ИИ ошибочно принимает земные объекты за инопланетную жизнь: проблема для поиска внеземных цивилизаций

Искусственный интеллект, призванный ускорить поиск внеземных цивилизаций, может стать источником ложных надежд. Учёные обнаружили, что современные алгоритмы машинного обучения, обученные распознавать признаки инопланетной жизни, с высокой вероятностью ошибочно принимают за неё обычные земные объекты. Это открытие, опубликованное в журнале Nature Astronomy, ставит под сомнение надёжность автоматизированного анализа данных в астробиологии и SETI. Ошибки нейросетей могут привести к неверному расходованию ресурсов и преждевременным заявлениям об открытии, что особенно критично в условиях ограниченного финансирования научных проектов.

Как ИИ путает земные объекты с инопланетными

Исследователи из Калифорнийского университета в Санта-Круз протестировали несколько моделей глубокого обучения на наборе данных, содержащем изображения и спектры как земных, так и потенциально внеземных образцов. Результаты оказались тревожными: алгоритмы с высокой точностью определяли как инопланетные объекты, которые на самом деле были земными минералами, микробами или даже промышленными загрязнителями. Например, спектр обычного кварца был классифицирован как биосигнатура с вероятностью 90%. «Это очень серьёзная уязвимость», — отмечает ведущий автор исследования, астробиолог Дэвид Кэтлинг. Он подчёркивает, что проблема не в несовершенстве ИИ как такового, а в ограниченности обучающих данных и неспособности моделей учитывать контекст.

Почему ИИ так легко обмануть?

Основная причина кроется в обучающих данных. Алгоритмы тренируются на известных биосигнатурах, но не учитывают всё разнообразие земных абиотических процессов. Например, некоторые минералы или химические соединения, образующиеся в результате вулканической активности, могут имитировать спектры, характерные для жизни. Кроме того, модели не способны правильно интерпретировать контекст: если объект найден в необычной среде, ИИ склонен приписывать ему внеземное происхождение. «Мы должны быть осторожны, доверяя чёрному ящику», — добавляет Кэтлинг. Эта проблема усугубляется тем, что многие алгоритмы работают как «чёрные ящики»: даже разработчики не всегда понимают, почему модель приняла то или иное решение.

Предыстория и контекст проблемы

Проблема ложных срабатываний не нова для поиска внеземной жизни. Ещё в 1996 году учёные заявили об обнаружении окаменелых бактерий в марсианском метеорите ALH84001, но позже это опровергли. С развитием ИИ ожидалось, что алгоритмы смогут более точно отсеивать шум и артефакты. Однако новое исследование показывает, что нейросети могут «переучиваться» на ограниченных данных, принимая редкие земные явления за внеземные. Это особенно критично в контексте миссий, таких как Mars 2020 и Europa Clipper, где автоматический анализ данных играет ключевую роль. В истории SETI уже были случаи, когда ложные сигналы вызывали ажиотаж, например, знаменитый сигнал «Wow!» в 1977 году, который так и не был объяснён.

Какие ещё примеры ложных срабатываний известны?

Помимо кварца, алгоритмы ошибочно классифицировали как инопланетные образцы обычной плесени и даже частицы сажи от промышленных выбросов. В одном из тестов модель с вероятностью 95% определила как биосигнатуру спектр полициклических ароматических углеводородов, которые широко распространены на Земле в результате горения. Это показывает, что ИИ не способен отличить биогенные соединения от абиогенных, если их спектры схожи. Такие ошибки могут привести к тому, что будущие миссии будут тратить время на анализ заведомо земных объектов, доставленных на другие планеты в виде загрязнений.

Технические детали эксперимента

В ходе исследования учёные использовали свёрточные нейронные сети (CNN) и модели на основе трансформеров, обученные на наборе данных из 10 000 спектров и изображений. Тестовые образцы включали земные породы, биологические материалы (бактерии, лишайники) и синтетические соединения. Алгоритмы показали точность 85% при различении живых и неживых объектов, но при этом 30% земных образцов были ошибочно отнесены к категории «внеземная жизнь». Особенно плохо модели справлялись с образцами, содержащими сложные органические молекулы, такие как полициклические ароматические углеводороды, которые встречаются как на Земле, так и в космосе. Учёные также выяснили, что увеличение размера обучающей выборки не решает проблему: модели просто запоминали больше примеров, но не учились обобщать.

Кого затронет эта проблема

В первую очередь, исследователей в области астробиологии и SETI. Ложные срабатывания могут привести к неверному расходованию ресурсов на проверку сигналов, а также к преждевременным заявлениям об открытии, которые затем будут опровергнуты. Для космических агентств, таких как NASA и ESA, это означает необходимость более тщательной валидации данных перед публикацией. В России и СНГ проблема также актуальна: проекты по поиску внеземной жизни, например, в рамках программы «ЭкзоМарс», полагаются на автоматический анализ, и ошибки ИИ могут замедлить прогресс. Кроме того, ложные срабатывания подрывают доверие общественности к научным методам, что особенно опасно в эпоху распространения дезинформации.

Как это повлияет на будущие миссии?

Миссии, такие как Mars 2020 с его инструментом SHERLOC, который ищет органические соединения, могут столкнуться с проблемой интерпретации данных. Если ИИ будет ошибочно сигнализировать о наличии биосигнатур, это может привести к неверному выбору места для сбора образцов или к задержкам в анализе. В случае с Europa Clipper, который будет искать признаки жизни в подлёдном океане Европы, ложные срабатывания могут быть особенно дорогостоящими, так как проверка каждого сигнала потребует дополнительных манёвров и ресурсов.

Что будет дальше

Исследователи предлагают несколько путей решения. Во-первых, расширить обучающие наборы данных, включив в них больше «ложных» образцов — земных объектов, которые могут имитировать биосигнатуры. Во-вторых, разработать гибридные подходы, комбинирующие ИИ с традиционными статистическими методами. В-третьих, ввести «человека в цикле» для проверки подозрительных находок. Кэтлинг надеется, что его работа привлечёт внимание к уязвимостям и стимулирует создание более надёжных алгоритмов. В ближайшие годы ожидается появление новых моделей, устойчивых к ложным срабатываниям, возможно, с использованием методов объяснимого ИИ, которые позволят понять, почему модель приняла то или иное решение.

Итог

Искусственный интеллект — мощный инструмент для поиска внеземной жизни, но его слепое доверие может привести к ошибкам. Пока алгоритмы не научатся отличать настоящие биосигнатуры от земных имитаций, каждое потенциальное открытие будет требовать тщательной проверки. Следить за этой темой стоит всем, кто интересуется астробиологией: возможно, следующее «открытие» инопланетян окажется просто ошибкой нейросети. Однако учёные настроены оптимистично: выявление уязвимостей — первый шаг к их устранению, и будущие алгоритмы будут гораздо надёжнее.