El modelo fundacional lunar NASA IBM abre los datos de la Luna, pero aún no está listo para misiones

IBM y NASA lanzaron el 10 de septiembre un modelo de la Luna de código abierto y afirmaron una reducción de errores de hasta el 22 % en una prueba de referencia clave sobre hielo lunar. El modelo fundacional lunar NASA IBM combina observaciones de distintos instrumentos, resoluciones y misiones en un único sistema de IA reutilizable.

Esa combinación genera la verdadera tensión detrás del anuncio. NASA está dejando atrás los algoritmos independientes diseñados para preguntas científicas concretas. Ahora busca que los investigadores partan de un modelo compartido y luego lo adapten para cartografiar cráteres, analizar actividad volcánica o buscar hielo.

El lanzamiento cuestiona el enfoque específico por tarea que ha definido gran parte de la teledetección lunar. Sin embargo, IBM y NASA advierten explícitamente que el modelo no puede certificar sitios de aterrizaje, despejar peligros ni confirmar la presencia de hielo. Es un acelerador de investigación, no un navegador lunar autónomo.

El modelo fundacional lunar NASA IBM unifica una Luna fragmentada

El lanzamiento importante no es solo un modelo. Es un marco común para observaciones lunares que antes estaban fragmentadas.

El modelo fundacional lunar NASA IBM es un modelo fundacional multimodal, lo que significa que aprende patrones reutilizables a partir de varios tipos de datos científicos. Los investigadores pueden adaptar esa representación compartida a tareas más específicas sin entrenar cada sistema desde cero.

IBM y NASA entrenaron el modelo con SomBench, una nueva colección de casi dos millones de conjuntos de mosaicos lunares alineados espacialmente. Esos conjuntos abarcan 11 modalidades de datos y dos escalas espaciales radicalmente distintas.

Los datos de gran angular incluyen 963.609 conjuntos centrados en observaciones de Lunar Reconnaissance Orbiter Camera Wide Angle Camera. La colección de alta resolución incluye otros 1.000.113 conjuntos basados en imágenes de Narrow Angle Camera.

El modelo trabaja con imágenes, elevación del terreno, pendiente, geometría de observación, reflectancia ultravioleta, información térmica, observaciones de radar, datos gravitacionales, mediciones minerales e indicadores de hidrógeno. Estas fuentes no comparten de forma natural una misma resolución ni formato.

El Lunar Reconnaissance Orbiter de NASA puede capturar detalles de la superficie cercanos a un metro por píxel. Las observaciones gravitacionales de GRAIL describen estructuras mucho más amplias, con algunos productos medidos en kilómetros por píxel.

Por ello, IBM y NASA crearon un conjunto de datos preparado para aprendizaje automático que alinea más de 30 capas procedentes de nueve instrumentos y cuatro misiones. Las misiones participantes incluyen Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector y la misión SELENE de Japón.

Ese paquete de datos importa porque los mapas individuales solo pueden contar una parte de la historia. Una región oscura en una imagen óptica podría representar una sombra, una característica de la superficie o un artefacto del ángulo de observación.

Las mediciones de temperatura, topografía, iluminación, radar e hidrógeno pueden aportar contexto. El modelo intenta aprender las conexiones entre esas señales conservando sus funciones diferenciadas.

NASA describe el sistema como uno de los primeros modelos fundacionales disponibles públicamente diseñados específicamente para la ciencia lunar. Sus pesos están disponibles a través del repositorio de modelos abiertos, junto con detalles de implementación y orientación de uso.

El código y los pesos utilizan la licencia Apache 2.0. Los investigadores pueden inspeccionar el sistema, modificarlo y crear aplicaciones especializadas sin depender de una interfaz comercial cerrada.

NASA ha identificado tres aplicaciones iniciales: cartografiar cráteres, analizar parches irregulares de mares lunares y estimar dónde podría existir hielo polar. Cada tarea vincula la investigación científica con cuestiones prácticas sobre futuras operaciones en superficie.

Los mapas de cráteres ayudan a los científicos a estimar la edad del terreno y reconstruir la historia geológica de la Luna. También ayudan a los planificadores de misiones a identificar pendientes, rocas y otros peligros que requieren una inspección más detallada.

