La autonomía con IA de las naves espaciales de NASA acerca un dilema temido desde hace tiempo
La autonomía con IA de las naves espaciales de NASA cruzó un umbral práctico cuando la IA generativa planificó dos recorridos de Perseverance en Marte, pese a décadas de resistencia de la ingeniería a los sistemas impredecibles.
El rover siguió puntos de ruta generados con los modelos Claude de Anthropic el 8 y el 10 de diciembre de 2025. Los planificadores humanos revisaron las rutas propuestas antes de enviarlas a Marte. No se trató de una máquina sin supervisión dando órdenes a un rover, pero incorporó la IA generativa a un flujo de trabajo de una misión real.
Desde entonces, otros experimentos han ampliado el panorama. Un modelo comprimido de NASA e IBM procesó imágenes satelitales en órbita, mientras astronautas probaron el apoyo de modelos de lenguaje para procedimientos técnicos. En conjunto, estos proyectos cuestionan la relación tradicional entre las naves espaciales y el control de misión.
Históricamente, los ingenieros han preferido software que ofrezca resultados repetibles bajo condiciones cuidadosamente definidas. Los modelos generativos funcionan de otra manera. Su capacidad para interpretar datos desconocidos los hace atractivos, pero sus resultados pueden variar y, a veces, fallar de formas inesperadas.
Esa tensión es cada vez más difícil de evitar. Los retrasos en las comunicaciones limitan el control directo más allá de la Tierra, mientras que las misiones comerciales aumentan el número de máquinas que operan en órbita. La cuestión ya no es si los sistemas espaciales necesitan autonomía, sino cuánta incertidumbre pueden permitir los ingenieros de forma segura.
La autonomía con IA de las naves espaciales de NASA ha entrado en las operaciones de misión
La demostración de Perseverance trasladó la IA generativa de una posibilidad de laboratorio a la cadena de planificación de una misión planetaria activa.
El Jet Propulsion Laboratory de NASA normalmente depende de planificadores humanos de rovers para estudiar imágenes orbitales, pendientes del terreno y peligros conocidos. Estos planificadores identifican puntos de ruta seguros que guían a Perseverance por la superficie marciana.
Para la demostración de diciembre, los modelos de visión y lenguaje ayudaron a realizar ese análisis. Un modelo de visión y lenguaje procesa imágenes y texto de forma conjunta, lo que le permite interpretar el terreno visual mediante instrucciones escritas y datos de la misión.
El proyecto utilizó los modelos Claude de Anthropic en colaboración con el Rover Operations Center de JPL. Según el anuncio sobre el recorrido en Marte, el sistema analizó imágenes orbitales e información digital de elevación antes de generar los puntos de ruta propuestos.
Perseverance recorrió 689 pies, o 210 metros, el 8 de diciembre. Recorrió otros 807 pies, o 246 metros, el 10 de diciembre.
Estas cifras importan porque los recorridos tuvieron lugar en otro mundo, no dentro de una simulación. Sin embargo, la demostración siguió estando estrictamente acotada. Los operadores humanos examinaron las rutas, realizaron ajustes cuando fue necesario y cargaron las instrucciones finales.
El modelo no decidió de forma independiente adónde debía ir la misión. Tampoco dirigió directamente al rover alrededor de cada obstáculo. Perseverance mantuvo sus capacidades de navegación a bordo existentes para el movimiento local entre puntos de ruta aprobados.
Esta división de responsabilidades muestra cómo NASA aborda actualmente la IA generativa. El modelo puede acelerar una compleja tarea de planificación, pero los sistemas establecidos y los revisores humanos siguen limitando su autoridad.
Marte hace que este experimento sea más que un cómodo proyecto de automatización. El planeta se encuentra, en promedio, a unos 140 millones de millas, o 225 millones de kilómetros, de la Tierra. Por ello, las señales de radio no pueden permitir una conducción mediante joystick.
Los equipos de misión planifican actividades, transmiten instrucciones y esperan los resultados. Cualquier herramienta de planificación que aumente de forma segura la distancia recorrida por ciclo de comando puede mejorar el retorno científico de la misión.
