NASA y SETI describen modelos fundacionales para la astrobiología y la búsqueda de vida extraterrestre

Un grupo de investigadores de NASA, SETI y varias universidades propone que la astrobiología no se apoye en un conjunto de herramientas de IA dispersas, sino en un modelo fundacional multimodal común. Este modelo debería ayudar tanto en la búsqueda de biofirmas como en la planificación de misiones espaciales y en el análisis de un enorme volumen de datos científicos.

Por qué hace falta un nuevo enfoque

La astrobiología trabaja a varios niveles a la vez: desde la química y las estructuras moleculares hasta las observaciones planetarias, los estudios de campo en análogos terrestres y la documentación de las misiones espaciales. Los autores parten de que la vida no puede describirse con una sola etiqueta ni con un solo instrumento. Se manifiesta como un proceso complejo con múltiples indicios, así que se necesitan modelos capaces de relacionar imágenes, espectros, geoquímica, informes de texto y contexto ambiental dentro de un mismo sistema.

Es ahí donde los modelos fundacionales parecen superar al ML clásico de propósito específico. El artículo resume las conclusiones de un taller que el Centro de Investigación Ames de NASA y el Instituto SETI celebraron en febrero de 2025. El preprint se publicó en arXiv el 8 de octubre de 2025.

Los investigadores señalan que ya existe una base de partida: NASA desarrolla sus propios grandes modelos de lenguaje, como Goddard LLM e INDUS, además del modelo geoespacial Prithvi; la ESA cuenta con TerraMind. Es decir, no se trata de una fantasía a décadas vista, sino del siguiente paso lógico: montar un stack especializado para las tareas propias de la astrobiología.

Tres escenarios de uso

Los autores proponen ver este sistema como la base de varios modos de aplicación, y no como un único chatbot. La lógica es sencilla: una misma base multimodal puede atender distintas tareas si se le añaden interfaces y escenarios de uso específicos. El primer modo es la búsqueda de indicios de vida en datos complejos; el segundo, el apoyo al diseño y la gestión de misiones; el tercero, una interfaz científica para trabajar con literatura, informes e hipótesis.

Búsqueda de biofirmas. El modelo debería cruzar rasgos químicos, morfológicos, espectrales y ecológicos, y distinguir posibles rastros de vida de imitaciones abióticas. **Astrobiology Mission Model.

Una capa de IA independiente ayudará a seleccionar la carga útil, evaluar las limitaciones de los instrumentos, priorizar muestras y facilitar una operación más autónoma de las naves. AB-Chat.* Una interfaz especializada en astrobiología podrá leer artículos, informes técnicos y archivos de misiones, detectar lagunas de conocimiento y proponer nuevas hipótesis.

Un matiz importante: los autores no proponen sacar a las personas del proceso. Al contrario, tanto AMM como AB-Chat se describen como herramientas de tipo human-in-the-loop: amplían la visión del equipo, pero las decisiones críticas siguen en manos de científicos e ingenieros. En las misiones espaciales esto es especialmente relevante, porque el coste de un error es alto y la autonomía a bordo debe pasar por largas pruebas, validación y verificación en escenarios extremos antes del lanzamiento.

Qué lo impide ahora mismo

El principal obstáculo no es la falta de ideas, sino el estado de los datos. La información astrobiológica está repartida entre distintos archivos, formatos y disciplinas: bases espectrales, geoquímica, imágenes, espectrometría de masas, informes de misiones, observaciones de campo y material impreso histórico. Para entrenar un modelo realmente útil, primero hay que localizar estos datos, llevarlos a estándares comunes, describirlos con metadatos y hacerlos aptos para el machine learning.

Otro problema aparte son los datos sensibles de las misiones: esquemas, procedimientos internos y documentación de ingeniería requerirán una infraestructura protegida. Por eso, el primer paso práctico es bastante terrenal: no construir de entrada una «superinteligencia», sino volver a pasar por el modelo los conjuntos de datos ya existentes. Los autores mencionan expresamente imágenes en el visible, reflectancia VNIR, composición elemental e isotópica, GC-MS, Raman, XRF/XRD y topografía.

Si se combinan estas fuentes con datos de la Tierra, Marte, la Luna y los asteroides, se puede empezar a enseñar al sistema a distinguir firmas bióticas, abióticas y otras que se les parecen. Además, el resultado podría no ser una frontera rígida entre lo «vivo» y lo «no vivo», sino un gradiente multidimensional, algo que para la astrobiología resulta incluso más realista.

Qué significa esto

Si este enfoque llega a prototipos funcionales, la astrobiología contará con algo más que otro LLM: una capa de IA específica del dominio sobre la ciencia y la ingeniería espacial. Para los investigadores supone la oportunidad de reunir conocimiento de fuentes dispersas con más rapidez, planificar misiones con mayor precisión y aumentar la probabilidad de que una señal realmente importante de posible vida no se pierda entre el ruido de los datos. La cuestión clave ya no es si un sistema así es técnicamente posible, sino quién será el primero en construir para él un ecosistema de datos de calidad y compatible.