--- title: "NASA e IBM liberam um modelo de IA de código aberto para explorar a Lua" author: "André Iglesias" date: "2026-09-11 08:00:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/09/11/nasa-e-ibm-liberam-um-modelo-de-ia-de-codigo-aberto-para-explorar-a-lua/md" --- ## Resumo - NASA e IBM lançaram, em 10 de setembro de 2026, o NASA-IBM Lunar Foundation Model como uma IA de código aberto. - O modelo foi treinado com décadas de observações lunares e dados de diferentes missões. - As aplicações validadas incluem detecção de crateras, análise vulcânica e busca por depósitos de gelo. - Testes apontam até 23% de redução de erro em certas métricas e vantagem sobre o SwinV2-B com menos dados de treinamento. - A técnica LoRA manteve 90% dos pesos do modelo-base congelados durante a adaptação. - O modelo, o código de ajuste fino e o dataset SomBench foram liberados para permitir reprodução e refinamento por pesquisadores. --- Encontrar sinais de gelo, crateras e antigas formações vulcânicas na Lua exige transformar décadas de observações em respostas que os pesquisadores consigam consultar com rapidez. Em **10 de setembro de 2026**, a **NASA** e a **IBM** deram esse passo ao disponibilizar o NASA-IBM Lunar Foundation Model, uma inteligência artificial de código aberto criada para processar dados lunares. A liberação importa porque coloca a ferramenta, o código e os dados associados nas mãos da comunidade científica, em vez de manter a análise restrita a processos manuais ou a modelos desenvolvidos para uma única tarefa. A seguir, você vai entender o que foi liberado, onde a IA já foi validada e o que muda na prática para quem pesquisa a Lua. ## Uma IA treinada para ler a superfície lunar O NASA-IBM Lunar Foundation Model foi desenhado para trabalhar com **décadas de observações lunares**, funcionando como um modelo-base que pode ser adaptado a diferentes perguntas científicas. Em vez de analisar cada imagem ou medição como um arquivo isolado, a proposta reúne informações obtidas por missões distintas e cria uma base comum para localizar padrões na superfície. Entre os conjuntos utilizados estão os dados da missão **LRO**, da NASA, e da missão **GRAIL**, também usada para estudar características da Lua. Essa combinação dá ao modelo uma quantidade maior de referências antes mesmo de receber um ajuste específico para uma tarefa. Essa base fica ainda mais ampla com a inclusão das observações da missão japonesa **SELENE/Kaguya**. O projeto também foi liberado com um conjunto de dados unificado que reúne mais de **30 camadas espacialmente alinhadas** provenientes de nove instrumentos diferentes. Camadas espacialmente alinhadas são informações organizadas para que o mesmo ponto do mapa lunar possa ser comparado entre diferentes tipos de medição, como se várias transparências fossem colocadas sobre o mesmo mapa. Para a pesquisa, essa organização reduz o trabalho de juntar fontes antes de iniciar uma análise e conecta diretamente a preparação dos dados ao objetivo científico seguinte. ## As três perguntas que o modelo já consegue investigar A validação inicial concentrou-se em três funções: **detecção de crateras**, análise da história vulcânica e busca por depósitos de gelo em regiões permanentemente sombreadas. Crateras ajudam a interpretar a superfície e sua formação, enquanto o estudo de feições vulcânicas permite investigar como a Lua mudou ao longo do tempo. O modelo foi avaliado nessas tarefas para mostrar se a mesma base de inteligência artificial consegue lidar com perguntas diferentes sem exigir um sistema completamente separado para cada uma. Essa capacidade de adaptação é o elo entre a arquitetura do modelo e a utilidade prática para a ciência lunar. Entre essas aplicações, a busca por **depósitos de gelo** chama atenção porque está direcionada a áreas permanentemente sombreadas da Lua. O modelo também pode apoiar a leitura de crateras e a análise da história vulcânica, mas cada tarefa responde a uma pergunta diferente sobre o território lunar. Na prática, o pesquisador recebe uma ferramenta preparada para procurar padrões em dados complexos e, depois, pode refinar seu uso conforme o objetivo do estudo. A liberação pública torna esse processo mais aberto, pois permite que grupos acadêmicos e da indústria testem a ferramenta em aplicações específicas. ## O