Durante años hemos asociado los modelos fundacionales con herramientas capaces de escribir, conversar o generar imágenes. Sin embargo, una de las aplicaciones más interesantes de esta tecnología no está intentando redactar correos ni resumir documentos. Está aprendiendo a interpretar la superficie de la Luna.
El 10 de septiembre de 2026, NASA e IBM anunciaron la publicación del NASA-IBM Lunar Foundation Model, un modelo abierto y multimodal preparado para trabajar con observaciones lunares procedentes de distintos instrumentos, resoluciones y condiciones de iluminación. Sus primeros usos se centran en localizar cráteres, estudiar formaciones volcánicas y estimar qué zonas polares podrían ser compatibles con la presencia estable de hielo.
La noticia es llamativa por su destino, pero resulta todavía más relevante por lo que representa. Muestra cómo la idea de modelo fundacional está saliendo del lenguaje para convertirse en una capa común con la que analizar datos científicos heterogéneos. Y también recuerda algo importante: una IA puede ser muy útil sin parecerse en absoluto a un chatbot.
Un modelo fundacional no tiene por qué hablar
Un modelo fundacional se entrena primero con una gran cantidad de datos para aprender representaciones generales de un dominio. Después puede adaptarse a tareas concretas con menos ejemplos y, en algunos casos, sin modificar todos sus parámetros.
En un modelo de lenguaje, ese dominio está formado por secuencias de tokens. En el caso lunar, el objetivo es aprender relaciones entre imágenes, mapas topográficos, datos térmicos, información radar, mediciones espectrales y geometría de adquisición. El modelo no necesita responder con una frase: puede producir representaciones que sirvan para detectar objetos, segmentar regiones o estimar una variable continua.
Esta diferencia importa porque a menudo utilizamos «IA generativa» y «modelo fundacional» como si fueran sinónimos. No lo son. La capacidad de generar es una posibilidad; la característica fundamental es haber aprendido una base reutilizable para diferentes tareas. Es el mismo cambio conceptual que explicábamos al hablar de cómo las matemáticas aprendieron a representar el lenguaje, trasladado ahora a un territorio científico y multimodal.
Tip técnico: antes de elegir un modelo, define cuál debe ser su salida. Clasificación, detección, segmentación y regresión son problemas distintos. Que una arquitectura sea «fundacional» no evita diseñar correctamente la tarea, la métrica y el conjunto de validación.
El problema real no es tener datos, sino conseguir que hablen entre ellos
La exploración lunar ha producido décadas de observaciones, pero no todas describen la superficie del mismo modo. La cámara de gran angular del Lunar Reconnaissance Orbiter trabaja aproximadamente a 100 metros por píxel, mientras que su cámara de ángulo estrecho puede alcanzar cerca de un metro por píxel. Otros instrumentos aportan temperatura, pendiente, composición, rugosidad, hidrógeno o gravedad.
Es como intentar construir un único mapa a partir de una fotografía, una radiografía, un termómetro y un estudio geológico, tomados además con escalas diferentes. Ninguna fuente cuenta por sí sola toda la historia. El valor aparece al registrar correctamente las observaciones y aprender las relaciones entre ellas.
Según la descripción técnica publicada por IBM Research, el modelo integra información procedente de misiones estadounidenses y japonesas. Su ficha técnica concreta que fue preentrenado con SomBench, un conjunto de casi dos millones de paquetes de teselas lunares corregidas y alineadas, con once modalidades y dos familias de resolución.
La arquitectura utiliza un codificador y un decodificador basados en Vision Transformers. Durante el entrenamiento, parte de la información se oculta y el sistema aprende a reconstruirla a partir del resto. Esa tarea obliga al modelo a captar correspondencias: cómo se relacionan una forma del relieve, una respuesta térmica, una señal espectral y determinadas condiciones de iluminación.
La iluminación lunar no es un detalle menor
Una imagen de la Luna cambia mucho con el ángulo del Sol. La ausencia de una atmósfera densa produce contrastes extremos y sombras muy duras. Cerca de los polos, el Sol permanece bajo sobre el horizonte y el relieve proyecta sombras largas que pueden ocultar rocas, pendientes o pequeños cráteres.
Por eso el modelo no recibe únicamente píxeles. También incorpora como contexto ángulos de incidencia, emisión, fase y azimut, además de coordenadas y resolución del terreno. Es una decisión técnicamente sensata: si conocemos la geometría con la que se adquirió una imagen, no conviene obligar a la red a deducirla de forma indirecta.
