El modelo fundacional lunar de NASA-IBM se vuelve de código abierto, pero los benchmarks son solo la primera prueba

NASA e IBM lanzaron el modelo fundacional lunar NASA-IBM tras entrenarlo con aproximadamente 2 millones de mosaicos de imágenes procedentes de décadas de observaciones de la Luna. El sistema de código abierto está orientado al mapeo de cráteres, el análisis de rasgos volcánicos y las estimaciones de dónde podría permanecer estable el hielo polar. Su principal promesa es concreta: los investigadores pueden partir de un modelo reutilizable en lugar de crear un sistema independiente para cada pregunta lunar.

Esa promesa también genera la principal tensión de la historia. El modelo igualó o superó varias líneas de base consolidadas de aprendizaje automático en pruebas realizadas por sus creadores. Sin embargo, una publicación de investigación no equivale a un mapa operativo para aterrizar astronautas, localizar recursos o proteger equipos en la superficie.

Por tanto, la competencia importante no enfrenta a NASA con otra agencia espacial ni a IBM con otra empresa tecnológica. Enfrenta a un modelo fundacional multimodal y reutilizable con los flujos de trabajo específicos para cada tarea que los científicos planetarios ya conocen. Los pesos abiertos, los conjuntos de datos públicos y el código reproducible permiten ahora a investigadores externos comprobar cuál enfoque funciona mejor.

Qué cambia el modelo fundacional lunar de NASA-IBM

NASA e IBM han publicado un punto de partida técnico compartido para varias tareas de ciencia lunar, no un sistema terminado que comprenda la Luna de forma autónoma.

Los socios anunciaron el modelo de código abierto el 10 de septiembre de 2026. NASA lo describe como uno de los primeros modelos fundacionales de código abierto creados específicamente para la ciencia lunar. Un modelo fundacional es un sistema preentrenado con datos amplios y en gran medida no etiquetados, que después se adapta a tareas más acotadas con conjuntos de datos etiquetados más pequeños.

El modelo está disponible públicamente a través de una colección de modelos lunares en Hugging Face. Esa colección incluye el modelo base y versiones adaptadas para la detección de cráteres, la segmentación de rasgos volcánicos y el análisis de prospectividad de hielo.

NASA también publicó el repositorio de código del modelo bajo la licencia Apache 2.0. Contiene paquetes para inferencia y ajuste fino, además de configuraciones para las tres tareas de investigación destacadas. El repositorio no incluye el código de preentrenamiento, una limitación importante para la reproducibilidad integral de extremo a extremo.

El corpus de entrenamiento se centra en observaciones del Lunar Reconnaissance Orbiter de NASA, o LRO. La nave espacial estudia la Luna desde 2009 y ha generado imágenes y mediciones de gran parte de la superficie lunar.

Según NASA, los datos de entrenamiento contenían más de 1 millón de imágenes de cámaras de alta resolución, con una resolución aproximada de 1 metro. También incluían cerca de 964.000 imágenes multiespectrales con una resolución aproximada de 100 metros.

Estas escalas cumplen funciones distintas. Las imágenes con resolución métrica pueden revelar bordes de cráteres, rocas, pendientes y cambios relativamente pequeños. Las capas multiespectrales más gruesas capturan señales físicas o composicionales más amplias que quizá no aparezcan en una fotografía convencional.

El proyecto también utilizó datos de la misión GRAIL de NASA, Lunar Prospector y la misión japonesa SELENE. GRAIL cartografió variaciones en la gravedad lunar, proporcionando a los científicos información sobre la corteza y el interior de la Luna. Otros instrumentos midieron elevación, temperatura, reflectancia y propiedades químicas.

IBM afirma que el conjunto de datos de aprendizaje automático asociado alinea más de 30 capas de nueve instrumentos distribuidos entre cuatro misiones. La alineación importa porque un algoritmo no puede comparar mediciones de forma fiable cuando cada instrumento utiliza una cuadrícula, escala o convención de coordenadas diferente.

Este lanzamiento cambia quién puede experimentar con esas observaciones combinadas. Un laboratorio universitario ya no necesita ensamblar de manera independiente cada capa de entrada antes de probar una idea de cartografía lunar. Los investigadores pueden empezar con conjuntos de datos preparados, pesos preentrenados y tareas posteriores documentadas.

