noticias

NASA e IBM lançam IA para mapear a Lua e procurar gelo para futuras missões

A exploração da Lua está ganhando uma ferramenta que seria praticamente impossível durante a era Apollo: um modelo de inteligência artificial capaz de aprender com décadas de observações realizadas por diferentes instrumentos e usar esse conhecimento para analisar partes da superfície lunar.

NASA e IBM anunciaram em 10 de setembro de 2026 o NASA-IBM Lunar Foundation Model, um modelo de IA de código aberto desenvolvido especificamente para ciência lunar. Ele foi projetado para reconhecer e relacionar informações presentes em imagens, mapas térmicos, dados topográficos e outras medições, permitindo que pesquisadores investiguem crateras, formações vulcânicas e regiões com condições compatíveis com a presença de gelo.

Não se trata de um "ChatGPT da Lua", nem de uma inteligência artificial destinada a pilotar espaçonaves de forma autônoma. É um modelo de base científico, construído para transformar a enorme quantidade de dados acumulada sobre o satélite natural da Terra em uma representação computacional que possa ser adaptada posteriormente para tarefas específicas.

E isso pode se tornar especialmente importante à medida que o programa Artemis transfere parte da discussão sobre exploração lunar de "como chegar à Lua" para uma pergunta muito mais difícil: como operar, pesquisar e eventualmente permanecer nela por períodos prolongados?

O problema não é mais conseguir imagens da Lua

NASA, JAXA e outras agências espaciais vêm observando a Lua há décadas. O resultado é um acervo gigantesco produzido por câmeras, radares, espectrômetros, sensores térmicos e instrumentos capazes de medir propriedades do terreno e até variações do campo gravitacional lunar.

O problema é que esses instrumentos não enxergam a Lua da mesma maneira.

Uma câmera pode registrar detalhes próximos de 1 metro por pixel, suficientes para mostrar pequenas estruturas da superfície. Outros instrumentos trabalham em escalas de quilômetros por pixel e fornecem informações completamente diferentes sobre temperatura, composição, relevo ou subsuperfície.

É como tentar construir um único mapa combinando uma fotografia aérea, um exame de raio X, uma câmera térmica e um levantamento topográfico — cada um feito em resolução diferente.

O NASA-IBM Lunar Foundation Model foi criado justamente para procurar relações entre essas modalidades.

A base utilizada no projeto reúne mais de 30 camadas de dados espacialmente alinhadas, provenientes de nove instrumentos distribuídos por quatro missões. O treinamento principal utilizou dados do Lunar Reconnaissance Orbiter (LRO), complementados por informações de missões como GRAIL, Lunar Prospector e a japonesa SELENE/Kaguya.

Só o material proveniente do LRO utilizado pela equipe envolve aproximadamente 2 milhões de blocos de imagens, incluindo mais de 1 milhão de imagens de alta resolução e quase 964 mil observações multiespectrais.

A quantidade é relevante, mas a organização desses dados talvez seja ainda mais importante que o volume.

A IA precisa entender várias "versões" da mesma Lua

A arquitetura utilizada deriva do TerraMind, modelo originalmente desenvolvido pela IBM em colaboração com a Agência Espacial Europeia para observação da Terra.

A ideia central é multimodalidade.

Em vez de aprender exclusivamente com fotografias da superfície, o modelo pode relacionar diferentes representações de uma mesma região. Temperatura, inclinação do terreno, altitude, características espectrais e imagens ópticas podem contribuir simultaneamente para formar uma representação daquela área.

Isso é particularmente útil na Lua porque uma fotografia isolada pode ser enganosa.

Sem uma atmosfera significativa para espalhar a luz solar, as sombras lunares são extremamente escuras e possuem bordas muito mais pronunciadas do que estamos acostumados a observar na Terra. Uma cratera fotografada sob determinada iluminação pode parecer muito diferente da mesma estrutura observada em outro momento.

Nos polos, o problema se torna ainda mais complicado.