Los parches irregulares de mares lunares son pequeñas formaciones volcánicas cuyas edades siguen siendo objeto de debate. Mejores mapas podrían ayudar a los investigadores a comprobar si la actividad volcánica lunar duró más de lo que sugerían las evidencias anteriores.

La prospección de hielo tiene una relevancia operativa aún más inmediata. El agua lunar podría sostener el suministro de bebida, la producción de oxígeno y la fabricación de combustible durante misiones prolongadas.

Por tanto, el lanzamiento convierte décadas de observaciones en un punto de partida reutilizable. No elimina el análisis especializado, pero cambia desde dónde puede comenzar ese análisis.

Por qué importa ahora un modelo de IA lunar

NASA necesita formas más rápidas de acotar sus preguntas científicas antes de que instrumentos costosos, simulaciones y misiones realicen la verificación final.

A la Luna no le faltan datos. El cuello de botella consiste en hacer útiles en conjunto las observaciones recopiladas durante muchos años y por numerosos instrumentos.

NASA afirma que sus archivos científicos contienen petabytes de información. Solo el Lunar Reconnaissance Orbiter ha recopilado más datos que todas las misiones planetarias previas de NASA combinadas, según un informe sobre ciencia lunar.

Tradicionalmente, los investigadores han inspeccionado mapas de forma manual o entrenado sistemas de aprendizaje automático independientes para tareas específicas. Ese trabajo sigue siendo valioso, pero puede requerir etiquetas especializadas, recursos informáticos e ingeniería repetida.

Un modelo de IA lunar reutilizable ofrece otra vía. Puede aprender relaciones generales durante el preentrenamiento y luego transferir esas representaciones a un proyecto más pequeño con datos etiquetados.

Este enfoque resulta especialmente oportuno mientras NASA impulsa un regreso sostenido a la Luna mediante Artemis. Las futuras misiones necesitan mejor información sobre el terreno, la iluminación, las condiciones térmicas, las comunicaciones y los recursos accesibles.

Las regiones polares son un foco particular. La limitada inclinación axial de la Luna mantiene allí el Sol bajo en el horizonte, generando sombras largas y zonas permanentemente en sombra.

Esas condiciones de iluminación dificultan la interpretación óptica. También crean entornos extremadamente fríos donde el hielo de agua puede permanecer atrapado.

Un día lunar incluye aproximadamente dos semanas de luz solar seguidas por dos semanas de oscuridad. El aspecto de la superficie puede cambiar bruscamente a medida que la iluminación se desplaza sobre cráteres, crestas y regolito suelto.

Para un clasificador de imágenes convencional, esa variación puede parecer un cambio en el propio terreno. El modelo fundacional lunar NASA IBM recibe la geometría de observación e iluminación como entradas explícitas, lo que le ayuda a separar la estructura de la superficie de los efectos de la luz.

El momento también refleja una competencia más amplia en torno a la infraestructura lunar. Estados Unidos no es el único país que planifica misiones repetidas a la superficie y operaciones científicas a largo plazo.

China ha impulsado el retorno de muestras lunares y la exploración polar, mientras India, Japón y empresas privadas han demostrado o intentado nuevas capacidades de aterrizaje. Mejores mapas y estimaciones de recursos tienen valor científico, estratégico y logístico.

Sin embargo, un modelo abierto no otorga a NASA control exclusivo sobre las técnicas resultantes. Esa misma disponibilidad permite a universidades, agencias internacionales e investigadores independientes probar o ampliar el sistema.

Esta apertura diferencia el lanzamiento de una herramienta propietaria de planificación de misiones. NASA e IBM distribuyen un activo de investigación compartido cuyo valor dependerá de la participación externa.

Kevin Murphy, director de datos científicos y director interino de datos e IA de NASA, planteó el problema de forma directa. Recopilar datos, dijo, es solo una parte del trabajo. Los científicos también necesitan formas prácticas de explorarlos.

El anuncio de lanzamiento de IBM presenta el modelo como un puente entre grandes archivos y nuevos descubrimientos. La evidencia actual respalda una conclusión más limitada.

El modelo puede clasificar áreas prometedoras, detectar patrones y reducir la cantidad de terreno que requiere una revisión intensiva. Los instrumentos, la experiencia geológica y las misiones físicas todavía determinan si esos patrones representan la realidad.

Cómo funciona el modelo de IA lunar IBM NASA ante una diferencia de escala de 100 veces

La principal aportación técnica del modelo es una representación compartida que respeta los distintos instrumentos en lugar de aplanar cada medición en una única pila de imágenes.

