Pe măsură ce oamenii se pregătesc să revină pe Lună, una dintre problemele mai puțin spectaculoase, dar esențiale, este cantitatea uriașă de informații pe care trebuie să o analizeze cercetătorii. Sondele spațiale au adunat timp de zeci de ani imagini, măsurători radar, date despre relief, temperatură și compoziția suprafeței lunare. Volumul este atât de mare încât examinarea sa prin metode tradiționale devine din ce în ce mai dificilă.
NASA și IBM încearcă acum o abordare diferită: un model de inteligență artificială construit special pentru a înțelege Luna.
Pe 10 septembrie 2026, cele două organizații au anunțat lansarea NASA-IBM Lunar Foundation Model, unul dintre primele modele AI de bază open-source dedicate cercetării lunare. Sistemul poate analiza simultan mai multe tipuri de date și poate fi adaptat pentru sarcini precum identificarea craterelor, detectarea formațiunilor vulcanice sau estimarea zonelor în care s-ar putea găsi gheață.
Nu este un AI care „descoperă singur secretele Lunii”, iar rezultatele sale trebuie verificate de cercetători. Dar tehnologia arată cum inteligența artificială începe să devină un instrument important nu doar pentru explorarea datelor de pe Pământ, ci și pentru viitoarele misiuni spațiale.
O problemă neașteptată: avem prea multe date despre Lună
Luna a fost observată de numeroase misiuni spațiale, fiecare folosind instrumente diferite. Camerele fotografiază suprafața, altimetrele măsoară relieful, spectrometrele analizează compoziția materialelor, iar alte instrumente încearcă să identifice apa sau structurile aflate sub suprafață.
Numai Lunar Reconnaissance Orbiter, sonda NASA care studiază Luna din 2009, a produs un volum de date mai mare decât toate celelalte misiuni planetare NASA luate împreună.
Problema este că aceste informații nu au toate aceeași rezoluție și nici nu descriu aceleași proprietăți ale terenului. Pentru cercetători, corelarea lor poate deveni o muncă extrem de complexă.
Aici intervine noul model AI.
AI-ul a fost antrenat pe aproximativ două milioane de fragmente ale suprafeței lunare
NASA-IBM Lunar Foundation Model a fost antrenat în principal folosind date provenite de la Lunar Reconnaissance Orbiter.
Setul de antrenare include aproximativ două milioane de fragmente de imagini ale Lunii: peste un milion de imagini cu rezoluție de aproximativ un metru și aproape 964.000 de imagini multispectrale cu rezoluție de aproximativ 100 de metri.
Au fost integrate și date provenite din alte misiuni, inclusiv GRAIL, Lunar Prospector și misiunea japoneză SELENE/Kaguya.
IBM și NASA au construit în paralel și un set de date unificat care combină peste 30 de straturi de informații provenite de la nouă instrumente și patru misiuni spațiale.
Scopul este ca AI-ul să poată observa relații între informații care, analizate separat, ar putea fi mult mai greu de identificat.
Ce este, de fapt, un „foundation model” pentru Lună?
Ideea seamănă într-o anumită măsură cu modul în care funcționează modelele AI moderne pentru limbaj sau imagini.
În loc să construiești de fiecare dată un algoritm nou pentru o singură problemă, creezi mai întâi un model general antrenat pe o cantitate foarte mare de date. Acesta învață caracteristicile de bază ale domeniului și poate fi ulterior adaptat pentru sarcini specifice.
În cazul Lunii, același model poate fi ajustat pentru a recunoaște cratere, formațiuni vulcanice sau anumite caracteristici asociate prezenței gheții.
Această flexibilitate este importantă deoarece oamenii de știință nu trebuie să pornească de fiecare dată de la zero atunci când apare o nouă întrebare.
AI-ul poate ajuta la căutarea gheții de pe Lună
Una dintre cele mai interesante aplicații este identificarea zonelor în care ar putea exista gheață.
În apropierea polilor lunari există cratere ale căror regiuni interioare nu sunt atinse aproape niciodată de lumina Soarelui. Temperaturile extrem de scăzute permit păstrarea gheții pentru perioade foarte lungi.
Pentru viitoarele misiuni, această gheață ar putea deveni o resursă importantă. Apa ar putea fi folosită pentru consum, iar prin separarea moleculelor sale s-ar putea obține oxigen și hidrogen.
Noul model AI poate combina diferite tipuri de observații pentru a estima zonele în care condițiile sunt favorabile existenței gheții la suprafață sau în apropierea acesteia.
În testele raportate de NASA și IBM, modelul a avut un avantaj clar față de unele metode de referință în estimarea stabilității gheții polare.
Poate găsi și cratere pe care cercetătorii ar trebui să le analizeze
Craterele sunt mult mai importante pentru cercetarea Lunii decât ar putea părea la prima vedere.
Numărul, dimensiunea și distribuția lor permit oamenilor de știință să estimeze vârsta diferitelor regiuni ale suprafeței și să reconstruiască o parte din istoria sistemului solar.
Identificarea manuală a craterelor într-un număr enorm de imagini necesită însă foarte mult timp.
AI-ul poate automatiza o parte din această muncă. Într-unul dintre testele realizate de cercetători, modelul a reușit să identifice inclusiv modificări ale suprafeței produse după impacturi recente.
