La Luna lleva 17 años siendo fotografiada por la misma sonda de la NASA, pero nadie ha tenido tiempo de mirar todas esas imágenes con atención. Ahora la agencia espacial y IBM han entrenado una inteligencia artificial para hacerlo por ellos: un modelo capaz de rastrear hielo y localizar cráteres nuevos en la superficie lunar, justo cuando la NASA se prepara para volver a poner astronautas allí.
Por qué la NASA quiere entender la Luna antes de volver
En abril de 2026, cuatro astronautas volaron alrededor de la Luna por primera vez desde 1972, sin llegar a posarse en ella. Fue el primer paso del regreso que plantea el programa Artemis. El siguiente, un alunizaje con tripulación, se ha movido en el calendario más de una vez y hoy apunta a 2028.
El destino elegido no es cualquiera: la región del polo sur lunar, interesante por su combinación de luz solar constante para generar energía y cercanía a zonas donde podría haber hielo. Pero es también un terreno más difícil de leer que el que pisaron las misiones Apolo, con más sombras permanentes y una superficie llena de cráteres.
Ahí está el problema de fondo. Antes de enviar personas de nuevo hace falta saber, con mucho más detalle del que se tiene hoy, dónde hay hielo aprovechable y qué zonas son seguras para aterrizar. Y ese conocimiento depende de datos que la NASA lleva años acumulando, pero que nadie ha terminado de analizar del todo.
Es en ese punto donde entra la inteligencia artificial: no como sustituto de la exploración, sino como una forma de acelerar el trabajo previo que la hace posible.
Una IA entrenada con toda la memoria visual de la Luna
Para responder a esa necesidad, NASA e IBM han construido el NASA-IBM Lunar Foundation Model, un modelo de código abierto que cualquiera puede descargar y usar. Se ha entrenado a partir de las imágenes tomadas por la Lunar Reconnaissance Orbiter, la sonda que lleva casi dos décadas fotografiando la Luna desde su órbita, junto a datos de otras misiones como GRAIL, Lunar Prospector y la japonesa SELENE. En conjunto forman un archivo enorme, mucho más grande que el de cualquier otra misión planetaria de la NASA.
Hasta ahora, sacarle partido a ese archivo dependía en buena parte de la revisión manual o de programas diseñados para una sola tarea muy concreta. El nuevo modelo funciona de otra forma: aprende patrones generales a partir de todas esas imágenes y datos combinados, y después se puede adaptar a distintos usos sin empezar de cero cada vez.
El entrenamiento no fue sencillo. Muchos cráteres se parecen entre sí, y las sombras que proyectan en la superficie lunar tienen bordes muy marcados y son completamente negras, lo que confundía al modelo en sus primeras versiones. El equipo de IBM Research resolvió el problema separando por completo las zonas de la Luna usadas para entrenar el modelo de las usadas después para comprobar si funcionaba.
El proyecto se apoya en la experiencia previa de ambas compañías con este tipo de modelos aplicados a otros campos, como la observación de la Tierra o el estudio del Sol. La Luna era, hasta ahora, el terreno que faltaba por cubrir.
Encontrar hielo sin verlo directamente
El modelo no detecta agua congelada de forma directa. Lo que hace es estimar dónde es más probable que exista hielo estable, combinando datos de temperatura, pendiente, orientación y profundidad del terreno. Es lo que se conoce como prospectividad: un mapa de probabilidades, no una fotografía del hielo mismo.
Esa distinción importa, pero no resta valor al hallazgo, sobre todo pensando en el polo sur que Artemis tiene como destino. Sus regiones permanentemente en sombra pueden alcanzar temperaturas muy por debajo de los 200 grados bajo cero, lo bastante bajas como para que el hielo se conserve durante miles de millones de años. Encontrarlo con precisión no es solo una cuestión científica: ese agua podría convertirse en un recurso real para futuras misiones, tanto para beber como, una vez procesada, para producir oxígeno y combustible.
La cantidad en juego no es pequeña. Misiones anteriores ya habían detectado decenas de cráteres con hielo cerca del polo norte lunar, con estimaciones de cientos de millones de toneladas en conjunto. Localizar con más precisión dónde se concentra ese hielo facilita decidir dónde merece la pena instalarse y explorar.
Aquí es donde el nuevo modelo aporta algo distinto a lo que ya existía: en las pruebas realizadas por NASA e IBM, sus estimaciones de prospectividad de hielo fueron notablemente más precisas que las de los métodos anteriores. Es, hasta ahora, el punto donde el modelo muestra su mayor ventaja frente a otras herramientas.
Cráteres, la otra cara del mapa
Cada cráter cuenta una historia. Su tamaño y su distribución ayudan a calcular la edad de un terreno: cuantos más impactos acumula una superficie, más tiempo lleva expuesta. Se han catalogado ya millones de cráteres grandes en la Luna, pero quedan muchos pequeños por documentar, sobre todo cerca de los polos, la zona que precisamente concentra el interés de Artemis.
Los cráteres también son un riesgo práctico. Son el rasgo más común de la superficie lunar y, a la vez, uno de los mayores peligros a la hora de aterrizar. Un mapa más detallado ayuda a elegir mejor dónde posarse.
El modelo tuvo ocasión de demostrarlo con un caso real. En agosto, la etapa de un cohete Falcon 9 de SpaceX impactó cerca del cráter Einstein, dejando un cráter nuevo de apenas unos metros de ancho. La IA identificó correctamente esa formación en imágenes que no había visto durante su entrenamiento, una prueba sencilla pero reveladora de que el sistema reconoce cambios reales en la superficie, no solo patrones que ya conocía.
Conviene no sacar de contexto este resultado. NASA e IBM han sido claros: el modelo no está pensado para certificar zonas de aterrizaje ni para tomar decisiones operativas sobre una misión. Es una herramienta para acelerar la investigación científica, no un sistema de navegación. La diferencia parece técnica, pero es importante: una cosa es ayudar a los científicos a mirar más rápido, y otra muy distinta es decidir por ellos dónde puede posarse una nave.
Un mapa abierto para quien quiera usarlo
El modelo está disponible en plataformas abiertas como Hugging Face y GitHub, lo que significa que no es exclusivo de la NASA ni de IBM: cualquier investigador, agencia o universidad puede descargarlo, adaptarlo y construir sobre él. Se suma a otros modelos que ambas compañías ya habían desarrollado para observar la Tierra o estudiar la actividad solar, y que siguen la misma lógica: entrenar una base común de la que luego surgen aplicaciones concretas.
Lo que deja este proyecto no es tanto una respuesta definitiva sobre dónde hay hielo o cuántos cráteres quedan por descubrir, sino una forma distinta de acercarse a esas preguntas. Durante años, la Luna ha acumulado más datos de los que nadie ha podido revisar a fondo. Ahora, parte de ese trabajo puede avanzar más rápido, sin que eso sustituya el criterio de quienes finalmente decidirán dónde y cómo aterrizar.
Si te ha gustado este artículo y quieres recibir más contenido sobre innovación y tecnología directamente en tu correo, suscríbete a nuestra newsletter y mantente siempre actualizado. No somos de los que llenan tu bandeja, solo compartimos los lunes.