IBM y NASA basaron el sistema en TerraMind, una arquitectura desarrollada originalmente para la observación de la Tierra. Adaptaron su método de entrenamiento con tokens enmascarados para manejar imágenes lunares, mediciones científicas y metadatos de adquisición.

El entrenamiento con tokens enmascarados oculta partes de la entrada y pide al modelo reconstruir información seleccionada. Esto anima al sistema a aprender relaciones entre modalidades en vez de memorizar una tarea etiquetada.

El modelo resultante utiliza un codificador Vision Transformer Base con 12 capas y 12 cabezas de atención. Un codificador transformer identifica relaciones entre parches de imagen y otras entradas estructuradas.

Nueve tokenizadores específicos por modalidad convierten capas científicas densas en representaciones discretas. Entradas de secuencia adicionales describen metadatos ópticos y contexto estático de mapas.

Los metadatos ópticos incluyen ángulos de incidencia solar, emisión, fase y acimut. También registran las coordenadas del mosaico, la posición subsolar y la distancia de muestreo en tierra.

Estos detalles no son metadatos decorativos. La geometría de iluminación puede dominar la apariencia del terreno lunar porque la Luna carece de una atmósfera densa que suavice las sombras y el deslumbramiento.

El contexto estático incluye productos térmicos, de rugosidad, radar, albedo, minerales, gravedad y relacionados con el hidrógeno. La cobertura varía entre instrumentos, por lo que el modelo también debe funcionar cuando algunos canales no están disponibles.

El proceso de entrenamiento utilizó conjuntamente mosaicos de gran angular y de ángulo estrecho. Las muestras de gran angular representan áreas de unos 51,2 kilómetros de lado, a aproximadamente 100 metros por píxel.

Las muestras de ángulo estrecho cubren unos 512 metros a aproximadamente un metro por píxel. Esto crea una diferencia de escala espacial de 100 veces.

Las dos familias de resolución no se mezclan dentro de la misma muestra. En cambio, IBM y NASA entrenaron un conjunto de pesos del modelo para ambas familias mediante un proceso de lotes mixtos.

Las incrustaciones de parches FlexiViT permiten a los investigadores ajustar los tamaños de los parches durante la adaptación. La tokenización específica por modalidad también permite que un proyecto elimine entradas no disponibles o introduzca otras adicionales.

Según la ficha técnica del modelo, el preentrenamiento utilizó 16 aceleradores Nvidia H100 durante 150.000 pasos. El proceso consumió aproximadamente 1.100 horas de GPU.

Eso supone una capacidad informática considerable para un grupo de investigación que empiece de forma independiente. Los pesos abiertos permiten a otros equipos evitar repetir toda la fase de preentrenamiento.

En su lugar, los investigadores pueden ajustar el codificador, congelar capas seleccionadas o utilizar adaptación de bajo rango. LoRA actualiza un pequeño conjunto de parámetros añadidos mientras deja sin cambios la mayoría de los pesos originales.

IBM afirma que sus investigadores dejaron congelado el 90 % de los pesos base durante la adaptación ligera. La ficha pública del modelo recomienda LoRA como una opción práctica predeterminada para varias tareas probadas.

Los resultados de las pruebas de referencia explican por qué resulta atractivo un modelo compartido. En la detección de cráteres de gran angular, el sistema alcanzó una puntuación de precisión media promedio de 0,2581 con todos los datos de entrenamiento.

La línea de referencia más sólida incluida, SwinV2-B, alcanzó 0,2420. Con solo la mitad de los datos de entrenamiento de cráteres, el modelo lunar obtuvo 0,2541, aún por encima de esa línea de referencia entrenada por completo.

En la detección de cráteres a escala métrica, el resultado fue mucho más ajustado. El mejor resultado del modelo lunar fue 0,1543, frente a 0,1552 para SwinV2-B.

Ese empate técnico importa. El NASA IBM Lunar Foundation Model no dominó todas las tareas, especialmente cuando las etiquetas o la calidad de las imágenes limitaron el rendimiento.

Para la segmentación de parches irregulares de mares lunares, la mejor configuración del modelo obtuvo una puntuación de intersección sobre unión de 0,5709. El principal modelo de comparación alcanzó 0,5687, una diferencia menor que la variación entre ejecuciones experimentales.