La robótica espacial de JPL Vandi Verma describió la percepción, la localización, la planificación y el control como pilares centrales de la conducción autónoma fuera de la Tierra. Los sistemas generativos podrían ayudar eventualmente a los rovers a conectar esas funciones a lo largo de rutas más extensas.
Esto sigue siendo una aspiración, no el resultado de los recorridos de diciembre. El resultado verificado es más limitado, pero aun así importante. La IA generativa produjo resultados de planificación utilizables para una misión activa en Marte tras la revisión humana.
Por lo tanto, la autonomía con IA de las naves espaciales de NASA avanza mediante una delegación controlada. Los ingenieros no están entregando una nave espacial completa. Están aislando tareas en las que la interpretación flexible ofrece valor y en las que aún son posibles comprobaciones independientes.
El enfoque también difiere de la automatización convencional de los rovers. Perseverance ya utiliza software de navegación determinista para evaluar el terreno cercano y evitar obstáculos durante un recorrido. La IA generativa intervino antes, durante la preparación de rutas a partir de datos orbitales.
Esta distinción evita que la prueba se convierta en una historia engañosa sobre un rover con IA deambulando solo por Marte. El cambio real es procedimental. Un modelo probabilístico participó en un trabajo que los especialistas de misión realizaban anteriormente de forma manual.
Esa participación genera el conflicto central del artículo. Si los modelos pueden planificar más rápido e interpretar más información, restringirlos puede reducir la productividad de la misión. Si su autoridad se amplía demasiado rápido, un resultado poco fiable podría poner en riesgo hardware que no puede repararse fácilmente.
La distancia está obligando al control de misión a ceder parte del control
Las misiones de espacio profundo necesitan toma de decisiones local porque el evento más valioso puede terminar antes de que las instrucciones lleguen desde la Tierra.
El retraso en las comunicaciones siempre ha condicionado la exploración planetaria. Las operaciones en Marte exigen que los equipos planifiquen con antelación, mientras que las misiones más lejanas afrontan intercambios aún más largos.
Una futura nave espacial cerca de Europa ilustra el problema. La luna helada de Júpiter puede liberar plumas de agua que aparecen durante periodos limitados. Una nave podría detectar una, atravesar la oportunidad y alejarse de ella antes de que la Tierra reciba la observación.
Robert Ambrose, antiguo responsable del trabajo de software y robótica de NASA, dijo a IEEE Spectrum que una misión así sería imposible sin una autonomía significativa a bordo. Los controladores podrían estar observando un evento ocurrido aproximadamente una hora antes.
La automatización convencional aborda bien las situaciones predecibles. Los ingenieros definen estados, acciones permitidas y procedimientos de recuperación. Posteriormente, las pruebas verifican si el sistema responde correctamente en las condiciones previstas.
La IA generativa se vuelve interesante cuando la nave espacial encuentra algo que los diseñadores no describieron con precisión. Un modelo puede clasificar una observación, conectarla con conocimientos previos y sugerir una acción sin ajustarse a una regla escrita de antemano.
Esa flexibilidad también explica por qué los ingenieros se han resistido a ella. La misma entrada no siempre garantiza el mismo camino hacia una respuesta. El contexto, los pasos previos y el comportamiento del modelo pueden alterar el resultado.
Las pruebas de vuelo espacial dependen tradicionalmente de la trazabilidad. Los investigadores necesitan entender por qué el software eligió una acción, reproducir las condiciones y verificar que las salvaguardas funcionen de forma consistente.
Un modelo generativo complica ese proceso. Los ingenieros deben probar no solo las entradas esperadas, sino también combinaciones de contexto, ruido de sensores, instrucciones ambiguas y respuestas anteriores del modelo.
Ambrose describió cómo la autonomía amplió el número de trayectorias que los equipos tenían que examinar durante el trabajo en naves espaciales como Orion. Una respuesta consistió en automatizar partes del propio proceso de pruebas.
Esa historia importa porque la IA generativa no está introduciendo la primera autonomía espacial. Los rovers marcianos llevan años navegando por el terreno local, y los satélites controlan rutinariamente la actitud, la energía y las respuestas ante fallos.
Perseverance también recibió un planificador automatizado a bordo antes del experimento de rutas con Claude. JPL afirma que el planificador automatizado se convirtió en el principal método de planificación del rover en octubre de 2023.
