NASA e IBM portano l’intelligenza artificiale sulla Luna

Decenni di osservazioni della Luna hanno prodotto un patrimonio scientifico enorme: fotografie ad altissima risoluzione, mappe topografiche, misurazioni della temperatura, dati gravitazionali, osservazioni radar, informazioni mineralogiche e rilevamenti utili a studiare la possibile presenza di ghiaccio. Il problema, oggi, non è soltanto raccogliere nuove informazioni, ma riuscire a utilizzare in maniera efficiente quelle già disponibili. NASA e IBM hanno deciso di affrontare questa sfida con il NASA-IBM Lunar Foundation Model, uno dei primi modelli di intelligenza artificiale open source progettati specificamente per la ricerca scientifica lunare.
Il nuovo Lunar Foundation Model, annunciato il 10 settembre 2026 e reso disponibile alla comunità scientifica, mette insieme dati provenienti da missioni e strumenti differenti con l'obiettivo di consentire ai ricercatori di individuare strutture e correlazioni difficili da osservare quando le informazioni vengono analizzate separatamente. Fra le applicazioni inizialmente privilegiate figurano la mappatura dei crateri, lo studio della storia vulcanica della Luna e la valutazione delle regioni nelle quali potrebbe essere presente ghiaccio stabile, una risorsa potenzialmente decisiva per le future missioni umane.

Non è un chatbot per astronauti

Quando si parla di intelligenza artificiale, l'immaginario contemporaneo porta immediatamente ai chatbot e ai modelli capaci di generare testo. Il sistema sviluppato da NASA e IBM appartiene però a un'altra famiglia di applicazioni. È un foundation model scientifico progettato per apprendere rappresentazioni utili a partire da grandi quantità di dati lunari.
Il suo compito non è conversare con gli astronauti ma aiutare i ricercatori ad analizzare immagini e misurazioni geofisiche. Una volta pre-addestrato su enormi quantità di dati, il modello può essere adattato a compiti specifici con un processo di fine-tuning, evitando di dover costruire ogni volta un algoritmo completamente nuovo partendo da zero.

Che cosa significa "foundation model"

Un foundation model è un sistema addestrato inizialmente su un insieme molto ampio di dati in modo da apprendere strutture generali riutilizzabili per più applicazioni. Il principio è diventato famoso attraverso i grandi modelli linguistici, ma può essere applicato anche alla scienza, alle immagini satellitari, alla meteorologia e ai dati astronomici.
Il vantaggio principale è la riutilizzabilità. Invece di sviluppare un modello indipendente per riconoscere crateri, uno per analizzare strutture vulcaniche e un altro per studiare regioni polari, i ricercatori possono partire da una base comune già addestrata sul territorio lunare e specializzarla successivamente.

La Luna dispone di una quantità enorme di dati

La superficie lunare è stata osservata per decenni da differenti missioni spaziali. Il Lunar Reconnaissance Orbiter, in particolare, opera dal 2009 e ha prodotto un archivio straordinariamente dettagliato. La quantità di dati generata dalla missione è superiore a quella prodotta complessivamente da tutte le altre missioni planetarie NASA.
Questa abbondanza rappresenta contemporaneamente una risorsa e un problema. Un ricercatore umano non può esaminare manualmente milioni di immagini lunari con la stessa velocità di un sistema automatico. Le tecniche di machine learning permettono quindi di utilizzare l'IA non per sostituire la valutazione scientifica, ma per identificare zone, pattern e anomalie che meritano un'analisi più approfondita.

Il cuore del progetto è il Lunar Reconnaissance Orbiter

Il nuovo modello è stato addestrato principalmente sui dati del Lunar Reconnaissance Orbiter, la missione che ha trasformato la conoscenza moderna della superficie lunare. Grazie alle sue osservazioni, gli scienziati dispongono oggi di immagini e mappe capaci di mostrare il terreno con un livello di dettaglio impensabile ai tempi delle missioni Apollo.
Per l'addestramento sono state utilizzate circa due milioni di tile, ossia porzioni standardizzate di immagini e mappe. Il dataset comprende più di un milione di immagini ad alta risoluzione, con dettaglio che può arrivare a circa un metro, e quasi 964.000 immagini multispettrali con risoluzione intorno ai 100 metri.

