NASA e IBM hanno rilasciato il NASA-IBM Lunar Foundation Model, un modello di intelligenza artificiale open source progettato per analizzare la superficie della Luna. Non è un chatbot e non “scopre” automaticamente acqua o nuovi crateri: è una base pre-addestrata che i ricercatori possono adattare a compiti scientifici specifici, dalla mappatura dei crateri alla ricerca di indizi sulla stabilità del ghiaccio ai poli lunari.
Il modello è stato annunciato il 10 settembre 2026 ed è disponibile pubblicamente su Hugging Face, con codice e risorse aperte per test e sperimentazione. L’obiettivo è ridurre il tempo necessario per trasformare anni di immagini e misure provenienti da missioni diverse in mappe e classificazioni utili alla ricerca.
Cos’è il Lunar Foundation Model
Un foundation model è un modello pre-addestrato su una grande quantità di dati e pensato per essere riutilizzato su più attività. Invece di costruire da zero un algoritmo diverso per ogni problema, un gruppo di ricerca può partire da una rappresentazione già appresa e specializzarla con una quantità più ridotta di dati etichettati.
Nel caso del NASA-IBM Lunar Foundation Model, il dominio non è il linguaggio ma la Luna. Secondo la documentazione pubblicata dalla NASA, il modello è stato addestrato soprattutto sui dati del Lunar Reconnaissance Orbiter e integra anche informazioni provenienti da GRAIL, Lunar Prospector e dalla missione giapponese SELENE/Kaguya.
Su quanti dati è stato addestrato
La scala è uno dei motivi per cui il progetto è interessante. NASA indica circa 2 milioni di tile di immagini usate nel pre-training: più di un milione di immagini ad alta risoluzione nell’ordine del metro e quasi 964.000 immagini multispettrali a una risoluzione di circa 100 metri.
IBM e NASA hanno inoltre costruito un dataset unificato adatto al machine learning con oltre 30 livelli spazialmente allineati provenienti da nove strumenti e quattro missioni. Il vantaggio non è soltanto avere più immagini, ma mettere nello stesso sistema dati con caratteristiche e risoluzioni differenti.
A cosa serve: crateri, ghiaccio e vulcanismo
Le prime applicazioni mostrate da NASA e IBM ruotano attorno a tre problemi concreti.
- Mappatura dei crateri: identificare e misurare i crateri aiuta a ricostruire l’età relativa delle superfici e la storia degli impatti.
- Ghiaccio ai poli lunari: il modello può essere adattato per stimare dove il ghiaccio possa risultare stabile, soprattutto nelle regioni permanentemente in ombra.
- Formazioni vulcaniche: può accelerare l’individuazione di strutture geologiche insolite, comprese le cosiddette irregular mare patches.
IBM riferisce miglioramenti fino al 23% rispetto a metodologie di confronto in specifici benchmark. È importante non interpretare quel numero come un “+23%” universale: le prestazioni cambiano in base al compito. NASA descrive risultati comparabili o superiori alle baseline considerate, con un vantaggio particolarmente evidente nelle stime legate alla stabilità del ghiaccio polare.
Perché il ghiaccio lunare è così importante
Le regioni in ombra permanente vicino ai poli sono tra le aree più difficili da osservare, ma sono anche tra le più interessanti. Temperature estremamente basse possono preservare ghiaccio per tempi lunghissimi e una mappa più precisa può aiutare a decidere dove concentrare misure, missioni robotiche e analisi.
Questo si collega direttamente al problema operativo del polo sud lunare. Su Tech iCrewPlay abbiamo già analizzato come NASA e Corea vogliono mappare le radiazioni al polo sud della Luna: prima di scegliere aree per attività scientifiche o infrastrutture non basta conoscere il terreno, ma serve combinare risorse, illuminazione, radiazione e rischi locali.
Anche la protezione scientifica delle regioni polari è un tema concreto. Uno studio recente seguito su queste pagine ha mostrato che alcuni microbi terrestri potrebbero sopravvivere temporaneamente in nicchie protette del polo sud, rendendo più importante documentare bene l’ambiente prima che la presenza umana diventi più frequente.
