# NASA e IBM abren una IA entrenada para estudiar la Luna

> El modelo y su código están disponibles para investigación. La herramienta acelera mapas, pero sus predicciones requieren validación científica.

- URL canónica: https://visteesto.com/nota/nasa-ibm-ia-luna-modelo-abierto
- Autor: [Martin Rodriguez](https://visteesto.com/autor/martin-rodriguez)
- Publicado: 2026-09-11T15:09:46.519341Z
- Actualizado: 2026-09-11T15:09:46.519341Z
- Sección: Tecnología
- Tema: ia-ciencia-espacial
- Idioma: es
- Consulta principal: NASA IBM IA para estudiar la Luna

## Resumen verificable

- NASA e IBM publicaron un modelo fundacional abierto para analizar la superficie lunar. ([evidencia](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/))
- El modelo fue entrenado con aproximadamente dos millones de recortes de imágenes y datos lunares. ([evidencia](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/))
- Puede adaptarse para mapear cráteres, estructuras volcánicas y posibles zonas estables de hielo polar. ([evidencia](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/))
- El modelo está en Hugging Face y el código completo se publicó en GitHub. ([evidencia](https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model))

## Aporte editorial de VisteEsto

VisteEsto organizó el lanzamiento en tres niveles verificables —preentrenamiento, adaptación y validación— para evitar confundir una predicción con evidencia confirmada.

## Qué publicó NASA junto con IBM

NASA e IBM lanzaron un modelo fundacional abierto diseñado para analizar la superficie de la Luna. Fue preentrenado principalmente con datos de Lunar Reconnaissance Orbiter y está disponible en Hugging Face, mientras que el código completo puede consultarse en GitHub.

El entrenamiento utilizó aproximadamente dos millones de recortes: más de un millón provinieron de imágenes de alta resolución, con detalle cercano a un metro, y casi 964.000 de observaciones multiespectrales a 100 metros. También incorporó datos de GRAIL, Lunar Prospector y la misión japonesa SELENE.

## Para qué tareas puede adaptarse

Los equipos científicos pueden ajustar el modelo con conjuntos etiquetados más pequeños para identificar cráteres, localizar estructuras volcánicas jóvenes y estimar zonas donde el hielo podría mantenerse estable cerca de los polos. La publicación incluye modelos derivados y colecciones de referencia para comparar resultados.

En las evaluaciones informadas por NASA, el sistema igualó o superó modelos de referencia en las tareas estudiadas. Su ventaja más clara apareció en la estimación de estabilidad del hielo polar. Eso describe pruebas técnicas concretas; no confirma por sí solo depósitos aprovechables ni reemplaza observaciones de campo o de otras misiones.

## Qué se puede descargar y qué exige cautela

La colección pública permite revisar el modelo, el informe técnico y las tareas derivadas. Para reproducir un resultado hay que registrar la versión, el conjunto de datos, la resolución y el ajuste utilizado. Una predicción coloreada sobre un mapa lunar sigue siendo una estimación hasta que se contrasta con evidencia independiente.

La comparación útil separa tres niveles: preentrenamiento sobre imágenes sin etiquetar, adaptación a una tarea científica y validación del mapa final. El aporte práctico del modelo está en reducir el trabajo inicial para explorar grandes volúmenes de datos. La interpretación geológica y las decisiones de misión continúan bajo responsabilidad de especialistas.

## Fuentes consultadas

- Fuente primaria: [NASA: lanzamiento del modelo lunar de IA con IBM](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/)
- Fuente primaria: [Colección NASA-IBM Lunar Foundation Model en Hugging Face](https://huggingface.co/collections/nasa-ibm-ai4science/nasa-ibm-lunar-fm-and-downstream-models)
- Fuente primaria: [Código NASA-IBM Lunar Foundation Model en GitHub](https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model)

## Imágenes y licencias

- Comparación de mapas de estabilidad probable de hielo cerca del polo lunar. Autor: NASA/IBM Research. Licencia: [Public domain](https://www.nasa.gov/nasa-brand-center/images-and-media/). [Origen](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/).
- Mosaico lunar de Mons Rümker con cráteres y llanuras oscuras. Autor: NASA/GSFC/Arizona State University. Licencia: [Public domain](https://www.nasa.gov/nasa-brand-center/images-and-media/). [Origen](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/).
- Imágenes lunares con cráteres detectados y un impacto nuevo marcado. Autor: NASA/IBM Research. Licencia: [Public domain](https://www.nasa.gov/nasa-brand-center/images-and-media/). [Origen](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/).

## Cómo citar

Citar título, autor, fecha de publicación o actualización y la URL canónica. Las afirmaciones centrales incluyen su evidencia directa arriba. Esta versión Markdown es una representación accesible; la nota HTML canónica es la fuente editorial de referencia.