Un gruppo di ricercatori della Michigan State University ha dimostrato che i modelli di intelligenza artificiale addestrati a riconoscere forme di vita possono essere indotti a rilevare biofirme anche quando non esiste alcun organismo capace di riprodursi. Il risultato evidenzia un rischio concreto di falsi positivi per le future missioni spaziali che utilizzeranno sistemi automatici per analizzare campioni, atmosfere e segnali alla ricerca di vita extraterrestre.
Lo studio è stato realizzato da Ankit Gupta e Christoph Adami e sarà presentato nell’agosto 2026 alla Conference on Artificial Life di Waterloo, in Canada. Il lavoro parte da una difficoltà fondamentale dell’astrobiologia: non esiste una singola caratteristica che dimostri in modo definitivo la presenza della vita. Gli scienziati cercano quindi combinazioni di indizi, come strutture chimiche complesse, metabolismo, capacità di replicazione e presenza di molecole in grado di codificare informazioni. Sulla Terra, questa funzione è svolta soprattutto da molecole a catena come il Dna, capaci di conservare istruzioni e trasmetterle durante la riproduzione.
Le future missioni dirette verso Marte, le lune di Giove e Saturno o le atmosfere degli esopianeti produrranno quantità molto elevate di dati. L’intelligenza artificiale potrà aiutare a individuare schemi difficili da riconoscere manualmente, selezionare i campioni più interessanti e classificare rapidamente possibili tracce biologiche. La ricerca della Michigan State University mostra però che un classificatore molto accurato sui dati di addestramento può diventare vulnerabile quando incontra configurazioni nuove o deliberatamente modificate.
Per studiare il problema, Gupta e Adami hanno utilizzato Avida, un ambiente informatico impiegato da decenni nella ricerca sulla vita artificiale e sull’evoluzione. All’interno del simulatore, gli organismi non sono cellule biologiche, ma programmi digitali costituiti da sequenze di istruzioni. Alcuni di questi programmi possiedono i comandi necessari per copiare il proprio codice e generare nuovi organismi digitali. Durante la replicazione possono verificarsi errori e mutazioni, in modo concettualmente simile alle variazioni che interessano il materiale genetico degli organismi biologici. Altri programmi contengono invece sequenze di operazioni che non permettono l’autoreplicazione. I ricercatori hanno quindi costruito un insieme di dati composto da decine di migliaia di organismi digitali, separandoli tra sistemi capaci e incapaci di riprodursi.
Questi esempi sono stati utilizzati per addestrare una rete neurale a riconoscere la presenza delle istruzioni necessarie alla replicazione. Durante la valutazione iniziale, il modello ha raggiunto un’accuratezza del 99,97 per cento. Un risultato così elevato avrebbe potuto far pensare a un sistema quasi infallibile. Le prove successive hanno però mostrato che la rete neurale non aveva necessariamente imparato il principio generale della vita digitale, ma alcune regolarità statistiche presenti negli esempi utilizzati durante l’addestramento. I ricercatori hanno iniziato da un organismo digitale correttamente classificato come incapace di autoreplicarsi. Hanno poi sostituito gradualmente singole operazioni all’interno del codice, senza introdurre le istruzioni realmente necessarie alla riproduzione.
Dopo appena 150 tentativi, sono riusciti a costruire una sequenza che la rete neurale classificava con elevata sicurezza come organismo capace di replicarsi, anche se il programma continuava a essere privo di questa funzione. L’esperimento rientra nel campo degli attacchi avversariali. In questi casi, un input viene modificato attraverso piccole variazioni selezionate appositamente per spingere il modello verso una classificazione errata.
Le modifiche possono essere difficili da riconoscere per un osservatore umano o, come nel caso di Avida, non alterare la caratteristica sostanziale che il sistema dovrebbe valutare. Il programma digitale restava incapace di riprodursi, ma presentava uno schema che la rete aveva associato alla vita. Secondo Gupta, i ricercatori sono riusciti a ingannare l’intelligenza artificiale nel cento per cento dei casi, indipendentemente dalla sequenza di comandi utilizzata come punto di partenza. Il numero delle configurazioni capaci di provocare una risposta errata è risultato molto elevato.
