Em 10 de setembro de 2026, IBM e NASA anunciaram em Yorktown Heights, Nova York, um modelo de inteligência artificial de código aberto criado para analisar a superfície da Lua em uma escala difícil de alcançar apenas com trabalho manual. Batizada de NASA-IBM Lunar Foundation Model, a ferramenta reúne décadas de observações e procura localizar crateras, formações vulcânicas e áreas com possíveis depósitos de gelo. O anúncio responde a um problema silencioso da exploração espacial: existem muitos dados, mas transformá-los em mapas úteis exige tempo, comparação entre diferentes fontes e capacidade de reconhecer padrões que podem passar despercebidos quando cada imagem é examinada isoladamente. Ao abrir o modelo para a comunidade científica, IBM e NASA colocam uma nova ferramenta nas mãos de quem tenta entender quais regiões lunares merecem uma investigação mais detalhada.
Uma base comum para ler décadas de observações
A principal mudança começa na forma como os dados foram organizados. O modelo foi construído com um conjunto unificado que agrega mais de 30 camadas de dados vindas de nove instrumentos e quatro missões, em vez de depender de uma única coleção de imagens. Em termos simples, cada camada funciona como uma perspectiva diferente da mesma superfície: uma pode ajudar a observar a forma do terreno, enquanto outra contribui para investigar sua composição ou sua história geológica. Entre as referências usadas estão o Lunar Reconnaissance Orbiter, da NASA, e a missão GRAIL, também da agência americana. Essa combinação permite que a inteligência artificial procure relações entre observações que, antes, poderiam permanecer separadas em conjuntos de dados diferentes.
Essa costura de informações também alcança a missão SELENE/Kaguya, da JAXA, a agência espacial japonesa, incluída no conjunto de missões usado no treinamento. O resultado é uma espécie de atlas computacional da Lua, ainda que a expressão não signifique uma fotografia única ou definitiva do satélite. O modelo trabalha sobre blocos de imagens e diferentes tipos de observação, formando uma base que pode ser consultada para tarefas específicas. A contribuição da inteligência artificial, nesse caso, não está em substituir a interpretação científica, e sim em acelerar a triagem e oferecer uma leitura integrada de dados que ganharam significado justamente quando foram colocados lado a lado.
Como a inteligência artificial procura gelo e crateras
O treinamento utilizou cerca de 2 milhões de tiles, termo usado para descrever blocos de imagens analisados pelo sistema. Desse total, aproximadamente 1 milhão corresponde a imagens de uma câmera de alta resolução, com escala de 1 metro, enquanto quase 964 mil são imagens multiespectrais de 100 metros. Imagens multiespectrais registram diferentes faixas de informação da luz, o que ajuda a observar características que não aparecem da mesma maneira em uma imagem comum. A combinação entre detalhe espacial e variedade de dados dá ao modelo material para reconhecer padrões associados ao relevo lunar, criando uma ponte entre aquilo que os instrumentos registraram e as perguntas que os pesquisadores precisam responder.
Essa capacidade foi direcionada a tarefas concretas: localizar depósitos de gelo, mapear crateras e identificar formações vulcânicas. A Reuters informou que o sistema também pretende auxiliar na seleção de locais de pouso mais seguros e no estudo da composição lunar, duas atividades que dependem de uma leitura cuidadosa do terreno antes de qualquer operação. O gelo interessa porque sua localização ajuda a compreender regiões específicas da Lua e pode orientar pesquisas sobre os recursos disponíveis no ambiente lunar. Já crateras e estruturas vulcânicas funcionam como marcas da história geológica do satélite, como páginas de um livro que precisam ser lidas em conjunto para que a trajetória de sua formação seja compreendida.