La mejora más clara apareció en la prospección de hielo polar. El modelo redujo el error cuadrático medio de 0,0377 a 0,0293 frente a la línea base SwinV2-B reportada.

IBM resumió ese cambio como una reducción del error de hasta el 22%. El análisis del modelo lunar atribuye parte de la ventaja a la forma en que la arquitectura procesa cada modalidad por separado antes de combinar sus tokens.

Ese es el mecanismo detrás del anuncio. Un modelo específico para una tarea debe aprender una relación limitada entre las entradas disponibles y un único objetivo.

El modelo fundacional primero aprende la estructura que conecta numerosas mediciones lunares. Después puede reutilizar esa estructura cuando las etiquetas son limitadas, aunque cada tarea posterior sigue requiriendo validación.

El código abierto no significa estar listo para una misión

El modelo puede sugerir dónde deberían investigar los científicos, pero no puede certificar lo que los astronautas encontrarán en la superficie.

Esta distinción se aprecia con mayor claridad en el benchmark de hielo. El sistema no detecta directamente depósitos medidos de hielo de agua.

Predice un mapa de prospectividad basado en conocimiento, que estima dónde es más plausible que haya hielo a partir de varios indicadores ambientales. Por tanto, su resultado es un modelo de potencial, no una confirmación.

Una predicción destacada en el mapa no debería convertirse en un objetivo de perforación sin evidencia adicional. Los investigadores aún necesitan mediciones orbitales, modelos físicos, análisis de incertidumbre y, finalmente, observaciones en superficie.

La documentación pública afirma explícitamente que el sistema no está validado para la certificación de lugares de aterrizaje ni para la autorización de riesgos. Esa advertencia limita cómo los lectores deben interpretar las afirmaciones sobre aterrizajes más seguros.

La detección de cráteres puede ayudar a identificar características que merecen revisión. Por sí sola, no puede determinar si un lugar cumple los requisitos de ingeniería para un módulo de aterrizaje, rover, hábitat o tripulación.

El modelo también carece de un sistema de referencia geodésico, que vincula las mediciones con posiciones y elevaciones autorizadas. Puede reproducir la estructura local del terreno mientras se equivoca en los valores absolutos.

Las coordenadas generadas pueden desviarse decenas de grados, según la ficha del modelo. La elevación generada puede conservar una forma mientras desplaza su referencia absoluta.

Estas limitaciones son especialmente importantes porque la arquitectura admite generación multimodal. Los campos generados pueden revelar relaciones aprendidas, pero no son predicciones científicas calibradas.

Los desarrolladores describen esos resultados como sondeos cualitativos. No sustituyen a los instrumentos, la fotogrametría estereoscópica ni los métodos geodésicos establecidos.

El alcance del benchmark introduce otra incertidumbre. IBM y NASA evaluaron el sistema en cuatro tareas de SomBench bajo divisiones controladas de entrenamiento y datos.

Estas pruebas comparan arquitecturas base de modelos manteniendo constantes los cargadores de datos, las ampliaciones, las pérdidas y las métricas. Este diseño ayuda a aislar la calidad de la representación, pero no reproduce una misión operativa.

El resultado sobre hielo es prometedor, pero mide la concordancia con un objetivo de prospectividad existente. No demuestra que el modelo haya encontrado depósitos verificados que los científicos pasaron por alto.

El resultado sobre cráteres a escala métrica también muestra los límites del preentrenamiento amplio. El rendimiento siguió siendo bajo en todos los sistemas comparados, y el modelo de NASA solo igualó a la línea base líder.

Algunas imágenes de ese benchmark se anotaron con una resolución efectiva más gruesa. La documentación señala que el modelo necesitó adaptar el codificador en lugar de mantener una arquitectura base completamente congelada.

El margen en los parches irregulares de mares lunares también entra dentro de la variación experimental. El material público de IBM describe una mejora del 3% en la extensión cartografiada, mientras que los resultados detallados aconsejan considerar comparables a los sistemas líderes.

Esto no invalida la estrategia de los modelos fundacionales. Muestra por qué los titulares sobre benchmarks necesitan contexto.

La replicación independiente será esencial. Equipos externos deberían probar distintas divisiones geográficas, instrumentos, etiquetas y tareas que no hayan sido seleccionadas por los desarrolladores del modelo.