Questo significa che il problema non riguarda esclusivamente una combinazione rara e costruita artificialmente. Esisterebbe una quantità consistente di sequenze prive di vita che possono ricadere nelle regioni del modello associate all’autoreplicazione. La rete neurale non verifica direttamente se il programma riesca davvero a produrre una copia funzionante di sé stesso. Utilizza invece caratteristiche apprese durante l’addestramento per stimare a quale categoria appartenga la sequenza. Quando un input presenta le caratteristiche statistiche associate alla replicazione, il modello può assegnarlo alla categoria positiva anche se manca il meccanismo funzionale che definisce realmente l’organismo digitale. Il caso dimostra la differenza tra riconoscere uno schema correlato alla vita e verificare direttamente la presenza di un processo biologico o funzionale. Un classificatore può individuare elementi che normalmente accompagnano l’autoreplicazione senza comprendere quale combinazione di istruzioni la renda effettivamente possibile.
La vulnerabilità assume particolare importanza per l’astrobiologia. I dati raccolti su un altro pianeta potrebbero contenere strutture chimiche o segnali mai osservati sulla Terra e quindi molto diversi dai campioni utilizzati per addestrare l’intelligenza artificiale. Un sistema potrebbe interpretare una combinazione insolita di molecole, gas o strutture come prova di attività biologica, assegnandole una probabilità molto elevata. La scoperta potrebbe essere annunciata come possibile segnale di vita e successivamente rivelarsi il risultato di un processo geologico, chimico o atmosferico non biologico.
La storia della ricerca extraterrestre contiene già diversi esempi di segnali inizialmente considerati promettenti e poi ridimensionati. L’introduzione dell’intelligenza artificiale può accelerare l’analisi, ma non elimina il problema dell’ambiguità e può aggiungere una nuova fonte di errori difficili da interpretare. Il rischio è accentuato dalla sicurezza numerica mostrata dai modelli. Una classificazione errata può essere accompagnata da una probabilità vicina al cento per cento, creando l’impressione che il risultato sia più affidabile di quanto sia realmente. La fiducia espressa dal sistema non coincide infatti con la probabilità oggettiva che l’interpretazione sia corretta. Indica soprattutto quanto l’input sia compatibile con le categorie e le regolarità apprese dal modello.
Gupta e Adami intendono ora estendere l’esperimento utilizzando dati reali, invece di organismi generati esclusivamente dal simulatore Avida. L’obiettivo è verificare se reti addestrate su campioni biologici e non biologici concreti possano essere ingannate con la stessa facilità.
I risultati non dimostrano che l’intelligenza artificiale sia inutile nella ricerca della vita extraterrestre. I modelli restano strumenti importanti per analizzare enormi insiemi di dati, individuare anomalie e selezionare segnali che meritano ulteriori approfondimenti. La ricerca indica però che l’output dell’AI non dovrebbe essere trattato come una prova autonoma. Ogni possibile biofirma deve essere verificata attraverso metodi indipendenti, strumenti differenti e valutazioni scientifiche che controllino direttamente le spiegazioni alternative.
Secondo Adami, l’intelligenza artificiale possiede un vero e proprio tallone d’Achille: può individuare uno schema e classificarlo in modo completamente sbagliato. Per questo motivo è necessario mantenere un essere umano nel ciclo decisionale. La supervisione umana non dovrebbe limitarsi ad approvare il risultato finale. Gli scienziati devono conoscere i dati utilizzati per addestrare il modello, valutarne le vulnerabilità, comprendere quali caratteristiche influenzano la classificazione e confrontare le conclusioni con misurazioni indipendenti. Per le missioni spaziali sarà inoltre necessario progettare procedure che non dipendano da un unico classificatore. Una possibile biofirma potrebbe essere analizzata attraverso spettrometri, microscopia, esperimenti chimici, modelli fisici e sistemi AI differenti, riducendo il rischio che un errore comune venga interpretato come una scoperta.
Lo studio mostra quindi che un’accuratezza del 99,97 per cento non garantisce la capacità di riconoscere la vita in condizioni nuove. Un modello può ottenere risultati quasi perfetti sui test convenzionali e continuare a fallire davanti a input costruiti per sfruttarne le scorciatoie statistiche.