Ce que l'IA fait déjà dans SETI
L'apprentissage automatique aide les astronomes à trier les observations des télescopes, à reconnaître les interférences et à classer les signaux inhabituels à examiner. Il traite des mesures comme l'intensité du signal, la fréquence et le temps. Ce sont des tâches de détection. Elles ne permettent pas de déterminer qui a émis un signal, s'il contient un message ni ce que ce message signifie.
En radioastronomie, un spectrogramme représente l'évolution temporelle de la puissance à différentes fréquences. Les chercheurs peuvent entraîner un modèle avec des signaux simulés insérés dans de vraies observations, ou utiliser le regroupement pour rassembler des détections similaires. Une anomalie mérite un examen approfondi, pas une attribution extraterrestre.
- 1. ObserverEnregistrer les observations de la cible et des directions de comparaison.
- 2. FiltrerUtiliser des algorithmes pour classer les signaux et repérer les interférences.
- 3. VérifierÉtudier la source grâce à d'autres observations et à des équipes indépendantes.
- 4. DécoderSi une information est présente, tester des méthodes pour en retrouver la structure.
- 5. InterpréterTester ce que cette structure pourrait signifier à l'aide d'éléments indépendants.
Les deux dernières étapes sont conditionnelles. Un émetteur vérifié ne fournirait pas automatiquement un message lisible.
Ce que les études ont réellement trouvé
Ces projets ont utilisé des instruments, des jeux de données et des méthodes différents. Leurs résultats ne peuvent pas être réunis en un score unique de précision de l'IA.
| Étude | Données et méthode | Résultat et limite |
|---|---|---|
| Ma et al., 2023 | L'apprentissage profond a analysé 150 To de données du télescope de Green Bank couvrant 820 étoiles proches. | Huit signaux intéressants. Les observations de suivi ne les ont pas redétectés ; ils n'ont donc pas été reconnus comme des technosignatures confirmées. |
| Pardo et al., 2025 | La détection d'anomalies a classé environ 100 milliards de spectrogrammes issus d'observations de Green Bank et de Parkes. | Environ 20 000 exemples ont été examinés, y compris des échantillons de validation. Aucun n'a résisté à l'examen comme candidat extraterrestre plausible. |
| Zhao et al., 2026 | Le regroupement DBSCAN a filtré les interférences résiduelles de cinq heures d'observations de FAST enregistrées en juillet 2019. | Un groupe candidat subsistait après des vérifications supplémentaires. Sa durée d'environ 2,8 secondes ne permettait pas d'en déterminer l'origine. |
Le résultat de 2023 est parfois présenté comme la découverte de huit signaux extraterrestres par l'IA. La page du projet Breakthrough Listen indique pourtant que ces signaux ne satisfaisaient pas ses critères de candidature, faute de nouvelle détection. L'avancée consistait en une autre méthode de sélection d'observations inhabituelles dans de vastes archives.
Lire le bilan du suivi de Breakthrough Listen et accéder à son code et à ses données.
L'article sur FAST, publié en janvier 2026, n'annonce aucun contact. Après avoir vérifié les bandes de fréquences et les durées des signaux, les auteurs ont conservé un événement bref sans dérive de fréquence observée. L'hypothèse d'une interférence radio restait ouverte ; ils ont proposé des observations plus longues. Conserver un événement inexpliqué dans une liste de suivi est un résultat de recherche normal.
Pourquoi l'IA peut manquer ou mal classer un signal
Les interférences radio, ou RFI, proviennent de technologies humaines. Un signal étroit ou une fréquence changeante peuvent attirer l'attention, mais les satellites et d'autres sources terrestres peuvent aussi produire des détections structurées. Les modèles doivent fonctionner dans cet environnement parasité.
L'IA hérite aussi des choix des chercheurs. Sélectionner des signaux étroits, simuler certaines formes, exclure les fréquences bruitées ou fixer un seuil de détection détermine ce qu'une recherche peut trouver. Un algorithme ne devient pas neutre parce qu'il traite davantage de données.
- Faux positifs. Une interférence inconnue peut paraître assez inhabituelle pour être retenue.
- Faux négatifs. Un vrai signal situé hors du domaine testé du modèle pourrait être écarté ou ne jamais être détecté.
- Couverture limitée. Une recherche échantillonne des directions, des fréquences et des moments précis. L'absence de détection dans cet échantillon ne prouve pas que la Galaxie est vide.
Pardo et ses collègues décrivent explicitement le compromis. Privilégier les parties les moins bruitées de leurs données réduisait le travail humain, mais pouvait éliminer un véritable signal dans une zone parasitée. Ils reconnaissent aussi que les simulations reflètent les types de signaux que les chercheurs choisissent de créer.
L'IA pourrait-elle traduire un message extraterrestre ?
Ces études ne présentent aucun traducteur de langue extraterrestre dont le fonctionnement aurait été démontré. Détecter une transmission possible, retrouver son encodage et en identifier le sens sont des problèmes distincts. Un motif répétitif pourrait aider à tester une hypothèse d'encodage ; il ne dirait pas à lui seul si le contenu décrit la chimie, la navigation ou autre chose.
L'IA pourrait aider les chercheurs à comparer des structures possibles ou à formuler des hypothèses. Une interprétation convaincante nécessiterait toujours des preuves au-delà de l'explication fluide du modèle. Un système entraîné sur des textes humains ne dispose d'aucun dictionnaire extraterrestre vérifié pour contrôler sa réponse. Des régularités mathématiques pourraient offrir des indices, mais ne fournissent pas une traduction automatique.
Un exercice réel illustre cet écart. En mai 2023, le projet A Sign in Space de Daniela de Paulis a transmis depuis l'orbiteur ExoMars Trace Gas Orbiter de l'ESA un message extraterrestre simulé, conçu par des humains. Ken et Keli Chaffin l'ont décodé en juin 2024, retrouvant une image contenant cinq acides aminés. Le compte rendu de l'ESA d'octobre 2024 distinguait encore ce décodage de l'interprétation du sens du message.
Lire le compte rendu de l'ESA sur l'exercice de décodage.
Il s'agissait d'un projet artistique et scientifique dont le message avait été créé sur Terre. Ce n'était pas une détection extraterrestre, et la solution rapportée était le travail d'un père et de sa fille, pas la preuve que l'IA peut traduire les messages d'une civilisation inconnue.
Qu'est-ce qui constituerait une confirmation ?
L'Académie internationale d'astronautique a actualisé ses principes SETI en juin 2026. Ils recommandent d'authentifier les candidats, idéalement en faisant intervenir plusieurs installations, organisations et méthodes, puis de produire un rapport de vérification évalué par les pairs et étayé par les données sous-jacentes. Ce sont des recommandations scientifiques, pas une garantie que chaque cas sera résolu.
Lire les principes de détection et de vérification de juin 2026.
Lorsqu'un titre annonce une nouvelle découverte par l'IA, vérifiez trois points avant d'y voir la preuve d'un contact.
- L'article original rapporte-t-il une détection, un candidat provisoire ou seulement une méthode testée sur des simulations ?
- Les interférences et les effets instrumentaux ont-ils été étudiés, et des observations indépendantes ont-elles soutenu une origine extraterrestre ?
- Y a-t-il réellement une information à décoder, ou seulement un signal sélectionné par le logiciel de recherche ?
L'IA peut rendre la recherche plus efficace et faire ressortir des observations à réexaminer. Elle ne peut pas transformer une anomalie en message vérifié par la seule interprétation. La question plus générale de l'absence de résultats concluants dans ces recherches fait partie du paradoxe de Fermi.