También deberían examinar si los errores se concentran en regiones específicas. Las sombras polares, la cobertura incompleta, una geología inusual y los artefactos de los instrumentos pueden provocar fallos que una puntuación media oculta.

El acceso abierto hace posible ese escrutinio. La licencia Apache 2.0 permite a los investigadores examinar los pesos, realizar estudios de ablación y publicar resultados alternativos.

Sin embargo, el acceso por sí solo no garantiza la adopción. Los equipos aún necesitan experiencia técnica, capacidad de cómputo adecuada, datos lunares cuidadosamente preparados y especialistas del dominio que comprendan las mediciones.

Actualmente, el modelo no tiene ningún proveedor de inferencia alojada indicado en su página de distribución. Los usuarios deben configurar el entorno de software y ejecutar el sistema por su cuenta.

Eso hace que el lanzamiento de código abierto sea significativo, pero no sencillo. La primera prueba seria será determinar si científicos planetarios independientes pueden reproducir los resultados sin apoyo directo de IBM o NASA.

La estrategia de modelo compartido de NASA presiona a las herramientas específicas para cada tarea

La competencia central no enfrenta a NASA con otra agencia espacial. Enfrenta un modelo científico fundacional reutilizable con flujos de trabajo aislados y específicos para cada tarea.

Los sistemas específicos para cada tarea conservan ventajas claras. Un equipo especializado puede optimizar una arquitectura, un conjunto de etiquetas y una función de pérdida en torno a un problema científico bien definido.

Estos sistemas pueden ser más fáciles de auditar porque cada entrada y objetivo refleja una cuestión más acotada. También pueden superar a los modelos amplios cuando un proyecto dispone de abundantes etiquetas de alta calidad.

El NASA IBM Lunar Foundation Model ofrece una ventaja distinta. Una única arquitectura base preentrenada puede iniciar varios proyectos con conocimiento extraído de casi dos millones de muestras lunares.

Esto importa cuando las etiquetas escasean. Los científicos pueden disponer de enormes archivos de observaciones sin procesar, pero solo de pequeñas colecciones anotadas para una característica geológica concreta.

La prueba de cráteres de gran angular aporta la evidencia más sólida de esta presión. Con la mitad de los datos de entrenamiento específicos para la tarea, el modelo preentrenado igualó o superó a una línea base líder entrenada con el conjunto de datos completo.

Si equipos independientes reproducen esa eficiencia, la economía de los proyectos cambiará. Los investigadores podrían dedicar menos tiempo a reunir grandes colecciones etiquetadas y más a refinar preguntas científicas.

El modelo también admite combinaciones que un sistema convencional de entradas apiladas podría manejar deficientemente. Cada modalidad científica recibe su propio tokenizador antes de que el modelo integre sus representaciones.

Este enfoque preserva las diferencias entre imágenes visibles, terreno, radar, gravedad y datos térmicos. También ofrece a los investigadores flexibilidad cuando un instrumento cubre solo una parte de la Luna.

La cartera más amplia de NASA sugiere que se trata de una estrategia y no de un único experimento. Su colaboración con IBM ya incluye modelos Prithvi para la observación de la Tierra y el clima, además de Surya para la heliofísica.

Prithvi aprende a partir de observaciones satelitales de la Tierra. Surya utiliza años de observaciones solares para respaldar la investigación sobre erupciones y clima espacial.

NASA incluye estos proyectos juntos dentro de su cartera científica de IA. El patrón es consistente: organizar grandes archivos científicos, preentrenar un modelo reutilizable y publicar el resultado de forma abierta.

El sistema lunar extiende esa idea a la ciencia planetaria. También pone a prueba si una arquitectura adaptada de la observación terrestre puede transferirse a una superficie con iluminación, geología, atmósfera y restricciones operativas diferentes.

Este enfoque presiona a los desarrolladores de sistemas específicos para cada tarea a justificar el entrenamiento repetido a partir de pesos de imágenes de propósito general. Un modelo preentrenado con fotografías cotidianas no conoce directamente la iluminación lunar ni la física de los sensores.

No obstante, la competencia no exige que un enfoque elimine al otro. Los modelos fundacionales aún necesitan cabezales especializados, etiquetas, objetivos y revisión de expertos.

