¿Quieres ayudar a la NASA a encontrar hielo en la Luna? Puedes con esta IA

NASA e IBM han entrenado una inteligencia artificial con casi dos millones de imágenes lunares para localizar hielo, cráteres pequeños y coladas volcánicas

En el fondo de algunos cráteres del polo sur de la Luna no ha entrado la luz del Sol desde hace miles de millones de años, ni un solo rayo. Allí la temperatura ronda los 200 grados bajo cero y, según los cálculos de la NASA, ese frío eterno podría haber conservado hielo de agua mezclado con el polvo lunar.

El problema es que esas sombras son tan profundas que ni las mejores cámaras logran distinguir bien una roca helada de una simplemente fría. Para afinar esa mirada, la NASA y la empresa tecnológica IBM acaban de presentar una inteligencia artificial entrenada con 17 años de fotografías y mapas de la Luna, y la han dejado en abierto para que cualquiera pueda descargarla y usarla.

Casi dos millones de fotografías para una sola alumna

El modelo se llama, de momento, Modelo Fundacional Lunar de NASA e IBM, y su entrenamiento parte de un conjunto de datos bautizado SomBench: casi dos millones de fotografías y mapas tomados por nueve instrumentos distintos a bordo de cuatro misiones, entre ellas la sonda estadounidense Lunar Reconnaissance Orbiter, en órbita lunar desde 2009, la misión gemela GRAIL y la japonesa Selene, también conocida como Kaguya. L

os datos llegan a dos escalas distintas: una muy cercana, de un metro de resolución, capaz de distinguir una roca del tamaño de una persona, y otra más amplia, de 100 metros, útil para trazar el mapa general del terreno. Detectar bien esos detalles pequeños importa: hace pocas semanas, el impacto de una etapa de un cohete Falcon de Elon Musk dejó un cráter de apenas 18 metros solo pudo confirmarse comparando fotografías tomadas antes y después.

Cómo distingue una sombra fría de un yacimiento de hielo

Un modelo fundacional no se entrena para una sola tarea, como reconocer gatos en fotografías, sino para entender patrones generales en un tipo de datos y adaptarse después a preguntas concretas con poco esfuerzo añadido. Durante el entrenamiento, el sistema aprende tapando trozos de las imágenes y adivinando qué debería haber ahí, un poco como un corrector de texto que adivina la palabra que falta en una frase a partir del contexto.

Una vez hecho ese aprendizaje general, ajustarlo a una tarea concreta (buscar hielo, contar cráteres, mapear coladas de lava) solo requiere retocar una pequeña parte de sus conexiones internas, en torno a un 10 %, mientras el resto permanece congelado sin cambios. Ese ajuste se apoya en la arquitectura de TerraMind, un modelo anterior de observación terrestre desarrollado por IBM junto con la Agencia Espacial Europea, adaptado ahora a la superficie lunar.

Por qué el hielo importa

Comparado con otro modelo de referencia habitual en este campo, llamado SwinV2, el nuevo sistema reduce en un 22 % el error al estimar dónde hay más probabilidades de encontrar hielo, y mejora en un 19 % la detección de cráteres a escala de 100 metros usando solo la mitad de datos de entrenamiento.

En el mapeo de zonas volcánicas la mejora es más modesta, de un 3 %. Conviene tomar estas cifras con la prudencia habitual en este tipo de anuncios: proceden del informe técnico que NASA e IBM han publicado junto al propio modelo, y todavía no han pasado por la revisión externa de una revista científica, así que la comunidad investigadora tendrá que reproducirlas por su cuenta antes de darlas por definitivas. Aun así, precisar dónde está ese hielo tiene consecuencias prácticas inmediatas: es el candidato principal para fabricar combustible de cohetes y agua potable en las futuras bases lunares, algo que ya contamos en Quo.

Un modelo abierto antes de que lleguen las botas

La NASA prepara el regreso de astronautas a la superficie lunar dentro del programa Artemis, con el polo sur como destino prioritario precisamente por su hielo. Esto explica por qué ese regreso se ha convertido en una carrera con varios países implicados, y contar con mapas fiables de dónde merece la pena cavar es una pieza central de esa carrera.

Al publicar el modelo, el código y los datos de entrenamiento de forma abierta, en plataformas como Hugging Face y GitHub, NASA e IBM apuestan por que universidades, otras agencias espaciales y aficionados con capacidad de cálculo mejoren el sistema más rápido de lo que lo haría un único equipo cerrado.

Cualquiera con una conexión a internet decente puede descargar ya este modelo y probarlo sobre sus propias imágenes del polo sur, mucho antes de que la primera bota de la era Artemis pise esa región. Puede que el próximo mapa clave para elegir un lugar de aterrizaje no lo dibuje un ingeniero de la NASA, sino alguien que jamás ha entrado en un centro espacial.

REFERENCIAS

• NASA. "NASA, IBM Launch AI Foundation Model for Lunar Science". NASA Science, 10 de septiembre de 2026.
• Martineau, K. "A rough guide for going back to the Moon". IBM Research, 10 de septiembre de 2026.
• IBM Newsroom. "IBM and NASA Release Open-Source AI Model to Support Lunar Exploration". 10 de septiembre de 2026.

Si quieres conocer otros artículos parecidos a ¿Quieres ayudar a la NASA a encontrar hielo en la Luna? Puedes con esta IA puedes visitar la categoría Astro.