El cambio más reciente se refiere al tipo de autonomía. Los sistemas tradicionales destacan dentro de límites diseñados. Los modelos fundacionales pueden reutilizar amplias representaciones aprendidas en distintas tareas, aunque su comportamiento es menos predecible.
La actividad comercial aumenta la presión para aceptar ese compromiso. Más satélites, estaciones privadas, misiones de mantenimiento robótico y vehículos lunares crearán más decisiones de las que los equipos en tierra pueden gestionar manualmente.
El desarrollo de misiones también se está acelerando. Ufuk Topcu, director del Center for Autonomy de la University of Texas at Austin, contrastó el ritmo actual con programas que antes se desarrollaban durante 10 o 15 años.
Una población mayor de misiones cambia la economía del control. Asignar equipos de expertos para inspeccionar cada imagen, ruta, procedimiento y anomalía no escala con el número de naves espaciales.
La respuesta obligada será una delegación gradual. Los operadores definirán ámbitos delimitados en los que la IA pueda recomendar o actuar, supervisarán los resultados y ampliarán esos ámbitos solo después de que se acumule evidencia.
Este cambio somete a presión la garantía de misión tradicional. La disciplina debe preservar sus estándares de seguridad al tiempo que encuentra formas de certificar sistemas diseñados para condiciones desconocidas.
La elección no es entre el juicio humano y el control completo de las máquinas. Es entre la planificación humana centralizada y la inteligencia supervisada a bordo, con la autoridad desplazándose hacia la nave espacial a medida que aumentan la distancia y la carga de trabajo.
La antigua exigencia de previsibilidad se está convirtiendo en una desventaja
Los ingenieros espaciales antes consideraban el comportamiento no determinista principalmente como un riesgo, pero el comportamiento rígido también puede resultar peligroso cuando la Tierra no puede responder a tiempo.
El argumento más sólido a favor de la IA generativa en el espacio no es que los modelos de lenguaje estén de moda. Es que las instrucciones predeterminadas tienen límites en entornos donde los operadores no pueden intervenir con rapidez.
Una nave espacial rígida puede comportarse exactamente como fue diseñada y, aun así, perderse un evento científico inesperado. También puede entrar en modo seguro cuando una condición nueva queda fuera de su árbol de decisiones programado.
El modo seguro protege el hardware al suspender la actividad normal y esperar instrucciones desde tierra. Esa respuesta funciona cuando hay comunicaciones disponibles y el retraso es aceptable. Se vuelve menos útil durante un evento fugaz.
Los sistemas generativos prometen una respuesta diferente. Pueden interpretar información incompleta, comparar opciones y generar planes utilizando patrones aprendidos en grandes conjuntos de datos.
El experimento Prithvi de NASA muestra esta flexibilidad en un contexto distinto. Prithvi es un modelo fundacional geoespacial, lo que significa que fue entrenado de forma amplia con datos de observación de la Tierra antes de adaptarse a tareas específicas de imagen.
Los investigadores comprimieron el modelo de NASA e IBM y lo cargaron en dos plataformas orbitales. Una fue el satélite Kanyini de Australia Meridional. La otra fue la carga informática IMAGIN-e a bordo de la Estación Espacial Internacional.
La prueba orbital de Prithvi evaluó la detección de inundaciones y nubes en ambas plataformas. NASA la describió como el primer despliegue de un modelo fundacional geoespacial en órbita.
Prithvi fue entrenado con 13 años de datos de Harmonized Landsat y Sentinel-2. Sus posibles aplicaciones incluyen el mapeo de inundaciones, la supervisión de desastres, el análisis de cultivos y otras tareas de observación de la Tierra.
El procesamiento de imágenes en órbita puede reducir la cantidad de datos irrelevantes enviados a tierra. También puede acortar el tiempo entre la captura de una imagen y la identificación de una característica importante.
El ancho de banda hace valiosa esta capacidad. Los satélites recopilan más datos de los que siempre pueden transmitir de inmediato, especialmente cuando el contacto con las estaciones terrestres solo se produce durante ventanas limitadas.
Una nave espacial que reconoce nubes puede evitar almacenar imágenes ópticas inútiles. Un sistema que identifica una inundación o un incendio puede priorizar observaciones valiosas y enviar alertas antes.