El resultado más probable es un flujo de trabajo por capas. El modelo compartido genera representaciones o regiones candidatas, mientras que los sistemas especializados y los métodos físicos ponen a prueba las conclusiones más importantes.

Para los desarrolladores, esto se parece a un cambio desde construir cada aplicación alrededor de un modelo vacío hasta construir sobre un sustrato científico abierto. El trabajo difícil se desplaza hacia la calidad de los datos, la evaluación, la incertidumbre y la integración.

Los equipos de IA empresarial deberían reconocer la misma lección. Combinar datos heterogéneos solo es valioso cuando el sistema preserva el contexto y expone sus limitaciones.

Una base de conocimiento de IA con capacidad de búsqueda sigue un principio relacionado a otra escala. La capa compartida debería ayudar a los usuarios a conectar evidencias sin pretender que cada relación recuperada esté verificada.

El modelo de NASA hace ese límite especialmente visible. Su resultado puede orientar la atención, pero los expertos humanos y las mediciones físicas conservan la autoridad.

Qué observar tras el lanzamiento de código abierto

Tres señales mostrarán si el modelo de IA lunar se convierte en infraestructura científica compartida o sigue siendo una demostración de investigación bien documentada.

La primera señal es la reproducción independiente. Universidades, agencias espaciales y equipos de ciencia planetaria deben volver a ejecutar los benchmarks publicados y probar nuevas regiones geográficas.

La reproducción reforzaría la afirmación de IBM y NASA de que el preentrenamiento lunar genera valor transferible. Grandes cambios de rendimiento fuera de la configuración original la debilitarían.

Las pruebas más informativas se centrarán en áreas con iluminación difícil, cobertura incompleta de sensores o condiciones geológicas distintas de los ejemplos de entrenamiento. Los investigadores deberían informar sobre errores regionales, no solo sobre promedios globales.

También deberían comparar la adaptación LoRA, el ajuste fino completo y los codificadores congelados con presupuestos de cómputo equivalentes. Eso aclararía si el modelo reutilizable reduce los costes prácticos, y no solo los requisitos de etiquetado.

La segunda señal es la evidencia procedente de nuevos trabajos científicos. Habrá que observar estudios revisados por pares que utilicen el modelo para identificar cráteres no catalogados previamente, refinar mapas volcánicos o priorizar observaciones polares.

Un resultado útil no necesita demostrar que todas las predicciones del modelo sean correctas. Debe mostrar que el sistema dirige a los investigadores hacia hallazgos que resisten un análisis independiente.

La prospección de hielo merece un escrutinio particular. Un estudio de seguimiento debería separar una mejor concordancia con un mapa de prospectividad existente de nueva evidencia sobre depósitos reales de agua.

Cualquier conexión con la planificación de misiones debería incluir revisión humana explícita y validación mediante instrumentos. La propia documentación de NASA descarta tratar el sistema actual como una herramienta operativa de autorización.

La tercera señal es la expansión más allá de los cuatro benchmarks publicados. Nuevas tareas, instrumentos o productos de datos lunares pondrían a prueba si el modelo fundacional es realmente reutilizable.

El éxito significaría que los investigadores pueden añadir modalidades u objetivos sin reconstruir la arquitectura base. El fracaso sugeriría que el sistema sigue estrechamente ligado a SomBench y a sus decisiones de evaluación originales.

La actividad de la comunidad proporcionará un indicador temprano. Las contribuciones al código base, las recetas reutilizables de ajuste fino, los conjuntos de datos externos y los informes transparentes de fallos importan más que los recuentos brutos de descargas.

El NASA IBM Lunar Foundation Model ya ha cambiado el punto de partida del aprendizaje automático lunar. Los investigadores ahora pueden examinar un modelo compartido, un conjunto de datos unificado y limitaciones documentadas en lugar de comenzar con archivos desconectados.

La siguiente cuestión es si la comunidad científica puede convertir ese acceso en descubrimientos reproducibles. Los desarrolladores deberían seguir, en este orden, los benchmarks independientes, los hallazgos lunares publicados y las adaptaciones a nuevas tareas.

Si esas señales se materializan, los modelos multimodales reutilizables adquirirán un papel más sólido en la ciencia planetaria. Si no, el lanzamiento seguirá ofreciendo un conjunto de datos valioso y una advertencia clara sobre la distancia entre la cartografía asistida por IA y el conocimiento listo para las misiones.