Международная команда ученых применила машинное обучение для анализа более 400 образцов: древних осадочных пород, окаменелостей, современных микроорганизмов и фрагментов метеоритов разного возраста. Цель была амбициозной — научить алгоритм отличать органику биологического происхождения от небиологической в породах возрастом миллиарды лет.

Для этого исследователи использовали метод "случайного леса". Его суть в том, что алгоритм искал не один конкретный признак жизни, а сложные химические закономерности — своего рода молекулярный отпечаток, который остается после живых организмов даже тогда, когда исходные биомолекулы давно разрушились.

Метод показал точность выше 90% и дал особенно интересный результат на древнейших образцах. Так, в породах возрастом более 3,3 миллиарда лет были обнаружены "химические подписи" биологического происхождения. Это намного древнее прежних надежных молекулярных следов, которые находили в породах возрастом около 1,7 миллиарда лет.

Кроме того, анализ указал на признаки кислородного фотосинтеза уже около 2,5 миллиарда лет назад — примерно на 800 миллионов лет раньше прежних молекулярных данных.

Если результаты исследования подтвердятся другими методами, это изменит наши представления о ранней истории жизни на Земле. Возможно, сложные биохимические процессы появились существенно раньше, чем считалось, а эволюция на молодой планете шла быстрее и эффективнее.

И, конечно, если метод докажет свою эффективность, его начнут использовать и в астробиологии. Подобные алгоритмы могут пригодиться при изучении марсианских пород, а в перспективе — образцов с Европы, Энцелада и Титана прямо на месте. В поиске биосигнатур ИИ способен превзойти человека: он работает не с очевидными признаками, а со сложными химическими сочетаниями, которые человеческий глаз просто не увидит.

Мы стоим на пороге революционного события: уже в обозримом будущем поиск следов внеземной жизни сможет обойтись без безумно дорогих и опасных пилотируемых миссий — и даже без доставки образцов на Землю. Если машина научится надежно читать химию других миров на месте, главная задача будет сводиться к доставке оборудования к цели — а с этим мы уже хорошо научились справляться.

Живые нейроны человека внутри компьютера — это уже не фантастика. В 2025 году ученые создали нечто невероятное. Рассказываю, что такое CL1 и почему это меняет все.

Современные марсоходы по-прежнему сильно зависят от операторов на Земле, а задержка сигнала между планетами, составляющая от трех до 22 минут, превращает даже простые действия в чрезвычайно медленный процесс.

Чтобы спланировать научные операции, ровер должен осмотреться по сторонам и отправить данные на Землю, где их проанализируют специалисты. После этого роверу передается набор команд, после каждого шага выполнения которых он должен вновь отправлять отчет, чтобы операторы убедились в правильности его действий и в том, что ему ничего не угрожает. Поэтому марсоходы преодолевают за день всего несколько метров, а не сотни метров, как позволяют их технические возможности.

Решить эту проблему способен четвероногий робот ANYmal, созданный швейцарской компанией ANYbotics и прошедший испытания на полигонах, имитирующих условия работы на южном полюсе Луны и на Красной планете.

Одно из главных преимуществ ANYmal — полуавтономная работа. В испытаниях он самостоятельно перемещался к заранее выбранным целям, разворачивал приборы, проводил измерения и передавал данные исследователям, продолжая при этом выполнять другие задачи. ANYmal ускорил выполнение всех научных задач в 3-4 раза. При этом речь идет не просто о быстром перемещении, включая карабканье по горным уступам, но и об эффективном распознавании горных пород, важных для астробиологии и геологических исследований, как на марсианских, так и на лунных аналогах местности.

Исследователи отмечают, что ANYmal — перспективное решение не только для исследования Луны и Марса, но и для более сложных и далеких миров вроде юпитерианской Европы или сатурнианских Титана и Энцелада, где высокая автономность уже не просто преимущество, а критическая необходимость.