O Sol permanece muito baixo no horizonte, criando sombras extensas que podem esconder crateras, rochas e desníveis. Algumas dessas regiões permanecem permanentemente sombreadas — exatamente os locais considerados mais interessantes na busca por depósitos de gelo.

É nesse cenário que combinar diferentes sensores deixa de ser apenas uma conveniência computacional e passa a ter valor científico.

Uma IA procurando gelo não significa que ela encontrou água

Uma das aplicações mais interessantes do modelo é identificar regiões com maior potencial para presença de gelo lunar.

Essa diferença de linguagem importa.

O modelo não observa uma imagem, aponta para uma mancha e decreta: "há água aqui". Ele combina características ambientais associadas à possibilidade de preservação de gelo, incluindo temperatura, topografia, inclinação do terreno, orientação da superfície e profundidade estimada de estabilidade do gelo.

Nos testes divulgados pela IBM, o modelo reduziu em aproximadamente 22% o erro RMSE nessa tarefa em comparação com um modelo SwinV2-B utilizado como referência.

Outro indicador apresentado pela empresa resulta em redução próxima de 23%, razão pela qual materiais de divulgação podem apresentar números ligeiramente diferentes para o ganho obtido. São métricas distintas aplicadas ao mesmo tipo de problema, e não evidência de que o sistema tenha "23% mais capacidade de encontrar água".

Essa distinção evita transformar um resultado de benchmark em uma descoberta geológica.

Uma previsão da IA ainda precisa ser confrontada com observações independentes, instrumentos científicos e, em alguns casos, medições realizadas diretamente na superfície.

Por que gelo na Lua virou uma questão estratégica

Encontrar gelo acessível mudaria profundamente a logística de uma presença humana prolongada na Lua.

A água poderia evidentemente ser utilizada para consumo, mas seu valor vai muito além disso. Por eletrólise, moléculas de água podem ser separadas em hidrogênio e oxigênio. O oxigênio possui aplicação direta em sistemas de suporte à vida, enquanto hidrogênio e oxigênio também podem servir como componentes de propelentes.

Em princípio, utilizar recursos disponíveis fora da Terra reduz a quantidade de massa que precisa ser lançada do nosso planeta.

E massa é dinheiro na exploração espacial.

Cada quilograma de água, oxigênio, combustível, equipamento ou alimento levado à Lua precisa atravessar toda uma cadeia de lançamento, transferência espacial e pouso. Conseguir produzir parte desses recursos localmente — conceito conhecido como utilização de recursos in situ — pode alterar consideravelmente a economia de futuras bases lunares.

Por isso, saber onde investigar primeiro importa tanto quanto efetivamente encontrar o recurso.

A IA entra como um filtro capaz de reduzir uma superfície inteira a regiões cientificamente mais promissoras.

O modelo também aprendeu a procurar crateras

Outro teste importante envolveu a detecção de crateras.

Elas são muito mais do que as cicatrizes visualmente marcantes da Lua. Sua quantidade, distribuição, tamanho e sobreposição ajudam pesquisadores a estimar a idade relativa de diferentes terrenos e reconstruir parte da história geológica lunar.

Para futuras missões, crateras também são obstáculos.

Um mapa detalhado pode ajudar na avaliação de locais de pouso, rotas para veículos, instalação de equipamentos, posicionamento de painéis solares e planejamento de infraestrutura.

Em imagens de altíssima resolução, próximas de 1 metro por pixel, o NASA-IBM Lunar Foundation Model apresentou desempenho comparável ao de modelos especializados utilizados como referência. Em uma escala mais ampla, de aproximadamente 100 metros por pixel, chegou a superar o SwinV2-B em quase 19% em uma das métricas mais rigorosas de detecção, utilizando apenas metade dos dados de treinamento naquele teste.

Esse detalhe é mais relevante do que parece.

Um foundation model não precisa necessariamente derrotar todos os algoritmos especializados em todas as tarefas. Sua vantagem está em poder ser adaptado para vários problemas sem que pesquisadores precisem construir e pré-treinar um sistema completamente novo para cada investigação.