Esa comodidad no es solo una ventaja de software. La preparación de datos suele determinar si otro equipo puede reproducir el aprendizaje automático científico. Publicar el marco común de datos convierte el lanzamiento en una infraestructura que otros investigadores pueden inspeccionar, modificar y cuestionar.

El modelo no debe confundirse con un chatbot de propósito general. No responde preguntas arbitrarias sobre la historia lunar en lenguaje natural. Procesa entradas de teledetección y produce representaciones que los científicos pueden adaptar a formas específicas de cartografía o predicción.

La visión general de IA lunar de NASA presenta el sistema como una forma de reducir el trabajo necesario antes de que pueda comenzar la interpretación científica. Por tanto, el cambio inmediato es la reutilización de flujos de trabajo, no la autonomía de las máquinas.

Por qué los datos lunares necesitan un modelo común

El problema técnico más difícil no es la escasez de observaciones de la Luna. Es la dificultad de combinar mediciones producidas a escalas incompatibles y en condiciones cambiantes.

Las misiones lunares han generado petabytes de datos, pero esas observaciones nunca se crearon como un único conjunto de datos unificado para aprendizaje automático. Cada instrumento registra una propiedad física distinta y utiliza su propia resolución, geometría, perfil de ruido y supuestos de procesamiento.

IBM ofrece un ejemplo útil. GRAIL cartografió el campo gravitatorio con una resolución de aproximadamente 20 kilómetros por píxel, mientras que las imágenes de LRO pueden resolver rasgos de aproximadamente 1 metro por píxel. Un investigador no puede simplemente apilar esas capas y esperar comparaciones significativas píxel por píxel.

La iluminación complica aún más el problema. La Luna casi no tiene atmósfera que disperse la luz solar, lo que crea reflejos intensos y sombras profundas. El mismo cráter puede verse drásticamente diferente cuando un orbitador lo fotografía bajo otro ángulo de iluminación.

Las condiciones cerca de los polos son especialmente difíciles. Como el Sol se mantiene bajo en el horizonte, el terreno elevado proyecta sombras largas. Algunos interiores de cráteres permanecen permanentemente en sombra, ocultando zonas que los científicos desean examinar en busca de hielo y peligros para el aterrizaje.

Los flujos de trabajo tradicionales suelen abordar estas diferencias por separado. Un modelo puede detectar cráteres a partir de imágenes de alta resolución. Otro puede combinar información térmica y topográfica para estimar la estabilidad del hielo. Cada flujo de trabajo requiere sus propias reglas de preprocesamiento, etiquetas, arquitectura y proceso de validación.

El modelo de IA lunar de NASA-IBM sigue una ruta distinta. Fue adaptado de TerraMind, una arquitectura multimodal de observación terrestre desarrollada por IBM y la Agencia Espacial Europea. Multimodal significa que el sistema aprende a partir de varios tipos de mediciones, en lugar de una única secuencia de imágenes.

Durante el preentrenamiento, la arquitectura oculta partes de sus entradas y aprende a reconstruir sus patrones subyacentes. Este enfoque de tokens enmascarados anima al modelo a identificar relaciones entre mediciones, incluidas señales que aparecen en una modalidad pero permanecen débiles o ausentes en otra.

El resultado es una representación interna compartida del terreno lunar. Un equipo de investigación puede ajustar esa representación para una tarea más acotada en lugar de entrenar desde cero un sistema visual completo.

Para la adaptación posterior, el proyecto utilizó adaptadores de bajo rango, conocidos habitualmente como LoRAs. Estos componentes ligeros ajustan una pequeña parte de un modelo mientras dejan sin cambios la mayoría de los parámetros originales. IBM afirma que los experimentos mantuvieron congelado el 90% de los pesos del modelo base.

Ese diseño reduce los recursos computacionales y los datos etiquetados necesarios para cada tarea nueva. También hace que el lanzamiento sea más práctico para los grupos científicos que carecen de la infraestructura utilizada durante la ejecución original de preentrenamiento.

El mecanismo importa porque las etiquetas lunares son escasas. Los científicos pueden disponer de extensas imágenes, pero solo áreas limitadas contienen límites de cráteres, estructuras volcánicas o datos de referencia relacionados con el hielo cuidadosamente verificados. Un modelo que parte de representaciones generales útiles puede extraer más valor de esas colecciones etiquetadas más pequeñas.