Tip técnico: en proyectos con imágenes científicas o industriales, conserva los metadatos de captura. La hora, el sensor, la calibración, el ángulo, la resolución o la máquina utilizada pueden explicar variaciones que un modelo confundiría con propiedades del objeto.
Qué puede hacer el modelo
NASA e IBM han evaluado la base preentrenada en cuatro tareas. Los resultados publicados son prometedores, aunque no todos tienen la misma contundencia.
Detectar cráteres con menos datos etiquetados
En imágenes de 100 metros por píxel, la adaptación del modelo consiguió una precisión media superior a la mejor referencia comparada. Con solo la mitad de los datos de entrenamiento, ya igualó o superó al modelo SwinV2 entrenado con el conjunto completo. Esto sugiere una ventaja especialmente interesante para la ciencia: aprovechar mejor etiquetas que son caras y lentas de producir.
A escala de un metro por píxel, en cambio, el resultado quedó prácticamente empatado con SwinV2 y las puntuaciones absolutas fueron bajas. La propia documentación pide tratar ambos métodos como comparables. Es un buen ejemplo de por qué un titular global como «un 23 % más preciso» puede ocultar diferencias importantes entre tareas.
Estudiar regiones compatibles con hielo
La mayor mejora aparece al estimar la prospectividad de hielo en los polos. El error cuadrático medio pasó de 0,0377 en la mejor referencia a 0,0293 con el modelo lunar adaptado, una reducción cercana al 22 %. El sistema combina variables como la temperatura, la pendiente, la orientación del terreno y la profundidad teórica de estabilidad del hielo.
Pero hay que expresar el resultado con precisión: el modelo no detecta directamente depósitos de agua. Predice un mapa de prospectividad construido a partir de conocimiento y datos previos. Una zona señalada es una candidata que merece ser estudiada, no una confirmación que permita enviar una misión con el depósito de combustible ya presupuestado.
Delimitar formaciones volcánicas
También se probó en la segmentación de unas formaciones denominadas irregular mare patches, que podrían contener algunos de los materiales volcánicos más jóvenes de la Luna. El resultado fue ligeramente superior al de la mejor referencia, aunque la diferencia quedó dentro de la variabilidad observada entre ejecuciones. Aquí la conclusión prudente es que el preentrenamiento resulta útil, no que el problema esté resuelto.
Tip técnico: al comparar modelos, no mires únicamente el mejor número. Comprueba la métrica, la dispersión entre semillas, el tamaño del conjunto de prueba, la calidad de las etiquetas y si la referencia utiliza exactamente los mismos datos. Una mejora menor que la variabilidad experimental puede no ser una mejora real.
Lo más interesante: adaptar sin volver a entrenar desde cero
Entrenar una red grande para cada pregunta científica sería prohibitivo. El enfoque fundacional intenta amortizar un preentrenamiento costoso y especializar después el modelo con una cantidad mucho menor de datos y computación.
Para sus pruebas, el equipo utilizó adaptadores LoRA que mantuvieron congelado alrededor del 90 % del modelo base. En lugar de reajustar todos los pesos, se aprenden pequeñas matrices adicionales en determinadas capas. En varios de los experimentos, esta estrategia igualó o superó el ajuste completo.
La ficha del modelo recomienda LoRA como punto de partida, con un matiz: el ajuste completo conservó ventaja en dos de los conjuntos más pequeños. No existe una receta universal. Congelar el codificador, aplicar LoRA o reajustar todos los pesos sigue siendo una decisión experimental que depende de la tarea, el volumen de datos y el riesgo de sobreajuste.
El modelo y sus pesos se distribuyen bajo licencia Apache 2.0 y el repositorio proporciona configuración y código de adaptación mediante TerraTorch. Que sea abierto no elimina las barreras técnicas, ya que trabajar con observaciones científicas exige preparar datos, entender sus coordenadas y validar los resultados con expertos. Sí permite, sin embargo, que otros grupos reproduzcan las pruebas, analicen sus limitaciones y construyan nuevas aplicaciones sin empezar completamente de cero.
Tip técnico: empieza la adaptación con una línea base sencilla y LoRA. Guarda un conjunto de prueba geográficamente separado y compáralo con un modelo específico bien ajustado. Si el modelo fundacional no supera esa referencia, su mayor complejidad puede no estar justificada.
Lo que el modelo no puede hacer
La parte más valiosa de una buena ficha de modelo suele estar al final. En este caso, sus autores detallan varios límites que impiden convertir los resultados en decisiones operativas sin comprobaciones adicionales.
- Las salidas generadas no son predicciones científicas calibradas ni sustituyen a los instrumentos, la fotogrametría o las soluciones geodésicas.