Più missioni costruiscono un'unica visione della Luna

L'innovazione non consiste però nel semplice utilizzo delle fotografie LRO. Il progetto integra informazioni provenienti anche da GRAIL, Lunar Prospector e dalla missione giapponese SELENE/Kaguya. Il risultato è una combinazione di dati statunitensi e giapponesi raccolti attraverso strumenti e periodi differenti.
È importante chiarire questo aspetto perché si parla di dati provenienti da quattro missioni, ma non tutte e quattro sono missioni NASA: SELENE, conosciuta anche come Kaguya, appartiene all'agenzia spaziale giapponese JAXA. La collaborazione scientifica permette così di costruire una rappresentazione della Luna più ricca rispetto a quella ottenibile da un singolo programma nazionale.

Oltre 30 livelli di informazioni sovrapposti

Il dataset unificato raccoglie più di 30 livelli spazialmente allineati provenienti da nove strumenti scientifici. Questo significa che misurazioni di natura differente vengono organizzate in modo da riferirsi coerentemente alle stesse regioni della superficie lunare.
Un ricercatore può così mettere in relazione topografia, temperatura, radar, gravità, composizione e immagini senza dover costruire ogni volta manualmente l'infrastruttura necessaria per rendere comparabili dataset prodotti con strumenti, risoluzioni e formati differenti. È probabilmente questo lavoro di armonizzazione, oltre al modello stesso, uno degli aspetti più utili del progetto.

Perché un dataset unificato è così importante

Immaginiamo di voler studiare una particolare area vicina al Polo Sud lunare. Una fotografia mostra la forma del terreno, ma non fornisce automaticamente tutte le informazioni sulla temperatura, sulla gravità locale, sulle caratteristiche radar o sulla presenza potenziale di idrogeno.
Quando questi dati vengono allineati, diventa possibile cercare relazioni che sarebbero molto più difficili da individuare osservando ogni strumento separatamente. L'intelligenza artificiale può apprendere proprio da questa combinazione e generare rappresentazioni utilizzabili per differenti problemi scientifici.

La prima missione: trovare e classificare i crateri

Una delle applicazioni principali riguarda la mappatura dei crateri. La Luna è ricoperta da impatti di dimensioni estremamente differenti e molti crateri più piccoli non sono catalogati in maniera completa. Identificarli automaticamente può accelerare enormemente la costruzione di mappe dettagliate.
I crateri non sono soltanto ostacoli da evitare. La loro distribuzione aiuta gli scienziati a stimare l'età relativa delle superfici, ricostruire la storia degli impatti e studiare processi geologici. Il numero e la densità dei crateri rappresentano infatti uno degli strumenti principali utilizzati per confrontare l'età di differenti regioni planetarie.

Mappare i crateri serve anche alla sicurezza

Per le future missioni umane la conoscenza del terreno acquista una seconda funzione. Un'area ricca di pendii, crateri, massi e irregolarità può rappresentare un rischio per un lander oppure rendere più complessi spostamenti e costruzione di infrastrutture.
Un sistema capace di accelerare la produzione di mappe ad alta risoluzione può quindi contribuire alla selezione dei siti di atterraggio e alla pianificazione delle attività sulla superficie. Non significa che l'IA sceglierà autonomamente dove far atterrare gli astronauti: le decisioni resteranno il risultato di molteplici valutazioni scientifiche e ingegneristiche.

L'IA ha riconosciuto anche un nuovo cratere da impatto

Fra le dimostrazioni utilizzate per testare il modello figura il riconoscimento di un cambiamento della superficie prodotto dall'impatto di un corpo di razzo nei pressi del cratere Einstein. Il sistema è stato confrontato con immagini precedenti e successive all'evento.
Poiché l'immagine successiva all'impatto non faceva parte del pre-addestramento, il test serve a mostrare come il modello possa essere adattato per identificare modifiche non presenti nei dati originariamente utilizzati. È una capacità interessante per monitorare nuovi impatti o altre variazioni della superficie nel tempo.

La seconda sfida riguarda il vulcanismo lunare

La Luna appare oggi geologicamente molto meno attiva della Terra, ma il suo passato è stato segnato da una significativa attività vulcanica. Le grandi pianure scure visibili anche a occhio nudo sono in larga parte antichi mari basaltici formati da enormi colate di lava.
Studiare le strutture vulcaniche permette di ricostruire la storia termica del satellite e comprendere come il suo interno sia cambiato durante miliardi di anni. Il modello è stato quindi valutato anche nella segmentazione di particolari formazioni associate a processi vulcanici.