Sin embargo, las representaciones compartidas también pueden incorporar errores compartidos. Si problemas de alineación, sesgos de observación o artefactos de iluminación entran en el preentrenamiento, pueden afectar a todos los modelos posteriores. La reutilización aumenta la eficiencia mientras concentra las consecuencias de una base imperfecta.

Esa disyuntiva explica por qué el acceso abierto es central en el anuncio. Los investigadores necesitan la capacidad de inspeccionar las entradas, repetir los benchmarks y probar el modelo en regiones que sus creadores no destacaron.

Tres problemas lunares ponen el modelo a trabajar

La detección de cráteres, la cartografía volcánica y la estimación de hielo polar prueban si una sola base puede respaldar tanto la interpretación científica como la planificación de la exploración.

La cartografía de cráteres proporciona la tarea visual más directa. Los investigadores cuentan y miden cráteres de impacto para estimar las edades relativas de las superficies lunares. Las formas de los cráteres también aportan indicios sobre la geología, los impactos y los cambios ocurridos después de una observación anterior.

NASA demostró el modelo con imágenes cerca del cráter Einstein después de que el cuerpo de un cohete SpaceX desechado impactara contra la Luna. Según la agencia, la imagen posterior al impacto fue excluida del preentrenamiento. Tras el ajuste fino, el sistema resaltó el nuevo cráter mientras detectaba cráteres catalogados previamente en las cercanías.

Esa prueba muestra un flujo de trabajo útil para la detección de cambios. Un modelo puede examinar grandes archivos de imágenes en busca de diferencias, permitiendo a los científicos concentrar su atención en los candidatos más prometedores. No establece que cada cambio resaltado sea un impacto real.

A resolución de escala métrica, el modelo fundacional lunar de NASA-IBM produjo, según se informa, resultados de cráteres comparables con sólidas líneas de base especializadas. En una resolución contextual de aproximadamente 100 metros, IBM afirma que superó a un modelo SwinV2-B en casi un 19% utilizando la mitad de los datos de entrenamiento.

SwinV2-B es un transformador visual jerárquico, un modelo de imágenes que analiza regiones visuales locales antes de combinarlas en patrones más amplios. Ofrece una comparación creíble, pero la ventaja reportada depende del conjunto de datos seleccionado, el procedimiento de entrenamiento y la métrica de evaluación.

La segunda tarea se refiere a los parches irregulares de mares lunares, o IMPs. Se trata de formaciones volcánicas inusuales, con texturas y formas que parecen diferentes de las llanuras circundantes. Su aparente juventud ha suscitado preguntas sobre cuándo terminó la actividad volcánica lunar.

Cartografiar la extensión completa de un IMP puede ayudar a los investigadores a comparar su estructura con el terreno cercano. IBM informa de que su modelo mejoró el rendimiento de segmentación en un 3% respecto de la línea de base SwinV2-B seleccionada, al tiempo que requirió menos ajuste fino.

La mejora es modesta, pero eso no la vuelve irrelevante. La segmentación científica suele implicar etiquetas limitadas e imperfectas. Una pequeña mejora, combinada con menores costes de adaptación, puede justificar pruebas adicionales.

La tercera tarea, la prospectividad de hielo polar, tiene la conexión más clara con una actividad lunar sostenida. El hielo de agua podría contribuir al suministro de agua potable y a la producción de oxígeno. El hidrógeno y el oxígeno también podrían contribuir a la producción de propelente, aunque detectar una señal prometedora no demuestra que su extracción sea técnica o económicamente viable.

El modelo combina varias mediciones para estimar dónde podría permanecer estable el hielo sobre o bajo la superficie. IBM afirma que redujo el error cuadrático medio hasta en un 22% en comparación con SwinV2-B. El error cuadrático medio mide la magnitud típica de las diferencias entre los valores predichos y los de referencia; las puntuaciones más bajas indican una concordancia más estrecha.

El lenguaje general de lanzamiento de IBM cita mejoras de hasta un 23% en las tareas evaluadas de características geográficas. Los lectores deben considerar esa cifra como un referente informado por sus creadores, no como una medida confirmada de forma independiente del rendimiento científico.

La prospectividad de hielo tampoco equivale a una detección directa de hielo. Estima la probabilidad de que las condiciones favorezcan la preservación de hielo, a partir de observaciones disponibles y mapas de referencia. Una región con una puntuación alta aún requiere examen mediante otros instrumentos, simulaciones o mediciones de superficie.

