« Elle se trompe dans 100% des cas » : l'IA entraînée pour reconnaître les traces de vie extraterrestre est un fiasco

Les agences spatiales comme la NASA ou l'ESA misent sur l'intelligence artificielle (IA) pour analyser des échantillons prélevés sur d'autres planètes, comme Mars ou Europe (une lune de Jupiter), afin d'y détecter des traces de vie extraterrestre. L'IA est entraînée à reconnaître des molécules ou des structures chimiques spécifiques associées à des processus biologiques. Par exemple, elle pourrait identifier des acides aminés, des éléments de base de la vie telle que nous la connaissons, ou des gaz comme l'oxygène ou le méthane, souvent liés à une activité biologique. L'objectif est de filtrer rapidement des données massives collectées par des robots ou des sondes spatiales, sans avoir à tout analyser manuellement, une tâche longue et coûteuse. Cependant, cette approche rencontre un obstacle majeur : l'IA actuelle échoue systématiquement à distinguer correctement les traces de vie des faux positifs.

Lors de tests rigoureux, l'IA spécialisée dans la détection de vie extraterrestre a commis des erreurs dans 100% des cas. Autrement dit, elle n'a jamais réussi à identifier correctement une trace de vie ou à écarter un faux positif. Les chercheurs ont utilisé des échantillons de roches terrestres contenant des minéraux ou des molécules similaires à ceux que l'on pourrait trouver sur d'autres planètes, mais sans aucune trace de vie. L'IA a systématiquement classé ces échantillons comme contenant des indices de vie, alors qu'ils n'en contenaient pas. À l'inverse, elle a aussi échoué à reconnaître des échantillons réels de vie microbienne, les classant comme stériles. Ces résultats montrent que l'IA actuelle n'est pas fiable pour cette tâche, malgré des années de développement et des algorithmes sophistiqués.

Les échecs de l'IA s'expliquent par plusieurs limites techniques et conceptuelles. D'abord, les données utilisées pour l'entraîner ne sont pas représentatives de la diversité des environnements extraterrestres. Les scientifiques disposent de peu d'échantillons réels de vie extraterrestre pour entraîner les modèles, car nous n'en avons pas encore découvert. Ils doivent donc se contenter de données terrestres, qui ne reflètent pas les conditions extrêmes (froid, radiation, pression) ou les formes de vie potentielles très différentes de celles connues sur Terre. Ensuite, les algorithmes d'IA actuels, même avancés, peinent à distinguer des signaux biologiques subtils des processus géochimiques ou minéraux. Par exemple, certains minéraux peuvent produire des molécules similaires à celles produites par des organismes vivants, ce qui trompe les modèles. Enfin, l'IA manque de contexte : elle analyse des données locales sans comprendre l'environnement global, ce qui limite sa capacité à interpréter correctement les résultats.

Ces résultats ont des répercussions directes sur les missions spatiales en cours ou prévues. Par exemple, des missions comme Mars Sample Return (retour d'échantillons martiens) ou les explorations d'Europe (lune de Jupiter) comptaient sur l'IA pour analyser rapidement les prélèvements et guider les décisions des scientifiques. Avec une IA aussi peu fiable, les chercheurs devront désormais privilégier des analyses humaines, ce qui ralentit considérablement le processus et augmente les coûts. De plus, cela remet en question la stratégie de certaines agences spatiales, qui misaient sur l'IA pour réduire la dépendance aux laboratoires terrestres, limités en capacité. À court terme, les missions pourraient devoir se contenter de méthodes plus traditionnelles, comme la microscopie ou la spectrométrie, pour éviter les erreurs de détection. À plus long terme, ces échecs soulignent la nécessité de développer des IA plus robustes, capables de s'adapter à des environnements inconnus et de distinguer des signaux biologiques subtils.