Può trovare nuovi crateri e cambiamenti sulla superficie?
Sì, se viene adattato al compito. NASA mostra un test nel quale il modello è stato fine-tuned per distinguere immagini precedenti e successive a un nuovo impatto vicino al cratere Einstein. L’immagine post-impatto non era presente nel pre-training, quindi l’esperimento serve a verificare la capacità di trasferire ciò che il modello ha appreso a una situazione nuova.
Questo tipo di analisi può diventare utile quando il numero di immagini è troppo grande per un controllo manuale continuo. Non elimina però i problemi di interpretazione: variazioni di illuminazione, angolo di ripresa e qualità dei dati possono cambiare la visibilità delle strutture più piccole e richiedono comunque validazione scientifica.
Il modello sostituisce gli scienziati?
No. Il valore del Lunar Foundation Model è ridurre il lavoro ripetitivo di ricerca, segmentazione e classificazione su dataset enormi, non decidere autonomamente che cosa significhi una scoperta. Una previsione su un’area con possibile ghiaccio, per esempio, resta un risultato da confrontare con altri strumenti, modelli e osservazioni.
La distinzione è importante anche perché un foundation model può produrre errori sistematici se i dati di partenza non rappresentano bene una regione o se viene adattato male a un nuovo compito. In ambito scientifico, la riproducibilità e la possibilità di ispezionare dati, codice e benchmark sono quindi parte del valore del progetto.
Perché è open source e dove si può usare
NASA e IBM hanno scelto di rendere disponibile il modello su Hugging Face e di pubblicare codice e dataset collegati. L’idea è consentire a università e gruppi di ricerca di partire dalla stessa base, confrontare risultati e costruire applicazioni specifiche senza dover ripetere l’intero pre-training.
Il progetto è integrato nell’ecosistema open source TerraTorch e prosegue una collaborazione NASA-IBM che ha già prodotto foundation model scientifici per l’osservazione terrestre e l’eliofisica. In questo senso la Luna diventa un nuovo dominio nel quale applicare lo stesso principio: un modello comune, poi molte specializzazioni.
Cosa cambia davvero per le missioni sulla Luna
Nel breve periodo non cambia il calendario di Artemis e non sostituisce nuove sonde. Il vantaggio è più pragmatico: permette di analizzare più rapidamente dati che esistono già, evidenziare aree interessanti e restringere il campo prima di impiegare strumenti, missioni o tempo umano su un obiettivo.
Per una futura presenza stabile questo può incidere su domande molto concrete: quali crateri meritano un’analisi più approfondita, dove potrebbe essere più plausibile trovare ghiaccio, quali aree mostrano strutture geologiche insolite e quali cambiamenti della superficie richiedono una verifica.
Il rilascio IBM del 10 settembre 2026 presenta il modello proprio come una piattaforma da adattare, non come un sistema chiuso con una singola funzione. Il risultato più interessante potrebbe quindi arrivare non dalla demo iniziale, ma dagli usi che i ricercatori costruiranno sopra il modello nei prossimi mesi.
Domande frequenti sul Lunar Foundation Model
Il Lunar Foundation Model è disponibile al pubblico?
Sì. NASA e IBM lo hanno rilasciato come progetto open source e lo rendono disponibile tramite Hugging Face, insieme a risorse per sperimentazione e ricerca.
L’AI ha trovato acqua sulla Luna?
No. Il modello può essere adattato per stimare aree nelle quali il ghiaccio potrebbe essere stabile, ma queste previsioni non equivalgono alla conferma diretta di un deposito d’acqua.
A cosa serve per Artemis?
Può supportare l’analisi del terreno, dei crateri e delle regioni polari e aiutare i ricercatori a prioritizzare aree da studiare. Non decide però siti di atterraggio e non sostituisce le verifiche delle missioni.
Quanti dati ha usato NASA per addestrarlo?
NASA indica circa 2 milioni di tile di immagini nel pre-training, con dati ad alta risoluzione e multispettrali provenienti principalmente dal Lunar Reconnaissance Orbiter e integrati con altre missioni.
Entra nella conversazione
Condividi il tuo punto di vista: non serve creare un account. I contributi restano soggetti alla moderazione editoriale.