Künstliche Intelligenz wird zunehmend als Werkzeug für die Astrobiologie vorgeschlagen. Ein zukünftiger Mars-Rover, ein Instrument zur Analyse von Material eines Eismondes oder ein Teleskop, das die Atmosphäre eines Exoplaneten untersucht, könnte so große Datenmengen erzeugen, dass KI-Systeme bei der Entscheidung helfen könnten, welche Proben mögliche Anzeichen von Leben enthalten.

Ein neues Experiment zeigt nun, warum das spektakulär schiefgehen könnte.

Die Forscher Ankit Gupta und Christoph Adami von der Michigan State University nutzten eine Umgebung für künstliches Leben namens Avida, in der sich kleine Computerprogramme wie digitale Organismen verhalten. Programme, die in der Lage sind, sich selbst zu kopieren, pflanzen sich fort, ihr Code kann mutieren und Populationen entwickeln sich – was es Forschern ermöglicht, grundlegende Merkmale des Lebens zu untersuchen, ohne biologische Zellen zu verwenden.

Die Forscher generierten zehntausende digitale Sequenzen, von denen einige zur Selbstreplikation fähig waren und andere nicht. Anschließend trainierten sie ein neuronales Netzwerk darauf, zwischen beiden zu unterscheiden.

Dessen Leistung schien außergewöhnlich: 99,97 % Genauigkeit.

Wäre das Experiment an dieser Stelle beendet gewesen, hätte es wie eine überzeugende Demonstration gewirkt, dass maschinelles Lernen lebensähnliche Systeme identifizieren kann.

Dann bewegten sich die Forscher jedoch bewusst außerhalb des Datentyps, auf dem das Netzwerk trainiert worden war.

Ausgehend von einem digitalen Programm, das das Netzwerk korrekt als nicht lebendig klassifiziert hatte, änderten sie schrittweise einzelne Operationen in dessen Computercode, während das resultierende Programm weiterhin unfähig zur Selbstreplikation blieb. In einigen Fällen änderte das neuronale Netzwerk bereits nach etwa 150 Versuchen sein Urteil und stufte das nicht-replizierende Programm als lebendig ein.

Die Forscher konnten das Modell unabhängig von der getesteten Startsequenz täuschen – und erreichten damit faktisch eine 100-prozentige Erfolgsquote beim Finden von Beispielen, die eine falsch-positive Klassifizierung auslösten.

Die KI hatte nicht die abstrakte Bedeutung von „Leben“ gelernt. Sie hatte statistische Muster gelernt, die mit den als lebendig gekennzeichneten Beispielen assoziiert waren.

Dies ist ein Beispiel für das Problem der Daten außerhalb der Verteilung (Out-of-Distribution). Modelle für maschinelles Lernen können extrem gut abschneiden, wenn neue Eingaben ihren Trainingsdaten ähneln, verhalten sich jedoch unvorhersehbar, wenn sie mit Eingaben konfrontiert werden, die einer grundlegend anderen statistischen Verteilung entstammen.

Und extraterrestrische Biologie stellt vielleicht das ultimative Out-of-Distribution-Problem dar.

Jede bestätigte Lebensform, die zum Trainieren einer biologischen KI verwendet wird, stammt von einem einzigen Planeten und aus einer einzigen Evolutionsgeschichte: der Erde. Terrestrische Organismen teilen die DNA- oder RNA-Chemie, verwandte Proteine, eine ähnliche zelluläre Maschinerie und Milliarden von Jahren gemeinsamer Abstammung.

Leben an einem anderen Ort muss nicht denselben Details folgen. Umgekehrt könnte eine fremdartige, nicht-biologische Chemie auf einem anderen Planeten zufällig statistischen Merkmalen ähneln, die ein auf der Erde trainiertes Modell mit Leben assoziiert.

Es gibt keine einzelne, universell anerkannte Biosignatur. Wissenschaftler suchen stattdessen nach Kombinationen – komplexe organische Chemie, Isotopenmuster, atmosphärisches Ungleichgewicht, Strukturen, Replikation oder Informationsspeicherung – während sie versuchen, geologische und chemische Alternativen auszuschließen.

Die Forscher argumentieren daher nicht, dass KI aus der Astrobiologie entfernt werden sollte. Ihre Fähigkeit, enorme Datensätze zu sichten, bleibt wertvoll. Ihre Warnung gilt dem Vertrauen in diese Systeme.

Ein Modell kann eine „99,9%ige Wahrscheinlichkeit für Leben“ angeben, ohne auch nur ansatzweise das Verständnis eines Wissenschaftlers darüber zu besitzen, warum das Signal biologisch ist.

Die Arbeit wird auf der 2026 Conference on Artificial Life in Waterloo, Kanada, präsentiert, die vom 17. bis 21. August stattfindet, nachdem zuvor ein Preprint der Studie veröffentlicht wurde.

Die Lehre daraus reicht weit über den Mars hinaus.

Dieselbe Schwäche zeigt sich, wenn eine KI einen ungewöhnlichen Tumorscan auswertet, ein autonomes Fahrzeug steuert oder ein Schlachtfeldbild bewertet: Die gefährlichste Eingabe könnte genau jene sein, die nichts ähnelt, was die Maschine zuvor gesehen hat.

Bei der Suche nach extraterrestrischem Leben könnte die erste Regel daher überraschend irdisch sein: Man darf niemals zulassen, dass der Konfidenzwert einer KI selbst zur Entdeckung wird.