Forschende der Michigan State University warnen, dass aktuelle künstliche Intelligenzmodelle bei der Suche nach außerirdischem Leben anfällig für Fehlalarme sind. Die Ergebnisse, vorgestellt von Ankit Gupta und Christoph Adami im August 2026 auf der Conference on Artificial Life in Waterloo, Kanada, zeigen, dass neuronale Netze systematisch getäuscht werden können, um biologische Signaturen zu erkennen, wo keine existieren. Diese Anfälligkeit birgt erhebliche Risiken für kommende milliardenschwere Raumfahrtmissionen, darunter NASA-Initiativen zur Analyse von Marsboden, Saturn- und Jupitermonden sowie Exoplanetenatmosphären. Zur Überprüfung der KI-Zuverlässigkeit nutzten das Forschungsteam Avida, eine digitale Evolutionsplattform, um zehntausende virtuelle Organismen zu generieren. Diese simulierten Lebensformen basierten auf Computerbefehlen, die durch iteratives Kopieren und Mutation zur Selbstreplikation fähig waren. Ein auf diesen Daten trainiertes neuronales Netz erreichte initial eine Klassifizierungsgenauigkeit von 99,97 Prozent bei der Unterscheidung replizierender von nicht-replizierender digitaler Entitäten. Tests mit unvorhergesehenen Daten offenbarten jedoch eine kritische Schwäche: Durch inkrementelle Änderungen der Befehlssequenzen nicht-replizierender Organismen täuschten die Forschenden die KI erfolgreich zur Fehlklassifizierung als lebendig. Diese Manipulation gelang bereits nach etwa 150 Iterationen, wobei ein hundertprozentiger Erfolg über verschiedene Startsequenzen hinweg verzeichnet wurde. Die Studie unterstreicht eine fundamentale Schwäche moderner maschineller Lernarchitekturen: die Neigung, spuriose Muster mit hoher Sicherheit zu erkennen. Adami betont, dass zwar universelle Merkmale wie informationskodierende Mechanismen zur Detektion von Leben herangezogen werden, KI-Modelle jedoch nicht über die nötige Kontextrobustheit verfügen, um diese Befunde unabhängig zu validieren. Zukünftige Raumsonden mit automatisierten Biosignatur-Analysen laufen folglich Gefahr, vorzeitige Entdeckungserklärungen abzugeben, die sich später als falsch erweisen könnten. Die Implikationen reichen weit über die Astrobiologie hinaus und betreffen medizinische Diagnostik, autonome Fahrzeuge sowie Sicherheitssysteme, in denen KI ohne Echtzeit-Menschenüberwachung operiert. Als Reaktion planen die Forschenden, die Modelle mit empirischen Daten tatsächlicher biologischer und umweltbezogener Proben neu zu trainieren, um die Resilienz gegenüber Täuschung in realen Bedingungen zu bewerten. Die zentrale Schlussfolgerung verlangt, dass Automatisierungssysteme in sensiblen Bereichen unabhängige Verifikationsprotokolle und menschliche Aufsicht integrieren müssen. Adami weist darauf hin, dass KI zwar ein wertvolles Werkzeug zur Verarbeitung großer Datenmengen bleibt, ihr Einsatz in kritischen Detektionsaufgaben jedoch strikte Kreuzprüfungsmechanismen erfordert, um kostspielige Fehlalarme zu verhindern. Die Untersuchung dient als warnender Benchmark für die Integration maschinellen Lernens in nächste Generationen von Explorations- und Alltagssicherheitssystemen.