A mesterséges intelligenciát egyre gyakrabban javasolják az asztrobiológia eszközeként. Egy jövőbeli Mars-járó, egy jeges holdról származó anyagot elemző műszer vagy egy exobolygó légkörét vizsgáló távcső annyi adatot generálhat, hogy az MI-rendszerek segíthetnek eldönteni, mely minták tartalmazhatják az élet lehetséges jeleit.

Egy új kísérlet azonban rávilágít arra, miért sülhet el ez látványosan rosszul.

A Michigan State University kutatói, Ankit Gupta és Christoph Adami az Avida nevű mesterségesélet-környezetet használták, amelyben apró számítógépes programok digitális organizmusokként viselkednek. Az önmásolásra képes programok szaporodnak, kódjuk mutálódhat, a populációk pedig fejlődnek – lehetővé téve a kutatók számára az élet alapvető jellemzőinek tanulmányozását biológiai sejtek használata nélkül.

A kutatók több tízezer digitális szekvenciát generáltak, amelyek egy része képes volt az önreplikációra, míg mások nem. Ezt követően egy neurális hálózatot tanítottak be a két csoport megkülönböztetésére.

A teljesítménye rendkívülinek tűnt: 99,97%-os pontosságot ért el.

Ha a kísérlet itt véget ért volna, meggyőző bizonyítéknak tűnne arra, hogy a gépi tanulás képes az életszerű rendszerek azonosítására.

Ezt követően azonban a kutatók szándékosan kiléptek abból az adattartományból, amelyen a hálózatot betanították.

Egy olyan digitális programból kiindulva, amelyet a hálózat helyesen nem-élőnek minősített, fokozatosan módosították a számítógépes kód egyes műveleteit, miközben a kapott program továbbra is képtelen maradt az önreplikációra. Egyes esetekben mindössze 150 próbálkozás után a neurális hálózat megváltoztatta az ítéletét, és élőnek minősítette a nem szaporodó programot.

A kutatók bármelyik vizsgált kezdősorozat esetén képesek voltak becsapni a modellt – gyakorlatilag 100%-os sikerrel találtak olyan példákat, amelyek téves pozitív osztályozást váltottak ki.

Az MI nem az „élet” absztrakt jelentését tanulta meg. Ehelyett az élőnek címkézett példákhoz társított statisztikai mintázatokat sajátította el.

Ez az úgynevezett „eloszláson kívüli” (out-of-distribution) probléma iskolapéldája. A gépi tanulási modellek rendkívül jól teljesíthetnek, ha az új bemenetek hasonlítanak a tanítóadataikra, ám kiszámíthatatlanul viselkednek, amikor alapvetően eltérő statisztikai eloszlású adatokkal szembesülnek.

A földönkívüli biológia pedig talán a végső „eloszláson kívüli” problémát képviseli.

Minden egyes megerősített életforma, amelyet egy biológiai MI betanításához használnak, egyetlen bolygóról és egyetlen evolúciós történetből származik: a Földről. A földi organizmusok közös DNS- vagy RNS-kémián, rokon fehérjéken, hasonló sejtszintű gépezeteken és több milliárd éves közös ősökön osztoznak.

Máshol az életnek nem feltétlenül kell ugyanezeket a részleteket követnie. Ezzel szemben egy másik bolygó ismeretlen, nem biológiai kémiája véletlenül hasonlíthat olyan statisztikai jellemzőkre, amelyeket egy Földön szocializálódott modell az élettel társít.

Nincs egyetlen, általánosan elfogadott biojelzés. A tudósok ehelyett kombinációkat keresnek – összetett szerves kémiát, izotópmintázatokat, légköri egyensúlyhiányt, struktúrákat, replikációt vagy információtárolást –, miközben igyekeznek kizárni a geológiai és kémiai alternatívákat.

A kutatók ezért nem amellett érvelnek, hogy az MI-t ki kellene iktatni az asztrobiológiából. Hatalmas adathalmazok átfésülésére való képessége továbbra is értékes. Figyelmeztetésük a bizalom mértékére vonatkozik.

Egy modell mondhatja azt, hogy „99,9% az élet valószínűsége” anélkül, hogy bármi olyasmivel rendelkezne, ami hasonlítana egy tudós megértéséhez arról, hogy a jel miért biológiai eredetű.

A munkát a kanadai Waterlooban rendezett 2026-os Conference on Artificial Life konferencián mutatják be augusztus 17. és 21. között, a tanulmány korábbi előzetes közlését követően.

A tanulság messze túlmutat a Marson.

Ugyanez a gyengeség érvényes akkor is, amikor az MI egy szokatlan daganatos leletet értékel, önvezető járművet irányít vagy harctéri felvételeket elemez: a legveszélyesebb bemenet éppen az lehet, amely semmihez sem hasonlít, amit a gép korábban látott.

A földönkívüli élet kutatása során ezért az első szabály meglepően földhözragadt lehet: soha ne hagyjuk, hogy egy MI magabiztossági pontszáma maga legyen a felfedezés.