Nos testes apresentados, o modelo superou métodos anteriores em até 23% na identificação de depósitos de gelo, crateras e formações vulcânicas. A ferramenta também automatiza tarefas que antes exigiam análise manual ou dependiam de soluções com menor precisão, segundo a Reuters. O número não transforma toda interpretação lunar em uma resposta automática, mas mostra por que a proposta interessa aos pesquisadores: quando a máquina reduz o trabalho repetitivo de localizar padrões, os cientistas podem concentrar mais atenção na validação dos resultados e na formulação de novas perguntas. A Lua, nesse sentido, deixa de ser apenas uma imagem distante e passa a ser tratada como um grande arquivo de sinais que a inteligência artificial ajuda a organizar.
O que significa abrir o modelo para pesquisadores
A ferramenta está disponível publicamente no Hugging Face, plataforma usada para compartilhar modelos e conjuntos de dados de inteligência artificial. O código-fonte foi publicado no GitHub e o projeto foi integrado ao TerraTorch, um toolkit de código aberto, ou seja, um conjunto de ferramentas que facilita o uso e a adaptação de modelos para tarefas de observação da Terra e de outros ambientes. A NASA descreve a disponibilização do modelo como parte de sua estratégia de inteligência artificial para a ciência. Na prática, o acesso público reduz a distância entre a pesquisa realizada por grandes instituições e grupos que precisam estudar os dados com seus próprios métodos.
O código aberto também altera a pergunta sobre quem pode participar da investigação lunar. Quando uma ferramenta fica disponível para análise e desenvolvimento, pesquisadores podem examinar sua estrutura, testar aplicações e construir trabalhos a partir da base original, em vez de receber apenas uma conclusão pronta. Juan Bernabe-Moreno, diretor da IBM Research Europe, afirmou que o modelo oferece uma plataforma unificada para explorar a Lua em escala e revelar padrões difíceis de detectar isoladamente. A ideia transforma a colaboração científica em parte do próprio desenho da tecnologia, pois cada novo estudo pode contribuir para ampliar a compreensão coletiva sobre os dados que deram origem ao sistema.
Da imagem distante à decisão sobre o terreno
O uso mais imediato do modelo está na passagem entre observação e decisão. Identificar uma cratera não é apenas desenhar um contorno em um mapa; é localizar uma formação que pode ajudar a reconstruir a história da Lua e diferenciar um terreno de outro. Encontrar uma área com possível gelo também não encerra a investigação, mas indica onde os instrumentos e os pesquisadores devem concentrar a próxima análise. Por isso, a promessa do NASA-IBM Lunar Foundation Model está menos em produzir uma resposta final e mais em organizar o caminho até ela, oferecendo aos cientistas uma maneira de comparar sinais que aparecem em escalas e tipos de imagem diferentes.
O vínculo com a presença humana sustentada na Lua aparece justamente nesse ponto. Segundo a Reuters, o objetivo do modelo inclui apoiar a escolha de locais de pouso seguros e o estudo da composição lunar, enquanto a NASA e a IBM apresentam a ferramenta como apoio à exploração do satélite. O próximo passo anunciado já está disponível: pesquisadores podem acessar o modelo no Hugging Face, consultar o código no GitHub e trabalhar com o suporte do TerraTorch. A pergunta que permanece é tão científica quanto filosófica: ao ensinar máquinas a reconhecer marcas em outro mundo, estamos apenas acelerando a leitura da Lua ou também escolhendo quais partes dela merecem ser vistas primeiro?
Para quem acompanha a exploração espacial, a mudança concreta é o acesso a uma base que reúne observações de múltiplas missões e transforma a inteligência artificial em instrumento de investigação compartilhada. Para os pesquisadores, o modelo oferece uma plataforma sobre a qual novos estudos podem ser construídos; para o público, ele torna visível uma etapa normalmente escondida entre a coleta de imagens e a decisão sobre onde olhar em seguida. A abertura do modelo lunar não entrega um mapa definitivo da Lua, mas disponibiliza uma ferramenta para que mais pessoas participem da tarefa de produzi-lo, camada por camada, pergunta por pergunta.