La distinción es importante para la planificación de misiones. Los mapas generados por IA pueden ayudar a priorizar objetivos, pero no pueden sustituir los estudios de ingeniería ni la confirmación científica. La seguridad del aterrizaje depende del terreno, la iluminación, las comunicaciones, las condiciones térmicas, el polvo, la navegación y las limitaciones del vehículo.

Por ello, el uso más sólido a corto plazo es el triaje. El modelo puede ayudar a identificar ubicaciones o cambios que merecen análisis adicional, reduciendo el volumen que los especialistas deben inspeccionar manualmente. Las decisiones finales siguen en manos de los científicos y los equipos de misión.

La IA reutilizable presiona a los flujos de trabajo lunares específicos de cada tarea

El lanzamiento de NASA-IBM pide a los científicos planetarios elegir entre flujos de trabajo especializados y conocidos, y un modelo común que promete una adaptación más rápida entre distintas tareas.

Los sistemas especializados conservan ventajas importantes. Los investigadores pueden diseñarlos en torno a una pregunta física, un instrumento y un conjunto de supuestos cuidadosamente controlados. Su comportamiento puede ser más fácil de rastrear porque el flujo contiene menos interacciones ocultas.

Un modelo fundacional común ofrece una forma distinta de valor. Su coste de preentrenamiento se paga una sola vez, mientras que los equipos posteriores reutilizan las representaciones que ha aprendido. El modelo también puede conectar señales entre instrumentos que un detector de imágenes de propósito único ignoraría.

Ninguna de las dos rutas produce automáticamente mejor ciencia. La comparación relevante incluye precisión, calibración, requisitos de computación, preparación de datos, interpretabilidad y la cantidad de datos etiquetados necesaria.

Los referentes de NASA-IBM se centran en varias partes de esa comparación. Según se informa, el modelo iguala a sistemas especializados en algunas tareas, los supera en otras y reduce la adaptación necesaria. Esos resultados respaldan una investigación continuada, pero no resuelven el debate.

Proyectos independientes muestran que NASA e IBM no están solas en la búsqueda de representaciones lunares generales. Un sistema independiente llamado LunarFM combina 18 canales de seis instrumentos de tres misiones. Sus creadores publicaron un conjunto de datos de incrustaciones de 768 dimensiones y demostraron tareas que incluyen el mapeo de minerales y la clasificación geológica.

Esta investigación de LunarFM refleja un movimiento más amplio hacia modelos compartidos de teledetección para la ciencia planetaria. También ofrece a los investigadores otra arquitectura, diseño de conjunto de datos y marco de evaluación para comparar con el enfoque de NASA e IBM.

La competencia entre proyectos abiertos puede fortalecer el campo. Los equipos pueden probar modelos en regiones comunes, reproducir resultados, identificar fugas de datos y determinar si una ganancia aparente se mantiene ante cambios de iluminación o geografía.

Las alternativas también revelan un problema de nomenclatura. “Modelo fundacional lunar” describe una categoría técnica, no un sistema aceptado universalmente. Los lectores deben distinguir el modelo oficial de NASA-IBM de otros proyectos que emplean terminología similar.

NASA e IBM ya han aplicado la estrategia de modelos fundacionales más allá de la Luna. Su familia Prithvi analiza datos de observación terrestre y meteorológicos. Surya se orienta a observaciones de heliofísica, incluida la actividad solar que puede afectar a satélites, comunicaciones e infraestructura eléctrica.

Esta cartera en expansión sugiere una estrategia institucional. NASA busca componentes de IA reutilizables que ayuden a los investigadores a trabajar con enormes archivos científicos. IBM obtiene una demostración destacada de modelos multimodales fuera de las aplicaciones convencionales de lenguaje y empresariales.

La presión recae primero sobre los equipos que mantienen flujos de trabajo aislados. Si un modelo común alcanza una precisión comparable con menos datos y computación, resulta más difícil justificar la construcción repetida de nuevos codificadores. Los investigadores podrían concentrar más esfuerzo en la validación, el conocimiento del dominio y la interpretación.

Sin embargo, los enfoques especializados seguirán siendo importantes cuando una tarea dependa de sensores inusuales o de restricciones físicas precisas. Una representación amplia puede pasar por alto detalles que captura un modelo cuidadosamente diseñado. Algunas preguntas científicas también exigen razonamiento causal o basado en la física que el reconocimiento de patrones visuales no puede aportar.