Il terzo obiettivo è forse quello più importante per gli astronauti

L'applicazione che ha prodotto il vantaggio più evidente nei test riguarda la stima della stabilità del ghiaccio nelle regioni polari. Ai poli lunari esistono crateri le cui zone più profonde ricevono pochissima o nessuna luce solare diretta e possono mantenere temperature estremamente basse per periodi lunghissimi.
In queste regioni permanentemente ombreggiate può essere presente ghiaccio d'acqua. Localizzarlo, comprenderne la distribuzione e valutarne l'accessibilità è una delle priorità scientifiche e operative delle future missioni lunari.

Perché il ghiaccio lunare vale molto più dell'acqua da bere

La presenza di acqua sulla Luna potrebbe ridurre la quantità di materiale da trasportare dalla Terra. L'acqua può naturalmente essere utilizzata, una volta estratta e trattata, per le necessità degli equipaggi, ma le sue molecole contengono anche idrogeno e ossigeno.
Attraverso processi appropriati sarebbe teoricamente possibile ottenere ossigeno e componenti utili alla produzione di propellenti. Questo rende il ghiaccio una potenziale risorsa strategica per una presenza umana prolungata. La fattibilità reale dipenderà comunque da concentrazione, accessibilità, tecnologia estrattiva, energia disponibile e molti altri fattori.

Il risultato del 23% deve essere interpretato correttamente

Uno dei numeri più ripresi nell'annuncio riguarda un miglioramento fino al 23% rispetto a metodi di riferimento. È importante però comprendere che non significa che il nuovo sistema sia "il 23% migliore in tutto". Il vantaggio varia in funzione del compito e della metrica utilizzata.
Nella valutazione relativa al ghiaccio polare, il modello ha ridotto in modo significativo l'errore rispetto a un modello visivo generalista utilizzato come baseline. Su altri compiti, come determinate attività di mappatura dei crateri o segmentazione delle formazioni vulcaniche, i risultati sono risultati comparabili oppure superiori in misura differente.

Il benchmark non è una prova che l'IA abbia "capito" la Luna

Come per qualsiasi sistema di machine learning, un buon risultato in un benchmark non equivale a una comprensione scientifica autonoma. Il modello individua relazioni statistiche nei dati e produce rappresentazioni utili, ma le interpretazioni geologiche devono ancora essere formulate e verificate dagli scienziati.
È fondamentale evitare l'antropomorfizzazione dell'intelligenza artificiale. Dire che un modello "vede" il ghiaccio o "capisce" la storia vulcanica può essere una scorciatoia linguistica, ma rischia di attribuire al sistema capacità che non possiede. È uno strumento analitico estremamente sofisticato, non uno scienziato autonomo.

Un vantaggio importante è utilizzare meno dati etichettati

Uno dei benefici dei foundation model consiste nella possibilità di ridurre la quantità di dati etichettati necessaria per alcuni compiti. Creare manualmente un dataset scientifico nel quale ogni cratere o struttura sia identificata da esperti richiede moltissimo tempo.
Un modello pre-addestrato può essere adattato con quantità più limitate di dati annotati, rendendo alcuni progetti più efficienti. In determinati test sui crateri il Lunar Foundation Model ha mantenuto prestazioni competitive o superiori utilizzando una parte ridotta dei dati destinati all'addestramento specifico.

Il progetto è open source

Uno degli aspetti più rilevanti è la scelta di rendere il modello accessibile pubblicamente. Il NASA-IBM Lunar Foundation Model è disponibile attraverso Hugging Face, mentre il codice può essere consultato e sperimentato dalla comunità di ricerca. Vengono messi a disposizione anche dataset e materiali per la valutazione.
L'apertura consente a università, centri di ricerca e sviluppatori di verificare il comportamento del modello, adattarlo a nuove applicazioni e confrontarlo con altri sistemi. Non elimina i costi computazionali né le competenze necessarie, ma riduce significativamente la barriera rappresentata dall'accesso a un modello proprietario chiuso.

La riproducibilità è fondamentale nella scienza

Nel contesto scientifico l'open source possiede un valore ulteriore rispetto alla semplice gratuità. I risultati devono poter essere controllati, replicati e sottoposti a critica. Rendere disponibili modello, dataset e benchmark consente ad altri gruppi di verificare se le prestazioni dichiarate si mantengano in condizioni differenti.
Questo è particolarmente importante per l'IA scientifica, dove errori o bias possono produrre interpretazioni fuorvianti. La possibilità di analizzare il sistema facilita l'individuazione dei limiti e permette di capire in quali scenari le prestazioni diminuiscano.

