceu.
Eu construo agentes de IA para viver, e esse número é a história inteira. É o mesmo motivo pelo qual um bot de suporte treinado com os seus tickets reais deixa um genérico para trás. A Lua é só um exemplo muito fotogênico de uma lição que o setor reaprende o tempo todo: os dados com que você treina valem mais que o tamanho do modelo.
O que a NASA e a IBM realmente lançaram
O NASA-IBM Lunar Foundation Model é, até onde se sabe, um dos primeiros modelos de IA de código aberto criados especificamente para a ciência lunar. Foi desenvolvido pela IBM Research junto com a equipe IMPACT da NASA e um grupo de parceiros acadêmicos: a Universities Space Research Association, o SETI Institute, a University of Maryland, Baltimore County, e a Howard University.
A ideia é a mesma por trás de todo modelo de fundação de que você já ouviu falar. Em vez de treinar um modelo estreito para uma única tarefa, você pré-treina um grande com uma montanha de dados brutos para que ele aprenda a "forma" geral de um domínio, e depois o ajusta a baixo custo para trabalhos específicos. O ChatGPT fez isso com texto. Este faz isso com a superfície da Lua.
"That's a real opportunity we see with AI: turning large-scale data into discoveries."
Kevin Murphy, Chief Science Data Officer da NASA
Vale registrar desde já: a NASA e a IBM não publicaram o número de parâmetros do modelo, então não vou inventar um. Como referência, o modelo solar irmão, Surya, tem 366 M de parâmetros. O que elas detalharam a fundo foram os dados, que de qualquer forma são a parte interessante.
Com o que foi treinado: 17 anos de dados orbitais
É aqui que o trabalho foi parar. A equipe reuniu o que chama de primeiro conjunto de dados lunares unificado de código aberto: mais de 30 camadas alinhadas espacialmente de 9 instrumentos em 4 missões, somando cerca de 2 milhões de blocos de imagem.
A maior parte vem do Lunar Reconnaissance Orbiter da NASA, que fotografa a Lua há 17 anos. Isso deu à equipe mais de um milhão de imagens de câmera de alta resolução com detalhe de 1 metro, além de cerca de 964.000 imagens multiespectrais com resolução de 100 metros. Dados das missões GRAIL e Lunar Prospector da NASA e do orbitador japonês Kaguya preencheram as lacunas.
Alinhar tudo isso para que cada camada coincida sobre o mesmo trecho de solo é um trabalho pouco glamouroso e caro. É também o motivo pelo qual o modelo é bom. A lição se repete em toda a IA: o diferencial raramente é a arquitetura, e sim os dados de treinamento limpos e específicos do domínio que ninguém mais se deu ao trabalho de reunir.
O que o modelo consegue fazer
Depois de treinado, o modelo pode ser apontado para um punhado de tarefas de ciência lunar que antes exigiam, cada uma, um pipeline próprio:
- Estimar o gelo polar. O gelo de água em crateras permanentemente sombreadas perto dos polos é o recurso mais valioso da Lua, pois é combustível e suporte de vida em potencial para uma presença sustentada do Artemis. O modelo estima onde o gelo é estável e provável.
- Mapear crateras. Ele detecta e classifica crateras em escala de metros e de cerca de 100 metros, o que alimenta diretamente a escolha de locais de pouso, a prevenção de perigos e a datação da superfície.
- Encontrar feições vulcânicas. Ele sinaliza manchas irregulares de mare, formações vulcânicas jovens que informam os cientistas sobre a história térmica da Lua.
- Detectar mudanças ao longo do tempo. Aplicado a imagens de datas diferentes, ele mostra mudanças na superfície. Nos testes, detectou novas crateras de impacto que apareceram em imagens posteriores ao corte do seu treinamento.
A NASA tem o cuidado de apresentá-lo como um assistente de pesquisa, não um oráculo. Ele apresenta candidatos para os cientistas verificarem. Essa distinção, um modelo capaz que propõe enquanto um humano decide, é exatamente a proteção que eu gostaria que mais produtos de IA trouxessem por padrão.
O número que importa: o especializado venceu o genérico
Este é o resultado que me fez querer escrever sobre o assunto. A IBM comparou o modelo com o SwinV2-B, um modelo de visão forte e muito usado, pré-treinado com o ImageNet, um enorme conjunto de imagens de uso geral. Ou seja, grande e genérico contra menor e especializado.
