Le rêve de trouver des voisins parmi les étoiles est puissant. Les méthodes que nous utilisons pour les trouver ? Potentiellement défectueux.
L’intelligence artificielle est aux prises avec des choses qu’elle n’a jamais vues auparavant. Deux chercheurs de la Michigan State University, Christoph Adami et Ankit Gupta, l’ont prouvé dans une simulation. Ils ont testé la capacité de l’IA à détecter la vie en dehors des frontières de notre planète.
Le résultat n’était pas joli pour la machine.
L’IA a un « talon d’Achille ». C’est la tendance à mal classer des données inconnues. Adami appelle ces échantillons « hors distribution ». Mettre un microbe extraterrestre devant un robot formé uniquement à la biologie terrestre ? Il ne saura pas ce qui se passe. La machine pourrait simplement halluciner une forme de vie sortie de nulle part.
“Nous avions déjà constaté que l’IA avait un énorme angle mort lorsqu’elle traitait des données, contrairement à son ensemble de formation”, a expliqué Adami. Il est incroyablement facile de tromper l’algorithme pour qu’il voie la vie là où il n’y en a pas.
La biologie numérique comme test de stress
Comment tester l’inconnu ? Vous avez besoin d’une vérité terrain.
Adami utilise Avida, un environnement numérique évolutif. Lancé en 1993, il abrite des programmes informatiques qui se comportent comme des organismes. Ils se répliquent. Ils sont en compétition pour les cycles CPU. Ils évoluent. Il s’agit d’un code se faisant passer pour une vie carbonée, mais à des fins de test, il fournit un ensemble de données massif et étiqueté.
Les formes de vie et les programmes non-vie partagent des structures de codage très similaires. Les différences sont subtiles. Cela imite la réalité de l’astrobiologie. Les extraterrestres ne nous ressembleraient probablement pas. Ils n’utiliseront peut-être même pas l’ADN. Mais l’empreinte digitale informatique pourrait encore nous ressembler suspectement.
Le duo a passé trois mois à analyser 1 000 machines parallèles. Leur tâche ? Apprenez à une IA à distinguer le code représentant la vie du code qui ne la représente pas.
Ils ont commencé avec des séquences moléculaires aléatoires. Ensuite, ils ont modifié une chose à la fois. L’objectif était infaillible : faire en sorte que la séquence non-vie ressemble de plus en plus à la vie pour l’algorithme.
“En 15 changements environ… nous pourrions amener l’IA à être parfaitement confiante dans une classification de vie”, a déclaré Adami.
La confiance a atteint son paroxysme. La précision a atteint son point le plus bas.
Avec un niveau de confiance de 100 %, le programme n’identifiait jamais la vie réelle. C’était voir des fantômes. Cela s’est produit de manière cohérente dans toutes les séquences de départ.
La pomme, la banane et le microbe
Pourquoi est-ce important ?
L’IA est fantastique pour traiter les modèles de données que nous comprenons. C’est inestimable pour filtrer le bruit. Mais cela nécessite du contexte.
“Si vous interrogez une IA sur quelque chose à partir de ses données d’entraînement, elle est généralement correcte”, a noté Adami. Entraînez-le à identifier les pommes. Lui montrer plus de pommes ? Ça marche. Lui montrer des bananes ? Confusion. La banane est « hors distribution ». Forme différente. Différentes fonctionnalités. L’IA manque de points de référence pour porter un jugement valable.
Nous sommes confrontés exactement au même problème avec les microbes extraterrestres.
Nous n’avons aucune idée de ce à quoi ressemblera biologiquement la vie extraterrestre. Il pourrait être radicalement différent des organismes terrestres. Par conséquent, il s’agit de données « hors distribution » pour nos modèles d’IA actuels. Il n’y a pas de données d’entraînement pour cela. L’IA n’a aucun contexte pour vérifier si un groupe spécifique de molécules est réellement vivant ou simplement chimiquement bruyant.
“Vous devez connaître vos données d’entraînement”, a déclaré Adami. “Si les données des tests proviennent de la même distribution que celle de l’entraînement, tout ira bien. Vous ne pouvez pas garantir cela avec la biologie extraterrestre.”
Missions spatiales et pièges à spécifications de masse
Ce n’est pas seulement un risque théorique. Cela affecte les missions à venir.
Imaginez un rover sur Mars forant un rocher. Il trouve une structure. Si le robot voit une goutte reconnaissable ressemblant à une cellule, nous pouvons le vérifier. Nous pouvons le tester avec des bains chimiques et par microscopie. Les données sont directes.
Mais la visualisation directe est l’exception et non la règle.
Les recherches futures reposent sur la spectrométrie de masse. Ils recherchent des processus moléculaires dans des atmosphères comme Vénus, sous la glace des océans européens ou sur des exoplanètes lointaines observées par le projet Habitable Worlds Observatory de la NASA (visé pour la fenêtre de lancement de 2040).
Les données seront des signatures chimiques complexes et non des photos haute résolution.
“Si une IA en mission analyse les données de spectrométrie de masse… elle pourrait rendre un verdict positif pour la vie sans aucun rapport avec la vie réelle”, a prévenu Adami. La machine annoncera en toute confiance une découverte. La découverte sera fausse. Le signal est un mimétisme non biologique, et l’IA, manquant de contexte pour une véritable biologie extraterrestre, se laisse tromper.
Prochaines étapes du laboratoire
La conclusion ?
L’IA ne peut pas remplacer la prudence humaine. Cela ne peut pas remplacer l’exigence d’une vérification pratique traditionnelle.
Adami et Gupta sortent ensuite cette recherche du domaine purement numérique. Ils prévoient d’effectuer les mêmes tests en utilisant des ensembles de données chimiques et biologiques réels. L’hypothèse demeure : sans comprendre la répartition complète des formes biologiques possibles, l’IA continuera à trébucher sur ses propres angles morts.
Ils devraient présenter ces résultats en août lors de la conférence 2a026 sur la vie artificielle à Waterloo, au Canada.
Pour l’instant, la recherche continue. Nous faisons confiance à nos machines car elles traitent plus rapidement. Mais un traitement plus rapide des hypothèses erronées n’est qu’un chemin plus rapide vers la déception. Nous pourrions regarder à travers le bruit et trouver des modèles qui ressemblent à des amis, alors qu’en réalité ils ne sont que statiques.
Un modèle devient-il un partenaire dès que nos ordinateurs disent « oui » ?
Peut-être devrions-nous vérifier.