A NASA também quer olhar para o passado vulcânico da Lua

O terceiro grande alvo são estruturas conhecidas como Irregular Mare Patches, ou IMPs.

Essas formações chamam a atenção porque podem ajudar cientistas a compreender por quanto tempo a atividade vulcânica persistiu na Lua. Determinar sua distribuição e características é uma peça do quebra-cabeça sobre a evolução térmica e geológica do satélite.

Nesse tipo de segmentação, o modelo da NASA e IBM também apresentou resultado competitivo.

A diferença anunciada em relação ao SwinV2-B chegou a aproximadamente 3% em uma das comparações, embora outros modelos de referência tenham obtido desempenho muito próximo. Portanto, o resultado não deve ser interpretado como uma vitória esmagadora da nova arquitetura.

O ponto interessante novamente é outro: a mesma base de IA pôde ser ajustada para gelo, crateras e geologia vulcânica.

Como adaptar uma IA gigantesca sem treiná-la novamente

Há um detalhe técnico particularmente interessante na estratégia da IBM.

Em vez de modificar todos os parâmetros do modelo a cada nova tarefa, os pesquisadores utilizaram uma técnica de adaptação conhecida como LoRA, ou Low-Rank Adaptation.

Na prática, aproximadamente 90% dos pesos do modelo base permaneceram congelados durante determinados processos de ajuste.

Pequenas estruturas adicionais aprendem a adaptar o conhecimento geral para uma tarefa específica sem precisar reprocessar completamente o modelo.

Essa abordagem reduz custo computacional, tempo de treinamento e quantidade de dados necessários. É especialmente relevante em ciência, onde pesquisadores nem sempre dispõem da infraestrutura computacional de grandes empresas de tecnologia.

O foundation model, portanto, funciona menos como uma ferramenta pronta para apertar um botão e mais como uma infraestrutura de conhecimento lunar que outras equipes podem especializar.

O verdadeiro patrimônio do projeto talvez sejam os dados

Existe um aspecto do anúncio que pode acabar sendo mais importante do que o próprio modelo.

NASA e IBM também disponibilizaram publicamente um conjunto de dados lunares preparado para aprendizado de máquina, além do código e das ferramentas necessárias para trabalhar com o sistema.

Construir esse dataset exigiu alinhar observações produzidas em diferentes resoluções e por instrumentos distintos para que informações referentes ao mesmo ponto da Lua possam ser correlacionadas computacionalmente.

Isso resolve uma dificuldade histórica.

Ter milhares de imagens armazenadas não significa automaticamente possuir dados adequados para treinar inteligência artificial. É necessário normalizar formatos, determinar coordenadas, corrigir diferenças de resolução e criar relações confiáveis entre diferentes medições.

Modelos de IA envelhecem rapidamente. Um modelo considerado avançado em 2026 provavelmente será substituído por outro.

Um conjunto científico de dados bem estruturado, porém, pode continuar sendo utilizado por muitas gerações de modelos.

Código aberto também muda quem consegue pesquisar a Lua

A decisão de disponibilizar o NASA-IBM Lunar Foundation Model publicamente cria outra consequência importante.

Universidades, laboratórios e equipes de pesquisa que não teriam condições de montar um gigantesco dataset lunar do zero podem partir de uma infraestrutura existente e desenvolver aplicações próprias.

Isso reduz uma barreira de entrada, mas não elimina todas as outras.

Processar grandes quantidades de imagens científicas continua exigindo capacidade computacional, armazenamento e conhecimento especializado. Interpretar corretamente os resultados exige ainda geólogos, cientistas planetários e especialistas nos próprios instrumentos que produziram os dados.

Código aberto não transforma automaticamente ciência sofisticada em ciência barata.

Mas permite que mais grupos participem dela.

O que pode dar errado

Toda utilização científica de inteligência artificial carrega um risco particularmente perigoso: confundir correlação aprendida pelo modelo com evidência física do fenômeno estudado.

