NASA e SETI propõem modelos de fundação para a astrobiologia e a busca por vida extraterrestre

Um grupo de pesquisadores da NASA, do SETI e de várias universidades propõe que a astrobiologia deixe de lado um conjunto de ferramentas de IA isoladas e passe a contar com um modelo de fundação multimodal comum. A ideia é que ele ajude tanto na busca por bioassinaturas quanto no planejamento de missões espaciais e na análise de um enorme volume de dados científicos.

Por que é preciso uma nova abordagem

A astrobiologia opera em vários níveis ao mesmo tempo: da química e das estruturas moleculares às observações planetárias, passando por estudos de campo em análogos terrestres e pela documentação de missões espaciais. Os autores partem do princípio de que a vida não pode ser descrita por um único rótulo ou por um único instrumento. Ela se manifesta como um processo complexo, com múltiplos sinais. Por isso, são necessários modelos capazes de relacionar imagens, espectros, geoquímica, relatórios em texto e o contexto ambiental dentro de um mesmo sistema. É justamente nesse ponto que os modelos de fundação levam vantagem sobre o ML clássico e especializado.

O artigo reúne as conclusões de um workshop realizado pelo Centro de Pesquisa Ames da NASA e pelo Instituto SETI em fevereiro de 2025. O preprint foi publicado no arXiv em 8 de outubro de 2025. Os pesquisadores destacam que já existe uma base para isso: a NASA desenvolve seus próprios grandes modelos de linguagem, incluindo o Goddard LLM e o INDUS, além do modelo geoespacial Prithvi; a ESA, por sua vez, tem o TerraMind. Ou seja, a proposta está longe de ser uma fantasia para daqui a décadas — trata-se do próximo passo lógico: montar um stack especializado voltado especificamente às tarefas da astrobiologia.

Três cenários de uso

Os autores sugerem encarar esse sistema como a base para vários modos de aplicação, e não como um único chatbot. A lógica é simples: a mesma base multimodal pode atender a tarefas diferentes, desde que interfaces e cenários de uso específicos sejam construídos sobre ela. O primeiro modo é a busca por sinais de vida em dados complexos; o segundo, o apoio ao projeto e à operação de missões; o terceiro, uma interface científica para trabalhar com literatura, relatórios e hipóteses.

• Busca por bioassinaturas. O modelo deve cruzar características químicas, morfológicas, espectrais e ecológicas e separar possíveis vestígios de vida de imitações abióticas.
• Astrobiology Mission Model. Uma camada de IA dedicada ajudará a escolher a carga útil, avaliar as limitações dos instrumentos, priorizar amostras e dar suporte a uma operação mais autônoma das sondas.
• AB-Chat. Uma interface especializada em astrobiologia poderá ler artigos, relatórios técnicos e arquivos de missões, identificar lacunas no conhecimento e sugerir novas hipóteses.

Vale ressaltar que os autores não propõem tirar o ser humano do processo. Pelo contrário: tanto o AMM quanto o AB-Chat são descritos como ferramentas no formato human-in-the-loop. Eles ampliam o campo de visão da equipe, mas as decisões críticas continuam nas mãos de cientistas e engenheiros. Em missões espaciais, isso é especialmente importante: o custo de um erro é alto, e a autonomia a bordo precisa passar por longos testes, validação e verificação de cenários extremos antes do lançamento.

O que atrapalha agora

O principal obstáculo é o estado dos dados, e não a falta de ideias. As informações de astrobiologia estão espalhadas por diferentes arquivos, formatos e disciplinas: bases espectrais, geoquímica, imagens, espectrometria de massa, relatórios de missões, observações de campo e materiais históricos impressos. Para treinar um modelo realmente útil, esses dados precisam primeiro ser localizados, padronizados, descritos com metadados e preparados para machine learning. Há ainda um problema à parte: os dados sensíveis de missões, como esquemas, procedimentos internos e documentação de engenharia, vão exigir uma infraestrutura protegida.

Por isso, o primeiro passo prático é bem pé no chão: em vez de construir de cara uma "superinteligência", a ideia é reprocessar com o modelo os conjuntos de dados que já existem. Os autores citam especificamente imagens no espectro visível, refletância VNIR, composição elementar e isotópica, GC-MS, Raman, XRF/XRD e topografia. Ao combinar essas fontes com dados da Terra, de Marte, da Lua e de asteroides, será possível começar a treinar o sistema para distinguir assinaturas bióticas, abióticas e outras que se parecem com elas. Além disso, o resultado pode não ser uma fronteira rígida entre "vivo" e "não vivo", e sim um gradiente multidimensional — o que, para a astrobiologia, é até mais realista.

O que isso significa

Se essa abordagem chegar a protótipos funcionais, a astrobiologia ganhará algo além de mais um LLM: uma camada de IA de domínio sobre a ciência e a engenharia espacial. Para os pesquisadores, é a chance de reunir conhecimento de fontes dispersas com mais rapidez, planejar missões com mais precisão e aumentar a probabilidade de que um sinal realmente importante de possível vida não se perca no ruído dos dados. A questão central agora deixou de ser se esse sistema é tecnicamente viável: o que importa é quem vai montar primeiro um ecossistema de dados de qualidade e interoperável para ele.