L'intelligenza artificiale viene proposta sempre più spesso come strumento per l'astrobiologia. Un futuro rover su Marte, uno strumento che analizzi materiale da una luna ghiacciata o un telescopio che esamini l'atmosfera di un esopianeta potrebbero generare una tale quantità di dati che i sistemi di IA potrebbero aiutare a decidere quali campioni contengano possibili segni di vita.

Un nuovo esperimento mostra perché questo potrebbe andare incontro a un fallimento spettacolare.

I ricercatori della Michigan State University Ankit Gupta e Christoph Adami hanno utilizzato un ambiente di vita artificiale chiamato Avida, in cui piccoli programmi informatici si comportano come organismi digitali. I programmi in grado di copiarsi si riproducono, il loro codice può mutare e le popolazioni si evolvono — permettendo ai ricercatori di studiare le caratteristiche fondamentali della vita senza utilizzare cellule biologiche.

I ricercatori hanno generato decine di migliaia di sequenze digitali, alcune capaci di autoreplicazione e altre incapaci di riprodursi. Hanno poi addestrato una rete neurale a distinguere le due tipologie.

Le sue prestazioni sono apparse straordinarie: 99,97% di accuratezza.

Se l'esperimento si fosse concluso qui, sembrerebbe una dimostrazione convincente del fatto che il machine learning possa identificare sistemi simili alla vita.

In seguito, però, i ricercatori sono usciti deliberatamente dal perimetro dei dati sui quali la rete era stata addestrata.

Partendo da un programma digitale che la rete aveva correttamente classificato come non vivente, hanno progressivamente modificato singole operazioni nel suo codice informatico, mantenendo il programma risultante incapace di autoreplicazione. In alcuni casi, dopo soli 150 tentativi circa, la rete neurale ha cambiato il proprio giudizio e ha classificato il programma non replicante come vivente.

I ricercatori sono riusciti a ingannare il modello indipendentemente dalla sequenza di partenza testata — ottenendo di fatto una percentuale di successo del 100% nel trovare esempi che innescassero una classificazione come falso positivo.

L'IA non aveva appreso il significato astratto di "vita". Aveva imparato schemi statistici associati agli esempi etichettati come viventi.

Questo è un esempio del problema del "out-of-distribution" (fuori distribuzione). I modelli di machine learning possono fornire prestazioni estremamente elevate quando i nuovi input somigliano ai loro dati di addestramento, ma si comportano in modo imprevedibile quando si confrontano con input provenienti da una distribuzione statistica fondamentalmente diversa.

E la biologia extraterrestre rappresenta forse l'ultimo e definitivo problema di fuori distribuzione.

Ogni forma di vita confermata utilizzata per addestrare un'IA biologica proviene da un solo pianeta e da una sola storia evolutiva: la Terra. Gli organismi terrestri condividono la chimica del DNA o dell'RNA, proteine correlate, macchinari cellulari simili e miliardi di anni di antenati comuni.

La vita in altri luoghi non deve necessariamente seguire gli stessi dettagli. Al contrario, una chimica non biologica sconosciuta su un altro pianeta potrebbe accidentalmente somigliare a caratteristiche statistiche che un modello addestrato sulla Terra associa alla vita.

Non esiste una singola biofirma universalmente accettata. Gli scienziati cercano invece combinazioni — chimica organica complessa, modelli isotopici, squilibri atmosferici, strutture, replicazione o archiviazione di informazioni — cercando al contempo di escludere alternative geologiche e chimiche.

I ricercatori non sostengono quindi che l'IA debba essere esclusa dall'astrobiologia. La sua capacità di setacciare enormi set di dati rimane preziosa. Il loro avvertimento riguarda la sicurezza nei risultati.

Un modello può indicare una "probabilità di vita del 99,9%" senza possedere nulla che somigli alla comprensione di uno scienziato sul perché quel segnale sia biologico.

Il lavoro viene presentato alla 2026 Conference on Artificial Life a Waterloo, Canada, che si terrà dal 17 al 21 agosto, a seguito di un precedente preprint dello studio.

La sua lezione si estende ben oltre Marte.

La stessa debolezza si applica quando l'IA valuta la scansione di un tumore insolito, controlla un veicolo autonomo o analizza un'immagine sul campo di battaglia: l'input più pericoloso potrebbe essere proprio quello diverso da qualsiasi cosa la macchina abbia mai visto prima.

Nella ricerca della vita extraterrestre, la prima regola potrebbe quindi essere sorprendentemente terrestre: non permettere mai che il punteggio di affidabilità di un'IA diventi la scoperta stessa.