El resultado probable no es una sustitución completa. Los modelos fundacionales pueden convertirse en bases compartidas, mientras los equipos de misión y ciencia continúan creando capas de validación especializadas a su alrededor. El lanzamiento abierto permite a la comunidad determinar dónde funciona esa combinación.

Los referentes aún necesitan pruebas de estrés independientes

La mayor incertidumbre es si las mejoras informadas siguen siendo fiables fuera de los conjuntos de datos, divisiones y regiones lunares seleccionadas por el equipo de desarrollo.

NASA afirma que el modelo igualó o superó bases de referencia sólidas en todas las tareas evaluadas. IBM ofrece comparaciones más detalladas para hielo polar, características volcánicas y detección de cráteres. Ambos relatos se basan en trabajo realizado por las organizaciones que construyeron el sistema.

Eso no invalida los resultados. Sí significa que los primeros referentes deben tratarse como evidencia para una hipótesis de investigación, no como un veredicto final.

El modelo debe generalizar en condiciones especialmente hostiles para la visión por computadora. La apariencia lunar cambia con el ángulo de iluminación, la resolución de la cámara, la geometría orbital, el ruido del sensor y la composición de la superficie. Un sistema puede rendir bien en una división seleccionada y fallar en otra región.

NASA reconoce un ejemplo en su demostración de cráteres. Las diferentes condiciones de iluminación entre pasadas orbitales pueden modificar la visibilidad de cráteres más pequeños. Un sistema automatizado podría interpretar esos cambios de apariencia como diferencias físicas.

El hielo polar plantea otra fuente de incertidumbre. Los científicos no pueden observar directamente cada depósito sospechoso, especialmente dentro de regiones permanentemente sombreadas. Por ello, los mapas de referencia combinan mediciones y supuestos científicos, en lugar de proporcionar simples etiquetas de verdad sobre el terreno.

Un menor error de predicción frente a un producto de referencia confirma la concordancia con ese producto. No demuestra que el área predicha contenga hielo de agua accesible. Siguen siendo necesarias misiones de superficie y observaciones remotas adicionales.

Las manchas irregulares de mares lunares plantean un problema de etiquetado relacionado. Sus límites pueden ser ambiguos y sus edades siguen siendo objeto de debate. Si los expertos discrepan sobre el contorno correcto, una puntuación de segmentación no puede resolver por completo qué modelo es científicamente más útil.

La reproducibilidad también merece un lenguaje cuidadoso. NASA afirma que la base de código completa está disponible para pruebas y experimentación. El repositorio público de GitHub proporciona software de inferencia y ajuste fino, pero su documentación indica que el código de preentrenamiento no está incluido.

Los investigadores pueden descargar los pesos del modelo, usar las configuraciones publicadas y repetir experimentos posteriores. Aún no pueden reconstruir todas las etapas del entrenamiento original del modelo únicamente a partir de ese repositorio.

El acceso a la computación puede crear otra barrera práctica. El ajuste fino con adaptadores es más ligero que entrenar el modelo fundacional desde cero, pero los datos lunares de alta resolución todavía requieren almacenamiento, capacidad de procesamiento y experiencia técnica. Las licencias abiertas no crean automáticamente un acceso equitativo.

La confianza del modelo es igualmente importante. Una herramienta de investigación debería indicar cuándo las entradas difieren de su distribución de entrenamiento o cuando siguen siendo plausibles varias interpretaciones. Los errores con alta confianza serían especialmente peligrosos si los equipos tratan los mapas de predicción como autoritativos.

La adopción operativa requerirá más que precisión agregada. Los científicos necesitan estimaciones de incertidumbre, análisis geográfico de errores, documentación de datos faltantes y comparaciones con modelos físicos establecidos. Los planificadores de misiones necesitarán una verificación aún más estricta.

El modelo aún puede aportar valor antes de cumplir estándares operativos. Puede clasificar regiones candidatas, localizar patrones inusuales y sugerir dónde deberían concentrarse las simulaciones costosas o la revisión humana. Esa función mantiene a la IA dentro de una cadena de evidencia, en lugar de situarla al final.

La distribución de código abierto hace posibles estas pruebas de estrés. Equipos externos pueden crear conjuntos de evaluación adversariales, comparar arquitecturas e informar fallos sin esperar a un proveedor privado. Por ello, el lanzamiento es más relevante como una invitación a la verificación.

