Impian menemukan tetangga di antara bintang-bintang sangatlah kuat. Metode yang kami gunakan untuk menemukannya? Berpotensi cacat.
Kecerdasan buatan berjuang dengan hal-hal yang belum pernah dilihat sebelumnya. Dua peneliti dari Michigan State University, Christoph Adami dan Ankit Gupta, membuktikannya dalam sebuah simulasi. Mereka menguji kemampuan AI untuk mendeteksi kehidupan di luar batas planet kita.
Hasilnya tidak bagus untuk mesin.
AI memiliki “kelemahan”. Ini adalah kecenderungan untuk salah mengklasifikasikan data yang tidak dikenal. Adami menyebut sampel ini “di luar distribusi”. Menempatkan mikroba alien di depan bot yang hanya dilatih tentang biologi Bumi? Ia tidak akan mengetahui apa yang sedang terjadi. Mesin itu mungkin saja berhalusinasi tentang suatu bentuk kehidupan entah dari mana.
“Kami sebelumnya telah melihat bahwa AI memiliki titik buta yang sangat besar ketika menangani data, tidak seperti set pelatihannya,” jelas Adami. Sangat mudah untuk mengelabui algoritme agar melihat kehidupan yang sebenarnya tidak ada.
Biologi Digital sebagai Tes Stres
Bagaimana Anda menguji hal yang tidak diketahui? Anda membutuhkan kebenaran dasar.
Adami menggunakan Avida, lingkungan evolusi digital. Diluncurkan pada tahun 1993, ini menampung program komputer yang berperilaku seperti organisme. Mereka meniru. Mereka bersaing untuk siklus CPU. Mereka berevolusi. Kode ini menyamar sebagai kehidupan karbon, tetapi untuk tujuan pengujian, kode ini menyediakan kumpulan data berlabel yang sangat besar.
Bentuk kehidupan dan program non-kehidupan memiliki struktur pengkodean yang sangat mirip. Perbedaannya tidak kentara. Ini meniru realitas astrobiologi. Alien kemungkinan besar tidak akan terlihat seperti kita. Mereka bahkan mungkin tidak menggunakan DNA. Namun sidik jari komputasi mungkin masih terlihat mencurigakan mirip dengan kita.
Duo ini menghabiskan tiga bulan menganalisis 1.000 mesin paralel. Tugas mereka? Ajari AI untuk membedakan kode yang mewakili kehidupan dan kode yang tidak mewakili kehidupan.
Mereka mulai dengan urutan molekuler acak. Kemudian mereka mengubah satu hal pada satu waktu. Tujuannya sangat mudah: membuat rangkaian non-kehidupan semakin terlihat seperti kehidupan bagi algoritme.
“Dalam sekitar 15 perubahan… kita bisa membuat AI benar-benar percaya diri dalam mengklasifikasikan kehidupan,” kata Adami.
Kepercayaan diri memuncak. Akurasi mencapai titik terendah.
Dengan keyakinan 100%, program ini tidak pernah mengidentifikasi kehidupan sebenarnya. Itu adalah melihat hantu. Itu terjadi secara konsisten di semua urutan awal.
Apel, Pisang, dan Mikroba
Mengapa ini penting?
AI sangat hebat dalam memproses pola data yang kita pahami. Ini sangat berharga untuk menyaring kebisingan. Tapi itu membutuhkan konteks.
“Jika Anda bertanya kepada AI tentang sesuatu dari data pelatihannya, biasanya jawabannya benar,” kata Adami. Latihlah untuk mengidentifikasi apel. Tunjukkan lebih banyak apel? Ini berhasil. Tunjukkan pisang? Kebingungan. Pisang tersebut “keluar dari distribusi”. Bentuk berbeda. Fitur yang berbeda. AI tidak memiliki titik referensi untuk membuat penilaian yang valid.
Kita menghadapi masalah yang sama dengan mikroba luar bumi.
Kita tidak tahu seperti apa kehidupan alien secara biologis. Ini bisa sangat berbeda dari organisme terestrial. Oleh karena itu, ini mewakili data yang “tidak didistribusikan” ke model AI kami saat ini. Tidak ada data pelatihan untuk itu. AI tidak memiliki konteks untuk memverifikasi apakah sekelompok molekul tertentu benar-benar hidup atau hanya berisik secara kimiawi.
“Anda perlu mengetahui data latihan Anda,” kata Adami. “Jika data pengujian berasal dari distribusi yang sama dengan pelatihan, Anda akan baik-baik saja. Anda tidak dapat menjamin hal itu dengan biologi luar bumi.”
Misi Luar Angkasa dan Perangkap Spek Massal
Ini bukan hanya risiko teoritis. Ini mempengaruhi misi yang akan datang.
Bayangkan sebuah penjelajah di Mars mengebor batu. Ia menemukan sebuah struktur. Jika robot melihat gumpalan mirip sel yang dapat dikenali, kami dapat memverifikasinya. Kita bisa mengujinya dengan rendaman kimia dan mikroskop. Datanya langsung.
Namun visualisasi langsung adalah pengecualian, bukan aturannya.
Pencarian di masa depan bergantung pada spektrometri massa. Mereka mencari proses molekuler di atmosfer seperti Venus, di bawah es lautan Europa, atau di planet ekstrasurya jauh yang dilihat oleh Habitable Worlds Observatory yang direncanakan oleh NASA (ditargetkan pada jendela peluncuran tahun 2040).
Datanya berupa tanda kimia yang kompleks, bukan foto beresolusi tinggi.
“Jika AI dalam sebuah misi menganalisis data spektrometri massa… hal ini dapat memberikan hasil positif bagi kehidupan yang sama sekali tidak ada hubungannya dengan kehidupan sebenarnya,” Adami memperingatkan. Mesin itu dengan percaya diri akan mengumumkan penemuannya. Penemuan itu salah. Sinyalnya adalah mimikri non-biologis, dan AI, yang tidak memiliki konteks untuk biologi alien yang sebenarnya, akan tertipu.
Langkah Selanjutnya di Lab
Kesimpulannya?
AI tidak bisa menggantikan kehati-hatian manusia. Hal ini tidak dapat menggantikan persyaratan verifikasi tradisional dan langsung.
Adami dan Gupta selanjutnya akan membawa penelitian ini ke ranah digital murni. Mereka berencana untuk melakukan pengujian yang sama menggunakan kumpulan data kimia dan biologi dunia nyata. Hipotesisnya tetap ada: tanpa memahami sebaran penuh bentuk-bentuk biologis yang mungkin terjadi, AI akan terus melewati titik butanya sendiri.
Mereka dijadwalkan untuk mempresentasikan temuan ini pada bulan Agustus di Konferensi ArtificialLife 2a026 di Waterloo, Kanada.
Untuk saat ini, pencarian masih berlanjut. Kami memercayai mesin kami karena prosesnya lebih cepat. Namun pemrosesan asumsi yang salah secara lebih cepat hanyalah jalan menuju kekecewaan yang lebih cepat. Kita mungkin melihat melalui kebisingan dan menemukan pola yang terasa seperti teman, padahal sebenarnya pola tersebut hanya statis.
Apakah suatu pola menjadi mitra saat komputer kita berkata “ya”?
Mungkin kita harus memeriksa ulang.