O modelo especializado venceu em todas as frentes:
- Até 22% menos erro na estimativa do gelo polar.
- Quase 19% melhor na detecção de crateras em escala de contexto, usando metade dos dados de treinamento.
- 3% melhor na detecção de feições vulcânicas, mesmo com rótulos imperfeitos.
- Precisão comparável em crateras em escala de metros, mas visivelmente mais eficiente.
O próprio resumo da NASA arredonda isso para um modelo que "exceeds widely used methods by up to 23%". Deixando de lado o número específico, o ponto é simples: um modelo que aprendeu a Lua superou um modelo que aprendeu tudo, usando menos dados para isso.
"The model gives scientists a foundation to explore the Moon at scale."
Juan Bernabe-Moreno, Director da IBM Research Europe
Por que um "modelo de fundação para um só domínio" é a verdadeira notícia
Seria perdoável ignorar um modelo de mapeamento lunar como notícia espacial de nicho. Eu defenderia o oposto. É uma das demonstrações públicas mais limpas de um princípio que decide se quase qualquer projeto de IA dá certo: relevância vence escala bruta.
Um modelo geral viu muito de tudo e nada do seu assunto. Um modelo especializado viu o seu assunto de forma exaustiva. Num domínio delimitado e de alto risco, o segundo vence, pelo mesmo motivo pelo qual um agente de IA treinado com a sua própria base de conhecimento responde melhor que um modelo de linguagem bruto ligado a uma caixa de chat.
É nisso que penso o tempo todo no meu trabalho. Uma IA de suporte não é útil porque roda em um modelo grande. Ela é útil porque leu cada um dos seus tickets anteriores, a sua central de ajuda, os seus documentos internos e as suas macros, e responde como o seu melhor atendente responderia. Se você acopla um modelo genérico a um widget de ajuda sem contexto da empresa, recebe respostas confiantes e erradas, a mesma falha que dá má fama aos chatbots baseados em regras e às camadas finas de IA.
Na eesel, este é o desenho inteiro. A eesel é uma plataforma de colegas de IA, e você contrata colegas prontos para trabalhar em tarefas específicas, sendo o colega de IA para helpdesk o mais relevante aqui. Esse colega não é um modelo em branco. Ele aprende com os seus tickets históricos e fontes de conhecimento assim que se conecta, então chega já conhecendo o seu produto como o modelo da NASA chega já conhecendo a Lua.
E, o que é crucial, assim como o "propor, não decidir" da NASA, você pode conferir o trabalho antes de ele entrar no ar. A eesel simula a IA em milhares dos seus tickets passados reais para que você veja exatamente como ela teria respondido e o que teria resolvido, antes que um único cliente fale com ela. Sem ligar o botão e torcer.
O preço segue a mesma lógica de "pagar pelo que é relevante": a eesel cobra por ticket que realmente atende, não por usuário, de modo que um colega especializado que resolve as suas perguntas repetitivas custa quando funciona. Se você cuida de suporte e esperava que o hype da IA virasse algo que de fato conhece o seu negócio, a Lua acabou de lhe dar a prova de conceito. Experimente a eesel de graça e aponte para os seus próprios tickets.
Onde obter e o que vem a seguir
Tudo é aberto. Os pesos estão no Hugging Face na coleção nasa-ibm-ai4science, o código está no GitHub como NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model, e ele foi incorporado ao kit de ferramentas de código aberto TerraTorch para que pesquisadores o ajustem às suas próprias tarefas.
Ele também faz parte de um arco maior. Este modelo se junta ao Prithvi, o modelo geoespacial da NASA e da IBM para a Terra, e ao Surya, o modelo do Sol. O plano declarado é seguir para a ciência planetária, a astrofísica e as ciências biológicas e físicas. A NASA está construindo discretamente uma família de modelos de fundação de domínio, um difícil domínio científico por vez, e abrindo o código de cada um.
Essa é a estratégia em que eu apostaria. Não um modelo que sabe tudo, mas uma frota de especialistas que conhecem a fundo uma só coisa. Funciona para a Lua. Funciona para o Sol. E funciona, de um jeito bem mais banal, para a sua caixa de entrada de suporte.