A NASA e a IBM anunciaram em 10 de setembro de 2026 o lançamento do NASA-IBM Lunar Foundation Model, um modelo de inteligência artificial de código aberto criado para apoiar pesquisas científicas sobre a Lua. A ferramenta foi desenvolvida para reunir diferentes tipos de observação lunar em uma representação computacional única, permitindo sua adaptação a várias tarefas de análise.
O sistema foi treinado principalmente com dados coletados pelo Lunar Reconnaissance Orbiter, missão da NASA que observa a superfície da Lua há anos. Também foram incorporadas informações de outras missões espaciais. A proposta é oferecer uma base reutilizável para pesquisadores, em vez de exigir a criação de um algoritmo específico para cada problema científico.
Modelo combina imagens e mapas da superfície lunar
De acordo com a NASA Science, o treinamento utilizou aproximadamente 2 milhões de blocos de imagens. Desse total, mais de 1 milhão eram imagens de alta resolução e quase 964 mil correspondiam a imagens multiespectrais, capazes de registrar diferentes características da superfície lunar.
Além das imagens, o modelo combina mapas topográficos e outros dados de observação. Essa integração pode ajudar a identificar crateras, analisar formações vulcânicas e estudar áreas próximas aos polos lunares. A organização afirma que o sistema alcançou desempenho comparável ou superior ao de modelos especializados em diferentes tarefas avaliadas.
Uma das vantagens mais evidentes apareceu na estimativa da estabilidade de possíveis depósitos de gelo lunar. Regiões permanentemente sombreadas próximas aos polos são de interesse para a ciência porque podem preservar gelo. Ainda assim, os resultados produzidos por inteligência artificial não substituem observações diretas nem análises científicas adicionais para confirmar a presença e as características desses depósitos.
Aplicações para pesquisas e futuras missões
O modelo de IA para exploração lunar poderá ser ajustado para diferentes objetivos de pesquisa, conforme os dados e as necessidades de cada equipe. Entre as possibilidades citadas estão o mapeamento de crateras, o estudo do vulcanismo e a avaliação de terrenos polares. Essa flexibilidade é uma característica dos chamados modelos de base, treinados para servir como ponto de partida para várias aplicações dentro de um mesmo domínio.
Na prática, a ferramenta pode reduzir o trabalho necessário para preparar sistemas independentes para cada tipo de análise. Pesquisadores ainda precisam definir os métodos de validação, interpretar os resultados e verificar as limitações dos dados usados no treinamento. A inteligência artificial atua como apoio ao processo científico, sem eliminar a necessidade de revisão especializada.
A análise de regiões polares também pode ter importância para o planejamento de futuras missões. O conhecimento sobre o relevo, a iluminação e a possível distribuição de gelo pode contribuir para a escolha de áreas de interesse científico e operacional. No entanto, a utilidade potencial desses recursos depende de confirmações obtidas por instrumentos e missões específicas.
Código e dados ficam disponíveis para a comunidade
NASA e IBM informaram que o modelo foi disponibilizado publicamente, junto com o código e conjuntos de dados relacionados. O modelo pode ser acessado pela comunidade científica no Hugging Face, enquanto o código foi publicado no repositório da NASA-IMPACT no GitHub.
A abertura dos recursos permite que universidades, centros de pesquisa e desenvolvedores testem o sistema, reproduzam experimentos e criem novas aplicações para o estudo da Lua. Também facilita a comparação entre métodos e pode ampliar o acesso a ferramentas de inteligência artificial voltadas à pesquisa espacial.
Segundo a IBM Research, a iniciativa integra uma estratégia mais ampla de aplicação de modelos de base a dados científicos. O lançamento aproxima técnicas recentes de inteligência artificial de um conjunto de informações produzido por missões espaciais, com potencial para acelerar etapas de exploração e interpretação da superfície lunar.
O projeto representa, portanto, uma combinação entre pesquisa espacial, computação científica e desenvolvimento aberto. Seus resultados poderão ser aprimorados à medida que pesquisadores externos avaliem o desempenho do modelo em novos cenários. A capacidade de adaptação será especialmente relevante para transformar dados lunares em evidências úteis para futuras investigações.