NASA ya ha probado una versión más especializada de esa idea. Su sistema de apuntado dinámico utiliza análisis a bordo para distinguir las nubes del cielo despejado antes de decidir hacia dónde debe apuntar un instrumento.
Ese sistema observa aproximadamente 300 millas, o 500 kilómetros, por delante a lo largo de la trayectoria orbital del satélite. Si las nubes ocultan el objetivo, la nave espacial puede cancelar una actividad de captura de imágenes y conservar almacenamiento.
Prithvi apunta hacia una arquitectura más adaptable. En lugar de llevar un modelo independiente y específico para cada observación, un modelo fundacional puede respaldar varias tareas tras un ajuste fino especializado.
La compresión fue esencial. Investigadores de IBM informaron que redujeron el modelo a una quinceava parte de su tamaño anterior mediante destilación y cuantización.
La destilación entrena a un modelo más pequeño para reproducir comportamientos útiles de uno mayor. La cuantización reduce la precisión numérica utilizada para los parámetros del modelo, disminuyendo los requisitos de memoria y computación.
Estos métodos abordan una limitación básica. Los ordenadores certificados para el espacio suelen ir por detrás del hardware de los centros de datos porque las misiones priorizan la fiabilidad, la eficiencia energética, la tolerancia a la radiación y una larga vida operativa.
La prueba de Prithvi no otorgó a un satélite un control sin límites. Demostró la inferencia, el proceso de aplicar un modelo entrenado a datos nuevos, dentro de un entorno de computación orbital.
Aun así, el patrón coincide con el proyecto Perseverance. La autonomía de la IA en las naves espaciales de NASA comienza con una tarea bien definida, hardware limitado y un límite operativo diseñado por humanos.
La inversión está en lo que ahora se considera ingeniería conservadora. Mantener cada decisión compleja en la Tierra antes minimizaba la incertidumbre. Para misiones lejanas o numerosas, esa dependencia puede generar retrasos, cuellos de botella y observaciones perdidas.
La previsibilidad sigue siendo valiosa, pero ya no es la única medida de seguridad. La adaptación oportuna también puede proteger una misión, especialmente cuando el entorno cambia más rápido de lo que el control de misión puede responder.
La IA generativa sigue sin superar la prueba que las naves espaciales no pueden ignorar
Una demostración útil no establece que un modelo probabilístico pueda controlar de forma segura la propulsión, el soporte vital u otros sistemas irreversibles.
Los desplazamientos de diciembre en Marte incluyeron revisión humana por una razón. Los modelos generativos pueden interpretar mal imágenes, pasar por alto restricciones, inventar explicaciones o producir respuestas distintas tras pequeños cambios en las indicaciones.
En la Tierra, una respuesta defectuosa puede hacer perder tiempo. En Marte, puede inmovilizar un rover, dañar una rueda, agotar energía o colocar equipos de comunicación en una orientación deficiente.
El coste del fallo aumenta aún más en torno a los astronautas. Una instrucción de mantenimiento incorrecta podría dirigir a un miembro de la tripulación hacia el componente equivocado u omitir un paso de seguridad.
Los modelos de lenguaje pueden hacer afirmaciones inexactas con redacción segura. La generación aumentada por recuperación reduce ese riesgo al fundamentar las respuestas en documentos aprobados, pero la recuperación no garantiza un razonamiento correcto.
La generación aumentada por recuperación, a menudo denominada RAG, busca en una colección de conocimientos fiable antes de elaborar una respuesta. Un sistema podría utilizar procedimientos de misión en vez de depender únicamente del entrenamiento del modelo.
Los investigadores han explorado esa arquitectura para apoyar a los astronautas. El asistente CORE propuesto combina recuperación de procedimientos, grafos de conocimiento, modelos de lenguaje e indicaciones de realidad aumentada.
Un grafo de conocimiento organiza entidades y sus relaciones de forma estructurada. Esa estructura puede ayudar a un sistema a conectar un componente, un paso de procedimiento, una advertencia y la herramienta necesaria.