Il modello entra nella famiglia Prithvi

Il progetto lunare si inserisce nella più ampia collaborazione tra NASA e IBM dedicata ai foundation model scientifici. La famiglia Prithvi comprende già applicazioni rivolte all'osservazione della Terra e ad altri ambiti scientifici, con l'obiettivo di trasformare enormi archivi di dati in basi riutilizzabili per nuovi studi.
La logica è quella di costruire una sorta di infrastruttura IA per la scienza. Invece di sviluppare sistemi isolati per ogni laboratorio, vengono creati modelli di base che la comunità può adattare a specifiche domande di ricerca.

L'esperienza con la Terra arriva fino allo spazio

Un precedente modello geospaziale Prithvi, addestrato su anni di dati di osservazione terrestre, è stato perfino dimostrato su piattaforme in orbita. Questo percorso mostra come NASA e IBM stiano sperimentando l'utilizzo dei foundation model non soltanto nei data center a terra ma anche all'interno del più ampio ecosistema spaziale.
Applicare la stessa filosofia alla Luna rappresenta quindi un passaggio naturale: esiste un archivio enorme di osservazioni e contemporaneamente una nuova fase di esplorazione che richiede mappe, analisi e strumenti sempre più efficienti.

Il collegamento con Artemis

Il nuovo modello arriva mentre il programma Artemis sta entrando in una fase decisiva. Dopo il successo della missione con equipaggio Artemis II nel 2026, NASA prevede per il 2027 Artemis III, una missione di prova in orbita terrestre destinata a testare rendezvous e docking fra Orion e i sistemi di atterraggio commerciali.
Il ritorno di astronauti sulla superficie è attualmente pianificato con Artemis IV nel 2028. La sequenza è stata modificata rispetto ai programmi precedenti: Artemis III non effettuerà quindi l'allunaggio umano, ma servirà a ridurre i rischi prima della successiva missione lunare.

Perché il Polo Sud è così importante

Il programma Artemis punta in particolare alle regioni del Polo Sud lunare. Rispetto alle zone esplorate dagli astronauti Apollo, questa area presenta condizioni molto differenti, comprese regioni permanentemente in ombra nelle quali potrebbero trovarsi depositi di ghiaccio.
Il territorio è però complesso. Illuminazione molto radente, forti variazioni termiche, crateri profondi e zone di difficile accesso rendono la pianificazione particolarmente impegnativa. È proprio qui che strumenti capaci di fondere informazioni provenienti da più sensori possono diventare utili.

L'IA può aiutare a restringere le aree da studiare

Uno scienziato non dovrebbe accettare automaticamente l'output di un algoritmo. Il vero vantaggio è utilizzare il modello per ridurre uno spazio di ricerca enorme. Se esistono milioni di immagini e migliaia di chilometri quadrati di terreno da valutare, l'IA può indicare le regioni che presentano determinate caratteristiche.
Gli esperti possono quindi concentrare le proprie risorse sulle aree più promettenti, incrociando i risultati con altre osservazioni e progettando ulteriori misure. È un modello di collaborazione fra calcolo automatico e competenza scientifica, non una sostituzione del ricercatore.

La luce lunare può ingannare anche gli algoritmi

Analizzare immagini della Luna presenta difficoltà specifiche. Cambiamenti nell'illuminazione possono modificare drasticamente l'aspetto di un cratere o di un rilievo. Ombre lunghe possono far sembrare differenti strutture osservate in momenti diversi e influire sulla visibilità dei dettagli più piccoli.
Gli stessi ricercatori sottolineano quindi la necessità di considerare questi limiti. Un sistema di IA non elimina automaticamente gli effetti delle condizioni di osservazione. Anche un modello altamente performante deve essere validato rispetto alla fisica del dato e alle caratteristiche degli strumenti che lo hanno prodotto.

L'intelligenza artificiale non sostituisce nuove missioni

La possibilità di ricavare più informazioni dai dati esistenti non rende inutili nuove sonde, rover o astronauti. Ogni strumento possiede limiti di risoluzione e sensibilità e alcune domande possono essere risolte soltanto raccogliendo nuovi campioni o eseguendo misurazioni direttamente sulla superficie.
Il modello NASA-IBM serve piuttosto a massimizzare il valore del patrimonio già raccolto. Prima di decidere dove inviare un nuovo strumento è utile conoscere nel modo più dettagliato possibile ciò che i dati precedenti possono già raccontare.