O sistema pode reproduzir limitações existentes nos dados, interpretar características de iluminação como propriedades geológicas ou ter desempenho inferior em regiões pouco representadas durante o treinamento.

Na Lua, o problema de iluminação é especialmente severo.

Modelos convencionais de visão computacional frequentemente aprendem reconstruindo partes ocultadas de uma imagem. Durante o desenvolvimento do sistema lunar, pesquisadores descobriram que estratégias tradicionais não funcionavam adequadamente porque diferentes crateras podem parecer extremamente semelhantes vistas de órbita.

A solução incluiu separar geograficamente regiões utilizadas no treinamento das áreas reservadas para teste, dificultando que o modelo simplesmente memorizasse características locais e as reencontrasse durante a avaliação.

É um bom exemplo de algo frequentemente esquecido na atual corrida da IA: não basta colocar dados científicos dentro de uma arquitetura popular e esperar que o problema esteja resolvido.

A própria física do ambiente precisa orientar como o modelo é treinado e avaliado.

Análise da equipe: o projeto é mais importante pela infraestrutura do que pela "IA da Lua"

O título mais chamativo seria dizer que NASA e IBM criaram uma inteligência artificial capaz de encontrar água na Lua.

Também seria uma simplificação ruim.

O avanço tecnicamente mais interessante está na tentativa de construir uma camada computacional comum para décadas de observação lunar, combinando instrumentos que enxergam coisas diferentes, em resoluções diferentes, sob condições radicalmente distintas.

Isso pode alterar a maneira como missões são planejadas.

Em vez de cientistas começarem uma investigação vasculhando volumes gigantescos de dados, modelos especializados poderão indicar regiões anômalas, comparar características e priorizar locais que merecem análises mais caras ou observações adicionais.

A IA não substitui o instrumento que confirmará o gelo.

Ela ajuda a decidir onde apontar esse instrumento.

Essa diferença parece pequena, mas em missões espaciais pode representar anos de planejamento e milhões de dólares em recursos.

Também existe uma dimensão estratégica pouco discutida. Quanto mais a exploração lunar evoluir para uma atividade permanente, maior será a importância de mapas não apenas geográficos, mas também de recursos: gelo, iluminação solar, temperatura, relevo, comunicação e riscos do terreno.

Quem souber interpretar esses dados melhor terá uma vantagem científica e operacional considerável.

A escolha de manter o modelo e parte importante dessa infraestrutura abertos funciona, nesse sentido, como uma aposta em ciência colaborativa diante de uma exploração lunar que também está se tornando cada vez mais competitiva.

A próxima corrida lunar será também uma corrida de dados

Durante a Apollo, uma das grandes dificuldades era chegar à Lua.

Na nova fase da exploração lunar, chegar continua sendo extremamente difícil, mas a quantidade de informação disponível antes do pouso mudou completamente.

Satélites já produziram mapas detalhados, sensores revelam propriedades que os olhos humanos não conseguem perceber e modelos computacionais podem cruzar milhões de observações antes que uma tripulação deixe a Terra.

O NASA-IBM Lunar Foundation Model ainda precisa demonstrar seu valor fora dos benchmarks apresentados por seus próprios desenvolvedores. Será necessário observar como equipes independentes utilizarão o sistema, quais erros aparecerão e se ele realmente produzirá descobertas que métodos convencionais não conseguiriam alcançar com eficiência semelhante.

Esse será o teste mais importante.

Ainda assim, o projeto sinaliza algo maior: a próxima geração da exploração espacial provavelmente será construída pela combinação de foguetes, robótica, sensores e inteligência artificial.

Antes que astronautas percorram certas regiões da Lua, máquinas terão analisado cada sombra, inclinação, variação térmica e cratera disponível nos arquivos.

A nova corrida lunar não será disputada apenas por quem consegue pousar.

Será disputada também por quem consegue entender melhor o terreno antes de chegar lá.

👉 Dúvida? Então veja mais em: https://pixbugtech.com/linksuteis