ganho aparece na precisão e no volume de trabalho Os testes divulgados pelas instituições indicam até **23% de redução de erro em certas métricas** na identificação de depósitos de gelo, crateras e formações vulcânicas em comparação com métodos convencionais. Esse número não significa que todas as tarefas terão exatamente o mesmo ganho, mas mostra uma diferença mensurável em avaliações específicas. O projeto foi criado para acelerar uma etapa que antes dependia de inspeção manual ou de modelos menos precisos e mais intensivos em computação. Quando uma ferramenta consegue filtrar grandes volumes de observações e apontar regiões que merecem atenção, o especialista pode concentrar seu tempo na interpretação dos resultados. O desempenho também foi comparado com modelos desenvolvidos para visão computacional, incluindo o **SwinV2-B**, em resoluções próximas de 100 metros. Segundo a IBM Research, o modelo lunar conseguiu superar essa referência exigindo menos dados de treinamento. Dados de treinamento são os exemplos usados para ajustar a inteligência artificial, portanto a redução dessa necessidade torna o processo de adaptação mais eficiente para equipes que não dispõem de grandes coleções anotadas. Esse resultado é especialmente relevante para pesquisas lunares, nas quais obter novos exemplos pode depender de missões, instrumentos e medições que não ficam disponíveis de imediato. ## O truque técnico por trás da eficiência Para adaptar o modelo às tarefas lunares, a equipe utilizou LoRAs, sigla para adaptadores de baixa ordem, mantendo **90% dos pesos do modelo-base congelados**. Os pesos são os valores internos que a inteligência artificial ajusta durante o treinamento; congelar a maior parte deles significa evitar que todo o sistema precise ser recalculado para cada nova aplicação. A técnica concentra o ajuste em componentes menores, preservando grande parte do conhecimento já presente na base. Em termos práticos, isso ajuda a explicar como o modelo conseguiu ser treinado para funções lunares sem depender de uma reconstrução completa de sua estrutura. Esse processo também se relaciona ao chamado **fine-tuning**, expressão usada para descrever o ajuste de um modelo geral a uma finalidade específica. Aqui, a finalidade inclui procurar crateras, reconstruir indícios da atividade vulcânica e identificar possíveis depósitos de gelo. A adaptação não transforma a IA em uma autoridade automática sobre a Lua, pois os resultados ainda precisam ser analisados pela comunidade científica. O ganho está em oferecer uma ferramenta especializada o bastante para acelerar a busca e aberta o bastante para que outros grupos examinem, reproduzam e refinem o trabalho. ## O que significa a liberação como código aberto A **NASA** confirmou que o modelo foi disponibilizado publicamente no Hugging Face e que o código-fonte do ajuste fino está no GitHub. Código-fonte é o conjunto de instruções que permite entender como a ferramenta foi construída e modificada, enquanto o ajuste fino reúne o trabalho de adaptação para as tarefas lunares. A publicação nesses canais permite que pesquisadores encontrem tanto o modelo pronto quanto os elementos usados em sua especialização. Os pesos receberam a licença **Apache-2.0**, uma licença de código aberto mencionada na repercussão do lançamento. A abertura continua no conjunto de ferramentas que acompanha o projeto. O modelo foi integrado ao **TerraTorch**, um toolkit de código aberto voltado ao trabalho com dados geoespaciais, e o conjunto de dados de treinamento recebeu o nome **SomBench**. Um toolkit é uma coleção de recursos que organiza tarefas recorrentes para quem desenvolve ou testa modelos, enquanto um dataset reúne os dados usados na análise ou no treinamento. Com esses componentes disponíveis, a comunidade tem mais elementos para repetir os experimentos e comparar resultados, em vez de receber somente uma demonstração final sem acesso à base do processo. A proposta foi apresentada pela NASA como parte de um compromisso com a **ciência aberta**. Segundo a agência, pesquisadores acadêmicos e da indústria podem replicar estudos e refinar o modelo para aplicações específicas. Replicar significa tentar reproduzir um resultado usando os mesmos materiais e procedimentos; refinar significa adaptar a ferramenta a uma pergunta mais delimitada. Essa