A NASA e a IBM publicaram um modelo lunar aberto de inteligência artificial para transformar anos de observações da Lua em dados mais fáceis de analisar. O projeto importa porque pode acelerar a busca por gelo nos polos, melhorar mapas de crateras e ajudar cientistas a estudar regiões vulcânicas que ainda desafiam a compreensão sobre a história lunar.
A notícia aparece em um momento em que agências espaciais e empresas tentam usar IA não só para chatbots, mas para organizar volumes enormes de dados científicos. Segundo a NASA, o NASA-IBM Lunar Foundation Model foi treinado principalmente com dados do Lunar Reconnaissance Orbiter, missão que observa a Lua há 17 anos. A IBM afirma que o lançamento é open source e voltado à exploração científica da superfície lunar.
Como funciona o modelo lunar da NASA e IBM
Um modelo de fundação é treinado com grandes conjuntos de dados e depois pode ser adaptado para tarefas específicas com menos exemplos rotulados. No caso da Lua, essa abordagem faz sentido porque há muito material bruto, mas nem sempre há mapas perfeitamente anotados para cada fenômeno que os pesquisadores querem estudar.
De acordo com a cobertura do The Decoder, a base de treinamento reúne quase 2 milhões de pacotes de imagens e mapas. A maior parte vem do Lunar Reconnaissance Orbiter, incluindo imagens da Narrow Angle Camera em escala aproximada de 1 metro por pixel e imagens multiespectrais da Wide Angle Camera em escala de 100 metros por pixel.
O conjunto também combina informações de outras missões, como GRAIL, Lunar Prospector e Kaguya, da JAXA. A IBM descreve o pacote como um dataset lunar unificado para aprendizado de máquina, com mais de 30 camadas espaciais alinhadas, nove instrumentos e quatro missões. Isso reduz uma das dificuldades clássicas da ciência planetária: comparar medições feitas por sensores diferentes, em resoluções diferentes e com finalidades diferentes.
Gelo, crateras e vulcanismo entram no alvo
A aplicação mais chamativa é a previsão de depósitos de gelo nos polos lunares. Regiões permanentemente sombreadas podem preservar água congelada por períodos longos, e esse recurso interessa tanto à ciência quanto ao planejamento de missões futuras. Água pode apoiar bases lunares e, em tese, ser processada em oxigênio e combustível.
Nos testes citados pela IBM e pelo The Decoder, o modelo reduziu o erro de previsão de gelo em até 22% frente ao melhor baseline usado na comparação, o SwinV2-B. A empresa também aponta ganho de quase 19% em detecção de crateras em escala mais ampla, com treinamento usando apenas metade dos dados. Esses resultados não tornam o sistema uma resposta final sobre onde pousar ou minerar, mas sugerem uma triagem mais rápida para equipes científicas.
A detecção de crateras é relevante porque ajuda a estimar a idade de terrenos, entender a geologia local e antecipar riscos para pousos. Já as chamadas Irregular Mare Patches, formações vulcânicas jovens e irregulares, ajudam a investigar a evolução térmica da Lua. A IBM diz que o modelo teve vantagem de 3% nessa tarefa específica, embora parte dos resultados pareça mais próxima de empate com métodos fortes do que de uma vitória ampla.
Por que o código aberto pesa nessa notícia
O valor do anúncio não está só no desempenho. A NASA e a IBM disponibilizaram o modelo no Hugging Face, publicaram o código no GitHub e integraram o trabalho ao TerraTorch, kit aberto usado em sensoriamento remoto. Isso permite que universidades, laboratórios e equipes independentes testem o modelo, comparem resultados e adaptem tarefas sem depender de uma ferramenta fechada.
A estratégia segue uma linha que a parceria NASA-IBM já havia usado em modelos para observação da Terra, como o Prithvi. A diferença agora é o foco em ciência lunar e exploração espacial. Enquanto empresas de tecnologia também empacotam IA em ambientes de trabalho, como mostramos na matéria sobre Cloudflare OS e agentes de IA, aqui o uso é mais científico: extrair padrões de imagens, mapas e medições acumuladas por missões espaciais.
O que ainda precisa ser observado
Há duas cautelas importantes. A primeira é que o anúncio oficial da IBM é de 10 de setembro de 2026, enquanto a notícia do período retomou o assunto em 4 de outubro de 2026. Portanto, a novidade editorial agora é a repercussão e a disponibilidade pública do modelo, não um lançamento ocorrido hoje.
A segunda é que modelos desse tipo dependem da qualidade dos dados e dos rótulos usados na avaliação. Eles podem acelerar hipóteses e reduzir trabalho manual, mas continuam exigindo validação científica. Para busca por gelo, segurança de pousos e interpretação geológica, a IA ajuda a apontar caminhos. A decisão final ainda passa por cientistas, missões de campo e novas medições.
Deixe um comentário