La investigación sobre asistentes de procedimientos subyacente se dirige a entornos como la Estación Espacial Internacional y Lunar Gateway. Hace hincapié en el acceso sin conexión, porque las futuras tripulaciones no pueden asumir conectividad inmediata con la nube.
Estos asistentes pueden facilitar la búsqueda en manuales técnicos densos. También pueden adaptar la presentación a la pregunta inmediata de un miembro de la tripulación.
Sin embargo, ofrecer una respuesta útil es distinto de garantizar una respuesta segura. Los ingenieros todavía necesitan controles que impidan que un modelo sustituya un paso no aprobado o actúe fuera de su autoridad.
La microgravedad crea otra brecha de verificación. Los modelos de robótica entrenados en la Tierra aprenden relaciones físicas moldeadas por la gravedad, la fricción y el movimiento familiar de los objetos.
En órbita, un objeto no cae después de ser empujado desde una superficie. Sigue moviéndose hasta que otra fuerza cambia su trayectoria. Por ello, un modelo de manipulación terrestre puede cometer errores básicos.
Icarus Robotics está abordando esa diferencia mientras desarrolla Joy, un robot de vuelo libre destinado a trabajar a bordo de la Estación Espacial Internacional. La empresa ha probado el sistema durante vuelos de gravedad reducida.
El trabajo inicial propuesto para Joy incluye mover bolsas de carga entre módulos de la estación. Icarus planea comenzar con teleoperación y utilizar datos operativos para entrenar una autonomía mayor.
Esa progresión tiene sentido porque los datos de entrenamiento relevantes siguen siendo escasos. Las empresas de robótica terrestre pueden recopilar millones de interacciones en almacenes, oficinas y hogares. Los robots orbitales tienen muchas menos oportunidades.
La simulación puede ampliar el conjunto de datos, pero el contacto y el movimiento simulados no reproducen perfectamente el comportamiento del hardware. Los vuelos de gravedad cero proporcionan muestras útiles, aunque cada período de microgravedad dura poco tiempo.
Por tanto, el desafío de seguridad tiene tres capas. El modelo debe interpretar correctamente su entorno, el robot debe ejecutar la acción prevista y el sistema debe detectar el fallo antes de que se produzcan daños.
Ningún punto de referencia por sí solo resuelve esas cuestiones. Las pruebas deben abarcar sensores, resultados del modelo, control mecánico, temporización, comunicaciones y comportamiento de recuperación como un sistema conectado.
La autonomía de la IA en las naves espaciales de NASA probablemente avanzará mediante límites de permisos. Un modelo puede primero resumir, luego recomendar, después ejecutar acciones reversibles y solo más adelante controlar sistemas de mayores consecuencias.
Cada etapa necesita supervisión independiente. Un controlador de seguridad determinista puede bloquear comandos que infrinjan límites de posición, energía, temperatura o colisión.
Los ingenieros también pueden restringir los modelos a herramientas aprobadas y resultados estructurados. El modelo podría elegir un punto de paso de una región validada en vez de generar coordenadas sin restricciones.
Estos controles reducen el riesgo, pero también limitan la adaptabilidad que hace atractiva a la IA generativa. Las restricciones estrictas pueden convertir un modelo flexible en otra capa estrecha de automatización.
Ese es el dilema central. Las naves espaciales necesitan modelos que respondan a eventos desconocidos, pero los comportamientos desconocidos son difíciles de certificar antes del lanzamiento.
Por ello, las afirmaciones sobre naves espaciales independientes merecen un lenguaje cuidadoso. Los proyectos actuales muestran asistencia para la planificación, análisis de imágenes a bordo y apoyo a procedimientos en condiciones controladas. No establecen una autonomía general fiable.
La evidencia más difícil llegará de las operaciones repetidas. Los ingenieros necesitan tasas de fallos, registros de intervención, rendimiento en casos límite y recuperaciones exitosas ante sensores degradados o datos incompletos.
Hasta que existan esos resultados, la IA generativa debería seguir siendo una capa dentro de un sistema más amplio. Puede interpretar y proponer, mientras el software verificado impone los límites que protegen la misión.
Tres pruebas mostrarán si la autonomía puede salir del entorno controlado
La próxima fase depende de un rendimiento repetido en misión, mayor autoridad a bordo y evidencia creíble de que los sistemas de seguridad pueden contener los errores del modelo.