- El modelo reproduce estructuras locales, pero no mantiene un marco geodésico absoluto. Algunas coordenadas generadas pueden desviarse decenas de grados.
- No ha sido validado para certificar lugares de aterrizaje ni para autorizar operaciones de seguridad.
- La prospectividad de hielo se aprende a partir de un mapa de referencia, no de mediciones directas de hielo.
- La cobertura no es igual para todos los instrumentos y algunas zonas de alta resolución son limitadas.
- No debe extrapolarse a otros cuerpos celestes ni a productos que no estaban representados en SomBench.
Estas restricciones no rebajan el interés del trabajo. Al contrario, delimitan para qué puede ser útil: buscar patrones, priorizar regiones, acelerar catalogaciones y proponer hipótesis que luego deben contrastarse. En ciencia, reducir el espacio de búsqueda ya puede ahorrar muchísimo trabajo sin conceder a la IA la última palabra.
Tip técnico: documenta explícitamente qué decisiones puede apoyar un modelo y cuáles requieren otra evidencia. Una predicción útil para priorizar una inspección puede ser inaceptable para certificar seguridad. El mismo resultado cambia de significado según el riesgo de la decisión.
Por qué este avance importa más allá de la Luna
Lo verdaderamente transferible no es el conocimiento lunar, sino el patrón de trabajo. Muchos sectores acumulan datos de distintas fuentes que describen el mismo sistema: imágenes, sensores, series temporales, documentos, mapas o registros de mantenimiento. El problema no siempre es la falta de información, sino que cada modalidad vive en su propio silo.
Un modelo común puede aprender una representación compartida y adaptarse después a tareas concretas. El enfoque es aplicable, con las cautelas necesarias, a agricultura de precisión, monitorización ambiental, inspección industrial, medicina o mantenimiento predictivo. No significa que un único modelo vaya a resolver todos esos ámbitos. Significa que la combinación de preentrenamiento multimodal, adaptación eficiente y evaluación específica está madurando como metodología.
También cambia la conversación sobre la IA abierta. Disponer de pesos, código, datos de referencia y resultados por tarea facilita una revisión que no es posible cuando solo existe una demostración comercial. Cualquiera puede leer la ficha y descubrir que en detección de cráteres a escala métrica el nuevo modelo no supera claramente a la referencia. Esa transparencia es una fortaleza, no una debilidad.
Algo parecido sucede con la computación cuántica y su futuro híbrido: el avance real suele estar menos en sustituir todo lo anterior que en añadir una herramienta especializada allí donde aporta una ventaja verificable.
Cómo acercarse técnicamente al proyecto
La publicación incluye el punto de control del modelo, los tokenizadores, configuraciones de ajuste y un repositorio complementario. La propia ficha muestra cómo cargar el backbone mediante TerraTorch o descargarlo desde Hugging Face. Antes de lanzar un entrenamiento, conviene revisar el esquema de modalidades y reproducir una de las tareas de SomBench.
Una ruta sensata sería ejecutar primero la configuración oficial, fijar semillas y registrar métricas. Después se puede cambiar una sola variable cada vez: subconjunto de modalidades, tamaño de parche, estrategia de adaptación o cantidad de datos etiquetados. Así es posible distinguir una mejora real de un experimento irrepetible.
Tip técnico: controla también el coste del experimento. La ficha declara que el preentrenamiento utilizó 16 GPU H100 durante unas 1.100 horas de GPU. Descargar un modelo abierto es sencillo; reproducir su entrenamiento completo no lo es. Para la mayoría de equipos, adaptar y evaluar será mucho más realista que preentrenar de nuevo.
Conclusión: una IA para ampliar el instrumento científico
El NASA-IBM Lunar Foundation Model no ha encontrado una mina de hielo, no elige por sí solo dónde aterrizar y no convierte décadas de investigación lunar en una aplicación de un clic. Lo que ofrece es más interesante que esa caricatura: una representación común para cruzar datos que antes resultaba difícil analizar conjuntamente y una base reutilizable para nuevas tareas.
Sus resultados iniciales muestran mejoras claras en algunos problemas, empates en otros y limitaciones bien documentadas. Esa mezcla es precisamente la señal de un trabajo científico serio. Hay avance, pero también métricas, condiciones y fronteras.
Puede que la imagen más precisa del futuro de la IA científica no sea una máquina haciendo descubrimientos en soledad, sino un sistema que organiza millones de observaciones, señala regiones prometedoras y permite a los investigadores formular mejores preguntas. En este caso, literalmente mirando a la Luna.
Deja una respuesta