Qué observar tras el lanzamiento del modelo fundacional lunar de NASA-IBM

Tres señales mostrarán si este modelo abierto se convierte en infraestructura científica duradera o si sigue siendo una impresionante demostración de investigación.

La primera señal es la replicación independiente de los referentes. Equipos académicos y gubernamentales deben repetir los experimentos sobre cráteres, volcanes y hielo utilizando nuevas divisiones o regiones de prueba separadas geográficamente. Las mejoras reproducidas reforzarían el argumento a favor de una base lunar reutilizable.

Las pruebas deberían informar más de una puntuación de resumen. Los resultados deben separar regiones polares y ecuatoriales, terrenos brillantes y sombreados, distintos instrumentos y diferentes tamaños de características. Ese detalle revelará dónde el modelo es fiable y dónde necesita apoyo especializado.

Una replicación fallida no haría inútil el lanzamiento. Identificaría qué supuestos no se trasladan y ayudaría a los investigadores a diseñar mejores datos de entrenamiento. La licencia abierta del modelo permite que esa retroalimentación forme parte del proyecto compartido.

La segunda señal es la adopción más allá de las tres tareas originales. Los investigadores podrían probar el mapeo de abundancia mineral, la evaluación de riesgos de aterrizaje, la detección de cambios en la superficie o la reconstrucción de datos entre misiones. Cada adaptación exitosa respaldaría la afirmación central de que una representación puede servir para varias preguntas científicas.

La adopción debe medirse mediante experimentos publicados e integraciones mantenidas, no solo por el número de descargas. Un modelo puede atraer curiosidad inicial sin pasar a formar parte de flujos de trabajo de investigación sostenidos.

Hay que observar si los colaboradores añaden configuraciones probadas, informes de incidencias, herramientas de calibración o soporte para sensores adicionales. Esos cambios indicarían que la base de código está evolucionando hacia infraestructura comunitaria.

La tercera señal es la conexión con decisiones de misiones reales. NASA y sus socios deben mostrar cómo las salidas del modelo entran en el análisis de sitios, la selección de objetivos para instrumentos o la priorización de observaciones futuras. Eso no requiere permitir que la IA tome decisiones finales.

Un flujo de trabajo operativo creíble documentaría de dónde proceden las predicciones, cómo se representa la incertidumbre y qué expertos las revisan. También preservaría las observaciones originales para que los equipos puedan cuestionar las conclusiones del modelo.

El programa Artemis de NASA ofrece un contexto evidente, pero la agencia no ha presentado este lanzamiento como software autónomo de control de misiones. Por ahora, el modelo pertenece a la capa de preparación científica, donde puede reducir los costes de búsqueda y sacar a la luz patrones candidatos.

Ese límite debe mantenerse claro. Un mapa de prospectividad de hielo puede sugerir dónde investigar. No puede garantizar agua accesible. Un detector de cráteres puede acelerar la catalogación. No puede certificar un sitio de aterrizaje sin análisis de ingeniería.

Para los desarrolladores, el lanzamiento ofrece un ejemplo concreto de IA multimodal aplicada a datos científicos en lugar de generación de texto. La lección valiosa no es que una arquitectura resuelva la exploración planetaria. Es que los datos seleccionados, las representaciones reutilizables y la evaluación abierta pueden cambiar la economía de la investigación especializada.

Para los trabajadores del conocimiento, el proyecto también ilustra por qué organizar el material de origen es importante antes de que un sistema de IA pueda producir conclusiones útiles. El mismo principio sustenta una base de conocimiento personal: una recuperación fiable comienza con entradas estructuradas y rastreables.

Para los científicos, el siguiente paso es la experimentación directa. Descarguen los pesos, revisen la documentación de los datos, comparen las predicciones con regiones conocidas y publiquen los fallos junto con los aciertos.

El Modelo Fundacional Lunar de NASA-IBM ha reducido la barrera para probar una base común de IA para la Luna. Que se gane la confianza de los científicos dependerá de resultados independientes, una adopción más amplia en distintas tareas y un uso transparente en decisiones reales de investigación. Cuál de esas señales aparezca primero determinará si este modelo se convierte en una capa compartida para la cartografía lunar o simplemente en el último prototipo prometedor del campo.