La primera señal será si NASA repite la planificación de rovers asistida por IA en recorridos más largos. Las rutas de diciembre cubrieron 456 metros en conjunto, lo que estableció la viabilidad operativa, pero no la fiabilidad rutinaria.
Un resultado más sólido incluiría muchos ciclos de planificación en terrenos distintos. La información publicada sobre rutas rechazadas, correcciones humanas y tiempo de planificación revelaría más que un único éxito.
Si los operadores requieren menos cambios a medida que continúan las pruebas, se fortalecerá el argumento a favor de la planificación generativa. Las correcciones frecuentes mostrarían que el modelo sigue siendo una ayuda de productividad más que un planificador autónomo.
La segunda señal será si los modelos fundacionales orbitales pasan de la detección a la acción. Prithvi clasificó características en imágenes, mientras que el apuntado dinámico ya vincula el reconocimiento de nubes con la programación de instrumentos.
Un modelo futuro podría priorizar una imagen de desastre, reasignar una tarea a un sensor o coordinar observaciones con otra nave espacial. Eso acortaría la cadena entre la interpretación y la acción física.
Esa transición también aumentaría las consecuencias. Una clasificación errónea podría desperdiciar energía, almacenamiento u oportunidades de observación limitados. Los operadores necesitarán registros de auditoría que expliquen las entradas, la salida y las restricciones que la rigen.
Si las agencias permiten esas acciones acotadas tras pruebas orbitales, la autonomía de la IA en las naves espaciales de NASA habrá ido más allá del análisis. Si los modelos permanecen aislados de los sistemas de mando, la confianza se está desarrollando más lentamente.
La tercera señal será cómo los programas de vuelos espaciales tripulados validan la asistencia de modelos de lenguaje. Las herramientas de procedimientos ofrecen un beneficio evidente porque los astronautas deben buscar en grandes colecciones de material técnico.
La prueba decisiva no es si un modelo responde a preguntas rutinarias. Es si las tripulaciones pueden reconocer una respuesta insegura, recuperarse rápidamente y seguir trabajando cuando se deterioran la conectividad o los datos de los sensores.
Un despliegue creíble debería separar la comodidad conversacional de la autoridad de mando. El asistente puede localizar información aprobada, mientras las acciones críticas siguen requiriendo confirmación explícita de la tripulación.
El éxito respaldaría herramientas similares para estaciones lunares y misiones a Marte, donde la ayuda basada en la Tierra llega demasiado tarde. Un rendimiento deficiente reforzaría la necesidad de interfaces más estrechas y estructuradas.
Los desarrolladores y compradores empresariales de IA deberían seguir de cerca estos experimentos. Los vuelos espaciales exponen el mismo problema al que se enfrentan cuando los agentes interactúan con archivos, bases de datos, máquinas o procesos empresariales.
Un modelo puede parecer capaz durante una demostración y, sin embargo, fallar cuando cambia el entorno. Un despliegue seguro requiere información fiable, permisos definidos, acciones observables y vías de recuperación.
Los equipos que desarrollan sus propios flujos de trabajo de IA necesitan la misma disciplina. Una base de conocimientos de ingeniería con capacidad de búsqueda puede fundamentar respuestas, pero esa fundamentación por sí sola no sustituye la revisión ni los controles de acceso.
Los programas espaciales hacen que las consecuencias sean especialmente visibles. La lección más profunda se aplica en cualquier lugar donde el software pueda actuar en vez de limitarse a responder.
NASA no ha resuelto el conflicto entre adaptación y previsibilidad. Ha comenzado a poner a prueba ese conflicto dentro de misiones reales, donde la evidencia puede sustituir a las promesas generales.
El camino más seguro no es ni el control remoto permanente ni la independencia instantánea de las máquinas. Es la delegación gradual, con cada nueva autoridad ganada mediante un rendimiento repetible.
Observe la próxima campaña de planificación de Perseverance, el primer modelo orbital autorizado a desencadenar una acción significativa y el primer asistente para astronautas evaluado de forma independiente. Esos hitos mostrarán si la IA generativa se ha convertido en infraestructura fiable o sigue siendo una asesora excepcionalmente capaz.