Acest lucru ar putea permite compararea automată a imaginilor realizate în momente diferite și semnalarea zonelor în care suprafața Lunii s-a schimbat.
Urmele unei Luni care a avut cândva vulcani
Astăzi, Luna este considerată în mare parte inactivă din punct de vedere vulcanic. Suprafața ei păstrează însă numeroase urme ale unei perioade în care interiorul satelitului era mult mai activ.
Unele formațiuni numite „irregular mare patches” par surprinzător de tinere și ridică întrebări despre momentul în care activitatea vulcanică lunară s-a încheiat.
Noul model poate fi adaptat pentru identificarea automată a acestor structuri în imaginile suprafeței.
Dacă vor fi descoperite mai multe asemenea regiuni, cercetătorii ar putea obține o imagine mai precisă asupra evoluției termice a Lunii.
În unele teste, AI-ul a depășit metodele existente
IBM afirmă că, în anumite sarcini de identificare a caracteristicilor geografice ale suprafeței lunare, modelul a depășit metode de referință cu până la aproximativ 23%.
NASA formulează rezultatele ceva mai prudent: modelul a egalat sau a depășit performanțele mai multor sisteme puternice folosite pentru comparație, obținând rezultate comparabile la cartografierea craterelor și a formațiunilor vulcanice și un avantaj mai clar în estimarea zonelor favorabile gheții polare.
Această diferență de formulare este importantă. Nu înseamnă că AI-ul este cu 23% „mai bun la înțelegerea Lunii” în general. Rezultatul se referă la anumite teste și la anumite sarcini concrete.
De ce faptul că modelul este open-source contează
NASA și IBM au decis să publice atât modelul, cât și instrumentele necesare pentru utilizarea lui.
Asta înseamnă că universități și echipe de cercetare din întreaga lume îl pot adapta pentru propriile proiecte, fără să fie nevoite să construiască un model similar de la început.
Este o schimbare interesantă în modul în care AI poate fi folosită în știință.
Un laborator poate avea o întrebare foarte specifică despre geologia unei anumite regiuni lunare, dar nu dispune de resursele necesare pentru a antrena un model pe milioane de imagini. În schimb, poate porni de la modelul deja antrenat și îl poate specializa folosind un set mult mai mic de date.
Va decide AI unde vor ateriza astronauții?
Aici trebuie separată foarte clar realitatea actuală de posibilitățile viitoare.
Fapt: modelul poate ajuta cercetătorii să analizeze suprafața Lunii, să identifice cratere, să studieze formațiuni geologice și să estimeze regiuni în care gheața ar putea fi stabilă.
Speculație rezonabilă: în viitor, asemenea sisteme ar putea deveni una dintre componentele folosite pentru selectarea zonelor de explorare, planificarea traseelor roboților sau evaluarea terenului din apropierea unor viitoare baze lunare.
Dar alegerea unui loc de aterizare implică mult mai multe informații decât poate furniza un singur model AI. Sunt necesare analize inginerești, observații suplimentare, evaluări ale riscurilor și decizii luate de echipe umane.
AI-ul este, cel puțin deocamdată, un instrument de analiză, nu comandantul unei misiuni lunare.
O nouă generație de instrumente științifice
Poate cea mai interesantă parte a proiectului NASA-IBM nu este o anumită hartă a craterelor sau o predicție privind gheața lunară.
Este ideea din spatele lui.
Timp de decenii, explorarea spațiului a depins în primul rând de instrumente fizice: telescoape, camere, spectrometre, radare și sonde.
Aceste instrumente continuă să fie indispensabile. Dar între ele și cercetător începe să apară un nou strat: inteligența artificială capabilă să combine datele provenite de la numeroase instrumente și să indice tipare care merită investigate.
În loc să înlocuiască instrumentele științifice, AI le poate face să lucreze împreună într-un mod care până acum era dificil.
Citește și:
„AGI a sosit”, spune Jensen Huang. A intrat omenirea în era inteligenței artificiale generale?
Ce înseamnă inteligența artificială generală, ce pot noile generații de modele și de ce nu există încă un consens că acest prag a fost atins.
Am intrat deja în era singularității? Ce spune Sam Altman despre viitorul inteligenței artificiale
Cum ar putea inteligența artificială să accelereze cercetarea, programarea și dezvoltarea tehnologică în următorii ani.
Concluzie: explorarea spațiului începe să aibă nevoie și de inteligență artificială
NASA-IBM Lunar Foundation Model nu a descoperit apă pe Lună și nu poate garanta unde vor fi găsite resurse pentru viitoarele baze umane.
Ceea ce face este mai puțin spectaculos, dar probabil mai important pe termen lung: transformă o cantitate enormă de observații acumulate în zeci de ani într-o bază de date pe care cercetătorii o pot explora mult mai eficient.
Pe măsură ce sondele, sateliții și telescoapele produc volume tot mai mari de informații, problema științei nu va mai fi doar obținerea datelor, ci și capacitatea de a le înțelege.
În această privință, inteligența artificială ar putea deveni pentru explorarea spațiului ceea ce calculatorul a devenit pentru astronomia modernă: nu înlocuitorul cercetătorului, ci un instrument fără de care anumite întrebări ar deveni aproape imposibil de abordat.
