NASA et le SETI décrivent des modèles de fondation pour l'astrobiologie et la recherche de vie extraterrestre

Un groupe de chercheurs de la NASA, du SETI et de plusieurs universités propose de doter l'astrobiologie non pas d'une collection d'outils d'IA disparates, mais d'un modèle de fondation multimodal commun. Celui-ci doit faciliter à la fois la recherche de biosignatures, la planification des missions spatiales et l'analyse d'un immense volume de données scientifiques.

Pourquoi une nouvelle approche

L'astrobiologie opère simultanément à plusieurs échelles : de la chimie et des structures moléculaires jusqu'aux observations planétaires, en passant par les études de terrain sur des analogues terrestres et la documentation des missions spatiales. Les auteurs partent d'un constat : la vie ne se résume pas à une seule étiquette ni à un seul instrument. Elle se manifeste comme un processus complexe aux multiples indices. Il faut donc des modèles capables de relier, au sein d'un même système, images, spectres, géochimie, rapports textuels et contexte environnemental. C'est précisément là que les modèles de fondation semblent surpasser le ML classique, plus spécialisé.

L'article synthétise les conclusions d'un atelier organisé par le centre de recherche Ames de la NASA et le SETI Institute en février 2025. La prépublication elle-même a été mise en ligne sur arXiv le 8 octobre 2025. Les chercheurs soulignent que des briques existent déjà : la NASA développe ses propres grands modèles de langage, dont Goddard LLM et INDUS, ainsi que le modèle géospatial Prithvi ; l'ESA dispose de TerraMind. Il ne s'agit donc pas d'un fantasme à plusieurs décennies, mais de la prochaine étape logique : assembler une pile spécialisée, taillée pour les besoins de l'astrobiologie.

Trois cas d'usage

Les auteurs invitent à considérer ce système non comme un simple chatbot, mais comme le socle de plusieurs modes applicatifs. La logique est simple : une même base multimodale peut servir des tâches différentes, à condition d'y ajouter des interfaces et des scénarios d'usage dédiés. Le premier mode vise la détection d'indices de vie dans des données complexes, le deuxième l'aide à la conception et au pilotage des missions, le troisième une interface scientifique pour exploiter la littérature, les rapports et les hypothèses.

• Recherche de biosignatures. Le modèle doit croiser des indices chimiques, morphologiques, spectraux et écologiques, et distinguer d'éventuelles traces de vie des imitations abiotiques.
• Astrobiology Mission Model. Une couche d'IA dédiée aidera à choisir la charge utile, à évaluer les contraintes des instruments, à hiérarchiser les échantillons et à soutenir un fonctionnement plus autonome des engins.
• AB-Chat. Une interface spécialisée en astrobiologie pourra lire articles, rapports techniques et archives de missions, repérer les lacunes dans les connaissances et proposer de nouvelles hypothèses.

Point important : les auteurs ne proposent pas d'écarter l'humain du processus. Au contraire, AMM comme AB-Chat sont décrits comme des outils de type human-in-the-loop : ils élargissent le champ de vision des équipes, mais les décisions critiques restent entre les mains des scientifiques et des ingénieurs. Pour les missions spatiales, c'est essentiel : le coût d'une erreur est élevé, et l'autonomie embarquée doit passer par de longs tests, une validation et une vérification sur des scénarios extrêmes avant même le lancement.

Ce qui bloque aujourd'hui

Le principal obstacle n'est pas le manque d'idées, mais l'état des données. Les informations astrobiologiques sont dispersées entre archives, formats et disciplines : bases spectrales, géochimie, images, spectrométrie de masse, rapports de mission, observations de terrain, documents imprimés historiques. Pour entraîner un modèle réellement utile, il faut d'abord retrouver ces données, les ramener à des standards communs, les décrire par des métadonnées et les rendre exploitables par le machine learning. Les données sensibles des missions posent un problème à part : schémas, procédures internes et documentation d'ingénierie exigeront une infrastructure sécurisée.

La première étape concrète s'annonce donc assez terre à terre : plutôt que de bâtir d'emblée une « superintelligence », il s'agit de repasser au modèle les jeux de données existants. Les auteurs citent notamment l'imagerie visible, la réflectance VNIR, la composition élémentaire et isotopique, la GC-MS, le Raman, la XRF/XRD et la topographie. En combinant ces sources avec des données sur la Terre, Mars, la Lune et les astéroïdes, on peut commencer à apprendre au système à distinguer les signatures biotiques, abiotiques et celles qui leur ressemblent.

Le résultat pourrait d'ailleurs prendre la forme non pas d'une frontière nette entre « vivant » et « non vivant », mais d'un gradient multidimensionnel — une approche même plus réaliste pour l'astrobiologie.

Ce que cela signifie

Si cette approche aboutit à des prototypes opérationnels, l'astrobiologie ne disposera pas d'un LLM de plus, mais d'une couche d'IA métier posée sur la science et l'ingénierie spatiale. Pour les chercheurs, c'est l'occasion d'agréger plus vite des connaissances issues de sources éparses, de planifier les missions avec plus de précision et d'augmenter les chances qu'un signal réellement important de vie possible ne se perde pas dans le bruit des données. La question clé n'est plus de savoir si un tel système est techniquement faisable, mais qui sera le premier à constituer pour lui un écosystème de données de qualité et interopérable.