Potrebbe diventare una base per applicazioni non ancora immaginate

I tre casi iniziali — crateri, vulcanismo e ghiaccio — non esauriscono necessariamente le possibilità del Lunar Foundation Model. Proprio la natura generalista del pre-addestramento permette alla comunità scientifica di sperimentare altri compiti attraverso il fine-tuning.
Potrebbero emergere utilizzi legati alla classificazione geologica, al rilevamento di cambiamenti, alla selezione di zone d'interesse o ad altre domande scientifiche ancora da definire. Il valore reale del rilascio open source si misurerà quindi anche in funzione di ciò che gruppi indipendenti riusciranno a costruire nei prossimi mesi e anni.

Dalla Luna a Marte

NASA sta già lavorando a iniziative che guardano più in generale ai foundation model per Luna e Marte. L'idea di fondo è che la quantità di informazioni prodotta dalle missioni planetarie continuerà ad aumentare e che strumenti di intelligenza artificiale potranno diventare una componente ordinaria dell'analisi scientifica.
Marte rappresenta un ambiente ancora più distante e complesso, ma condivide alcune esigenze: enormi archivi di immagini, differenti strumenti, necessità di individuare siti interessanti e difficoltà nel processare manualmente ogni elemento. Le competenze sviluppate con il modello lunare potrebbero quindi contribuire a sistemi futuri destinati ad altri corpi del Sistema Solare.

Una nuova fase per l'intelligenza artificiale scientifica

Il progetto NASA-IBM mostra una faccia dell'IA molto diversa da quella più visibile sui social network. Non genera fotografie decorative né risponde a domande quotidiane: cerca di trasformare petabyte di osservazioni scientifiche in una struttura più facilmente esplorabile dai ricercatori.
È un'applicazione che potrebbe diventare sempre più importante. La scienza moderna produce una quantità di dati così grande che, in molti settori, il limite non è più soltanto la capacità di raccoglierli ma quella di interpretarli. Telescopi, satelliti, sequenziatori e sensori generano informazioni a velocità impossibili da affrontare esclusivamente attraverso analisi manuali.

Il valore sta nell'incontro tra dati, algoritmi e scienziati

Nessuno dei tre elementi è sufficiente da solo. Senza le missioni spaziali non esisterebbero i dati lunari; senza algoritmi moderni sarebbe più difficile analizzarli su scala; senza gli scienziati mancherebbero le domande corrette, la verifica e l'interpretazione fisica dei risultati.
Il NASA-IBM Lunar Foundation Model diventa quindi interessante proprio come punto di incontro. La tecnologia può accelerare la ricerca, ma il suo valore dipenderà dalla capacità della comunità di utilizzarla con rigore scientifico, verificarne i limiti e trasformare le correlazioni individuate dal modello in conoscenza controllabile.

La Luna diventa un enorme laboratorio digitale

A più di mezzo secolo dalle missioni Apollo, l'esplorazione lunare entra così in una fase nella quale intelligenza artificiale e astronautica sono sempre più integrate. Gli astronauti che torneranno sulla superficie nel 2028 esploreranno una Luna osservata per anni da sonde e satelliti e analizzata attraverso strumenti computazionali immensamente più potenti rispetto a quelli disponibili nel secolo scorso.
La differenza non consiste soltanto nei razzi o nelle tute. La nuova esplorazione sarà costruita su mappe digitali, dati multispettrali e modelli di machine learning capaci di aiutare gli scienziati a scegliere dove concentrare l'attenzione prima ancora che una missione lasci la Terra.

Un modello aperto per il prossimo capitolo dell'esplorazione

Il rilascio del NASA-IBM Lunar Foundation Model non rappresenta quindi la scoperta improvvisa di una base lunare ideale né la prova definitiva dell'esistenza di enormi riserve facilmente sfruttabili di ghiaccio. È qualcosa di meno spettacolare ma scientificamente più concreto: una nuova infrastruttura aperta per interrogare in maniera più efficace dati raccolti durante decenni di esplorazione.
Se la strategia funzionerà, i futuri progressi potrebbero nascere non soltanto da un nuovo sensore ma dalla capacità di collegare meglio quelli già utilizzati. È una prospettiva particolarmente importante mentre la Luna torna al centro dei programmi spaziali internazionali. Voi come valutate l'impiego dell'intelligenza artificiale nell'esplorazione spaziale: un passaggio inevitabile della ricerca moderna oppure una tecnologia da utilizzare con maggiori cautele? Lasciate nei commenti la vostra opinione.