La NASA prueba modelos de Anthropic para planificar rutas del rover Perseverance en Marte

Qué hizo la IA en las maniobras del rover

El Jet Propulsion Laboratory (JPL) de la NASA anunció que el rover Perseverance completó dos conducciones en Marte —el 8 y el 10 de diciembre de 2025— cuya planificación incluyó propuestas de waypoints generadas por modelos de inteligencia artificial de Anthropic (conocidos como Claude). En la primera jornada el rover avanzó unos 210 metros y en la segunda alrededor de 246 metros; en total, algo más de 400 metros en dos días.

En la prueba, los modelos con capacidad visual propusieron ubicaciones intermedias (waypoints) que luego el equipo del JPL validó y utilizó para construir el plan de conducción enviado al vehículo. El experimento se realizó dentro del cráter Jezero y contó con supervisión humana en el centro de operaciones del rover en JPL.

Contexto histórico y por qué importa

La exploración planetaria ha incorporado elementos de autonomía desde hace décadas, principalmente para salvar la latencia de las comunicaciones entre la Tierra y otros cuerpos celestes. Marte está, de media, a unos 225 millones de kilómetros de la Tierra, una distancia que impide el control en tiempo real y obliga a operar por tramos: analizar imágenes y datos, trazar rutas y enviar instrucciones a través de la Red del Espacio Profundo.

Rovers como Curiosity y Perseverance ya emplean sistemas de navegación autónoma para evitar obstáculos y optimizar trayectorias a corto plazo, pero la introducción de modelos de lenguaje e imagen a gran escala en el ciclo de planificación supone un cambio cualitativo: en lugar de limitarse a reglas y algoritmos explícitos desarrollados por ingenieros, se exploran sistemas que interpretan datos visuales y proponen acciones complejas atendiendo a patrones aprendidos.

“Tecnologías autónomas como esta pueden ayudar a las misiones a operar de manera más eficiente, responder a terrenos desafiantes y aumentar el rendimiento científico a medida que aumenta la distancia de la Tierra.” — Jared Isaacman, administrador de la NASA.

Análisis técnico y comentario para profesionales

Desde la perspectiva de ingeniería, la prueba es relevante por tres motivos técnicos clave:

• Integración humano-IA: el experimento mantiene a los operadores humanos en el bucle. Los waypoints generados por IA no se ejecutaron de forma autónoma sin supervisión, lo que reduce riesgos inmediatos y permite recoger datos de rendimiento en condiciones reales.
• Capacidad visual en el modelo: usar modelos con entrada visual para interpretar el terreno y proponer waypoints representa un paso hacia sistemas que combinan percepción compleja con planificación, en contraste con las heurísticas de navegación tradicionales.
• Validación operativa en Marte: comprobar el comportamiento de la IA en el terreno real, con las restricciones de comunicación y condiciones del suelo marciano, ofrece información práctica que la simulación no siempre puede reproducir.

Para equipos que diseñan o integran ML/IA en sistemas críticos, los aprendizajes inmediatos incluyen:

• La necesidad de pipelines robustos de validación en simulador y en pruebas de campo antes del despliegue operativo.
• Controles explícitos de incertidumbre: los modelos deben entregar medidas de confianza y escenarios alternativos que los ingenieros puedan evaluar.
• Versionado y trazabilidad estricta del modelo y datos de entrenamiento para auditoría y diagnóstico posterior a incidentes.

Riesgos, implicaciones y recomendaciones prácticas

Incorporar modelos de IA en la planificación de vehículos espaciales abre oportunidades, pero también riesgos operativos y estratégicos. A continuación se resumen los principales y se proponen acciones concretas.

• Riesgo de interpretación errónea o “alucinaciones”:

  Los modelos pueden proponer waypoints que no correspondan exactamente con la realidad física por sesgos en los datos o límites del entrenamiento.

  Recomendaciones:

  • Exigir salidas acompañadas de métricas de confianza y contra-evidencias extraídas de sensores redundantes.
  • Operar inicialmente en segmentos de bajo riesgo y con supervisión humana intensiva.
• Dependencia de proveedores comerciales:

  El uso de modelos de Anthropic subraya la dependencia de tecnologías comerciales. Esto plantea preguntas sobre licencias, continuidad del servicio y seguridad de la cadena de suministro.

  Recomendaciones:

  • Establecer acuerdos de servicio, opciones de despliegue on-premise o paquetes reproducibles y auditables.
  • Aplicar hardening del software y revisiones de seguridad del proveedor.
• Certificación y verificación:

  Los sistemas que influyen en decisiones físicas exigen procesos de certificación más estrictos que los habituales para modelos de investigación.

  Recomendaciones:

  • Integrar pruebas formales, verificación basada en propiedades (safety envelopes) y campañas de ensayo bajo condiciones límite y adversas.
  • Mantener un registro detallado de telemetría y decisiones para permitir análisis forense.
• Riesgo de sobreconfianza operativa:

  El éxito de pruebas limitadas puede conducir a escalado prematuro. La autonomía parcial debe gestionarse con políticas operativas claras.

  Recomendaciones:

  • Definir reglas de engagement: cuándo la IA propone acciones, y cuándo los operadores deben intervenir obligatoriamente.
  • Planificar rollback y modos seguros que desactiven propuestas de IA si la incertidumbre supera umbrales predefinidos.

Casos comparables y estadísticas relevantes

Si bien este experimento del JPL es el primero documentado en el que modelos de Anthropic participaron en la planificación de waypoints para conducciones en Marte, existen antecedentes de uso de autonomía en exploración planetaria y aeroespacial:

• Rovers anteriores ya emplean navegación autónoma local para evitar obstáculos y optimizar trayectorias a corto plazo; la novedad aquí es la propuesta de waypoints por modelos de IA con capacidad visual.
• En otras áreas del sector espacial, se han probado técnicas de aprendizaje automático para clasificación de imágenes, gestión de recursos y detección de anomalías en satélites, lo que muestra una tendencia más amplia a incorporar ML en operaciones críticas.

Las cifras concretas del hito son claras y modestamente significativas: 210 m el 8 de diciembre y 246 m el 10 de diciembre de 2025, totalizando algo más de 450 metros. No son distancias épicas, pero sí pruebas de concepto que permiten validar integraciones y recopilar telemetría operativa real.

Conclusión

La demostración del JPL con modelos de Anthropic para proponer waypoints en Perseverance marca un paso medido hacia mayor autonomía en exploración planetaria. La contribución principal no es el aumento inmediato de distancia recorrida, sino la validación de un patrón operativo en el que modelos de IA con entrada visual colaboran con ingenieros humanos para planificar movimientos en un entorno extremo.

Para avanzar de forma segura, conviene combinar pruebas en simulador y en terreno, métricas de incertidumbre, trazabilidad del software y políticas operativas que mantengan al humano en el bucle hasta que la robustez del sistema esté sólidamente demostrada. La integración de IA promete aumentar eficiencia y capacidades científicas, pero su adopción debe gestionarse con controles técnicos y contractuales estrictos.

Source: www.xataka.com