Un sistema de inteligencia artificial ha hecho en meses lo que ningún equipo científico había terminado: un mapa completo del cielo en luz ultravioleta. El resultado lo firma Claude Science, el sistema de Anthropic, y lo explica el astrofísico Brice Ménard, de la Universidad Johns Hopkins, en la web de la compañía.
El caso interesa ahora porque no describe un descubrimiento espectacular, sino algo más cotidiano en ciencia: un trabajo de limpieza y fusión de datos que suele quedarse aparcado por lo laborioso que resulta, y que aquí se ha resuelto delegándolo en agentes de IA.
Un hueco de décadas en el mapa del cielo
La luz ultravioleta muestra algo que los telescopios ópticos y el ojo humano no captan: el polvo iluminado por la radiación de las estrellas. Ese polvo aparece en nubes alrededor de astros jóvenes o en los restos de explosiones estelares.
Hasta ahora no existía un mapa completo de este tipo de luz para todo el cielo. La razón es física: la capa de ozono bloquea la radiación ultravioleta, por lo que solo puede medirse desde el espacio. Esto reduce las observaciones a misiones espaciales concretas, cada una con su propia cobertura y sus propias limitaciones.
Lo que dejó sin cubrir la misión GALEX de la NASA
La misión GALEX, de la NASA, llegó a cubrir aproximadamente dos tercios del cielo. Sin embargo, dejó fuera algunas de las regiones más brillantes de formación estelar, zonas especialmente relevantes para estudiar el polvo cósmico y el nacimiento de nuevas estrellas.
El resultado era un mapa con huecos considerables. Completarlo exigía cruzar datos de distintas misiones espaciales, cada una con formatos y calibraciones propias. Se trata de un trabajo técnico, poco vistoso y fácil de postergar para los equipos de investigación.
Cómo coordina Claude Science a sus agentes de IA
Según explica Anthropic, Claude Science coordinó a varios agentes de inteligencia artificial que se dividieron la tarea en tres fases. Primero descargaron los datos de múltiples misiones espaciales. Después los calibraron para hacerlos comparables entre sí. Finalmente, los fusionaron en un único mapa unificado.
Es el tipo de trabajo que puede consumir semanas de dedicación humana sin traducirse en una publicación destacada. Ahí radica el interés del caso: no es un hallazgo científico nuevo, sino una tarea de ingeniería de datos que llevaba tiempo pendiente.
Inpainting: rellenar el cielo que nadie observó
Aun así, quedaban zonas sin medición directa. Para cubrirlas, los agentes aplicaron una técnica llamada inpainting, en la que un modelo aprende de los datos disponibles para estimar los huecos restantes. Es el mismo principio que se usa para restaurar fotografías, aplicado en este caso a mediciones astronómicas.
Conviene tener claro que esa parte reconstruida no equivale a una observación real, sino a una estimación. Por eso el control de calidad resulta clave: en las pruebas realizadas, las predicciones del modelo se desviaron en promedio un 10 % respecto a las mediciones reales. Es un margen de error que debe tenerse en cuenta al trabajar con esas regiones del mapa.
Un mapa pensado para enseñar
Anthropic presenta este mapa como material con fines didácticos. La idea es mostrar cómo la inteligencia artificial puede encargarse de trabajo de datos tedioso que, de otro modo, los investigadores difícilmente llegarían a abordar.
Ménard sugiere que muchos científicos han ido posponiendo proyectos similares por su complejidad, y que la IA podría hacerlos ahora más viables. Es una hipótesis planteada por un investigador en la web de la propia empresa que desarrolla la herramienta, por lo que conviene tomarla como una perspectiva a confirmar, no como un hecho ya demostrado a gran escala.
Qué puede llevarse de este mapa ultravioleta
Para quienes trabajan con datos procedentes de varias fuentes, el proyecto deja algunas pautas prácticas:
Vale la pena revisar qué proyectos propios están aparcados por el coste de preparar y calibrar datos de distintas procedencias. Es precisamente el tipo de tarea que en este caso se delegó en agentes de IA.
Si se utilizan datos reconstruidos mediante inpainting, conviene comprobar cuánto se desvían de las mediciones reales. En este mapa, la desviación media rondó el 10 %.
El contexto del proyecto
Es importante distinguir entre zonas medidas directamente y zonas estimadas antes de extraer conclusiones. Una región rellenada por un modelo no equivale a una observación directa del cielo.
Un ejemplo ilustra la utilidad práctica: un grupo que estudie el polvo alrededor de una región de formación estelar que GALEX no llegó a registrar podría ahora partir de un mapa continuo, en lugar de tener que construir su propia fusión de datos desde cero.
Qué implica para la investigación astronómica
Para quienes investigan, este mapa supone una referencia completa del cielo en ultravioleta con la que contrastar datos propios, además de un ejemplo concreto de cómo repartir entre agentes de IA tareas como la descarga, calibración y fusión de fuentes dispersas. Para quienes quieran utilizarlo, resulta recomendable consultar la documentación publicada por Anthropic y por Ménard para identificar qué zonas corresponden a mediciones directas y cuáles a estimaciones generadas por el modelo.
Preguntas frecuentes
¿Qué es Claude Science?
Es el sistema de Anthropic que coordinó a varios agentes de inteligencia artificial para descargar, calibrar y fusionar datos de distintas misiones espaciales hasta producir el primer mapa completo del cielo en luz ultravioleta.
¿Por qué no existía antes un mapa ultravioleta completo del cielo?
Porque la capa de ozono bloquea la radiación ultravioleta y solo puede medirse desde el espacio, lo que limitaba las observaciones a misiones concretas con coberturas y formatos distintos, difíciles de combinar.
¿Qué zonas dejó sin cubrir la misión GALEX de la NASA?
GALEX cubrió aproximadamente dos tercios del cielo, pero omitió regiones brillantes de formación estelar, algunas de las más relevantes para estudiar el polvo cósmico y el nacimiento de estrellas.
¿Qué es el inpainting aplicado en este mapa?
Es una técnica mediante la cual un modelo aprende de los datos existentes para reconstruir estimaciones en las zonas sin mediciones directas, de forma similar a como se restauran fotografías dañadas.
¿Qué margen de error tienen las zonas reconstruidas del mapa?
Según las pruebas descritas por Anthropic, las predicciones del modelo en las zonas estimadas se desviaron en promedio un 10 % respecto a las mediciones reales.
¿Para qué sirve este mapa ultravioleta del cielo?
Anthropic lo presenta como material didáctico que muestra cómo la IA puede asumir trabajo de datos tedioso, permitiendo a investigadores contar con un mapa continuo en lugar de construir sus propias fusiones de datos dispersos.
Samuel Gil es especialista en infraestructura tecnológica, administración de servidores y desarrollo de servicios digitales. Con una sólida trayectoria en entornos web de alta exigencia, optimización de servidores y gestión de arquitecturas de red, Samuel dedica su labor en faq-box.com a desglosar cuestiones técnicas complejas para convertirlas en guías prácticas, transparentes y de alto valor técnico.
Su enfoque editorial prioriza el rigor, la seguridad en los sistemas y la resolución eficiente de problemas técnicos cotidianos y avanzados. A través de sus análisis, busca ofrecer respuestas directas y contrastadas para profesionales y entusiastas del sector tecnológico.
Cuenta con una sólida formación en el área tecnológica, destacando su especialización a través del Máster en Inteligencia Artificial Aplicada a la Gestión Empresarial y el MBA in Digital Transformation & Artificial Intelligence de ISEEN.EU, lo que aporta un rigor técnico avanzado a cada análisis de desarrollo y arquitectura digital.