combinação transforma o lançamento em uma infraestrutura de pesquisa compartilhada, na qual o valor do modelo depende também dos testes, correções e aplicações que forem desenvolvidos a partir dos materiais publicados. ## Por que analisar melhor a Lua sem esperar outra missão A IBM Research descreve o projeto como uma forma de permitir novas descobertas sem que a comunidade precise esperar por novos instrumentos ou por missões espaciais caras. A afirmação não elimina a necessidade de missões futuras, mas define o papel imediato da ferramenta: extrair mais informação de observações que já foram coletadas. A diferença está no uso do acervo existente, que passa a ser pesquisado por um modelo capaz de cruzar camadas e procurar padrões em tarefas diferentes. Para quem trabalha com ciência lunar, esse caminho encurta a distância entre ter dados armazenados e transformá-los em hipóteses verificáveis. O ponto prático é que o modelo desloca parte do esforço para a análise computacional de uma base que já existe. Antes, a inspeção manual e métodos menos precisos podiam tornar a avaliação de dados complexos mais lenta ou mais custosa em processamento. Agora, a comunidade recebe uma ferramenta que combina observações de várias missões, permite ajustes para aplicações específicas e apresenta resultados comparáveis aos de métodos anteriores. O impacto anunciado, portanto, está na capacidade de explorar melhor o material disponível antes de depender de uma nova rodada de observações físicas. ## O que já está claro e o que ainda falta saber A abertura do projeto não significa que todos os detalhes técnicos tenham sido publicados. A reportagem do **The Next Web** observou que informações específicas sobre a quantidade de parâmetros e a arquitetura completa do modelo não haviam sido divulgadas inicialmente. Parâmetros são valores internos que ajudam a definir como uma inteligência artificial transforma entradas em resultados, enquanto arquitetura descreve a organização de seus componentes. Essa lacuna não invalida os testes apresentados, mas limita a comparação detalhada com outros modelos e impede uma leitura completa sobre o tamanho e a composição do sistema. Também está claro que o modelo segue a linhagem dos modelos **Prithvi**, família que antes se concentrava em dados terrestres, climáticos e de heliofísica. A adaptação para a Lua amplia o tipo de informação que essa linha de pesquisa pode processar, mas a avaliação pública continua concentrada nas tarefas lunares já divulgadas. Por enquanto, os dados mais concretos são os resultados em crateras, história vulcânica e gelo, além da eficiência observada em resoluções próximas de 100 metros. É sobre essa base verificável que a comunidade terá de avaliar os próximos usos, sem confundir possibilidade técnica com resultado já comprovado. ## O próximo passo está nas mãos da comunidade O próximo passo anunciado é a utilização dos materiais públicos por pesquisadores acadêmicos e da indústria. Eles podem partir do modelo disponível, consultar o código de ajuste fino, trabalhar com o SomBench e usar o TerraTorch para desenvolver aplicações específicas. A vantagem desse formato é permitir que os resultados sejam comparados por grupos diferentes, com espaço para reproduzir estudos e identificar onde a IA funciona melhor. A [página oficial da NASA](https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/) concentra a confirmação sobre a liberação pública e o compromisso com esse processo de pesquisa compartilhada. Para o leitor que quer entender o que muda, a resposta está na combinação entre acesso e foco: a **Lua** passa a contar com um modelo treinado para procurar características específicas em décadas de observações, enquanto a comunidade recebe os recursos necessários para testar e adaptar a ferramenta. O lançamento não entrega uma resposta automática sobre todos os mistérios lunares, mas oferece uma forma mais organizada de perguntar aos dados que já existem. A [IBM Research](https://research.ibm.com/blog/nasa-ibm-lunar-foundation-model) resume a direção do projeto ao relacionar eficiência, menor necessidade de dados de treinamento e descobertas sem espera imediata por novos instrumentos ou missões caras. Agora, a medida concreta do impacto virá dos estudos que reproduzirem e ampliarem essas três aplicações iniciais.