La búsqueda de vida fuera de la Tierra ha dejado de ser un ejercicio de paciencia humana para convertirse en un problema de procesamiento de datos. El James Webb Space Telescope lleva desde 2022 enviando cantidades de información que ningún equipo de científicos podría analizar a tiempo sin ayuda, y la inteligencia artificial se ha convertido en la herramienta que tamiza ese torrente en busca de algo que no debería estar ahí. La astronomía, la IA y la búsqueda de vida extraterrestre forman hoy un triángulo que redefine cómo hacemos ciencia.
El Webb no es el primer telescopio que genera más datos de los que los humanos pueden procesar, pero sí el primero con la sensibilidad suficiente para detectar las huellas químicas de una atmósfera en un planeta a decenas de años luz. Eso significa que el cuello de botella ya no está en el instrumento, sino en el análisis. Y ahí es donde entra la IA.
¿Qué busca exactamente el James Webb en otras atmósferas?
El telescopio James Webb rastrea lo que los astrónomos llaman biosignatures: marcadores químicos en la atmósfera de un planeta que podrían indicar actividad biológica. Los más buscados son el oxígeno, el metano, el vapor de agua y el dióxido de carbono en combinaciones que, según nuestro conocimiento actual, serían difíciles de explicar sin procesos vivos. El Webb no ve los planetas directamente, sino la luz de su estrella filtrada a través de su atmósfera durante los tránsitos, un método llamado espectroscopía de transmisión.
En 2023, el telescopio detectó dióxido de carbono y vapor de agua en la atmósfera de K2-18b, un exoplaneta a 120 años luz en la zona habitable de su estrella. También encontró indicios de dimetilsulfuro, un compuesto que en la Tierra producen principalmente organismos marinos. El equipo de la Universidad de Cambridge que publicó el hallazgo fue muy cauteloso: los datos son compatibles con origen biológico, pero también con procesos puramente geológicos o químicos. Nadie ha afirmado que haya vida allí, y conviene subrayarlo.
Lo que sí es cierto es que el Webb puede detectar estas señales con una precisión sin comparación con instrumentos anteriores. El problema es que un solo tránsito planetario genera cientos de gigabytes de datos espectrales, y el Webb observa decenas de objetivos. Revisar todo eso manualmente llevaría años por cada planeta.
¿Cómo analiza la IA los datos del telescopio?
Los algoritmos de aprendizaje automático se entrenan con espectros conocidos, tanto de laboratorio como de atmósferas planetarias del sistema solar, y aprenden a reconocer patrones. Cuando reciben un espectro nuevo, identifican qué moléculas están presentes, en qué concentraciones y con qué nivel de confianza estadística. Lo que a un astrónomo le llevaría semanas de comparación manual, un modelo bien entrenado lo resuelve en horas.
La NASA y el Instituto de Ciencia del Telescopio Espacial llevan años desarrollando herramientas específicas para este fin. Una de las más conocidas es el proyecto MIRI (Mid-Infrared Instrument), que combina datos del Webb con redes neuronales capaces de separar la señal atmosférica del ruido instrumental. También hay proyectos independientes, como el desarrollado por investigadores del MIT, que usan modelos de lenguaje adaptados para interpretar espectros y generar hipótesis sobre la composición química de atmósferas exoplanetarias.
La IA también ayuda a priorizar objetivos. Con miles de exoplanetas catalogados, decidir cuáles merecen horas de observación del Webb es en sí mismo un problema de optimización. Los algoritmos evalúan variables como el tamaño del planeta, su temperatura estimada, el tipo de estrella y la geometría del tránsito, y generan rankings de candidatos con mayor probabilidad de tener atmósferas interesantes. Sin esta capa de priorización, el telescopio desperdiciaría tiempo de observación en objetivos poco prometedores.
Este tipo de automatización tiene un paralelo interesante con otros campos donde la tecnología ya filtra cantidades masivas de señales en busca de algo relevante. En el ámbito de los sensores biomédicos, por ejemplo, los dispositivos implantados en el cuerpo generan flujos continuos de datos que también requieren IA para separar lo significativo del ruido.
¿Puede la IA equivocarse y darnos un falso positivo de vida?
Sí, y ese riesgo es real y bien documentado. Los modelos de aprendizaje automático son tan buenos como los datos con los que se entrenaron, y en astrobiología el problema es que no tenemos ejemplos de vida extraterrestre con los que entrenar nada. Los modelos aprenden de la vida terrestre, que es el único tipo de bioquímica que conocemos, y eso introduce un sesgo estructural muy difícil de eliminar.
Un algoritmo entrenado para buscar oxígeno y metano combinados podría pasar por alto una forma de vida que use química completamente diferente. Y al revés: podría identificar como biosignature algo que tiene una explicación puramente abiótica. La geoquímica es capaz de producir combinaciones de gases que en la Tierra asociamos con organismos vivos, especialmente en planetas con vulcanismo activo o química de hidrógeno.
El caso de Venus es ilustrativo. En 2020, un equipo liderado por Jane Greaves anunció la detección de fosfina en la atmósfera venusiana, un compuesto que en la Tierra producen bacterias anaerobias. El hallazgo generó titulares globales. Después, otros análisis pusieron en duda la detección: había errores en el procesamiento inicial de datos. La señal era mucho más débil de lo que parecía, o directamente inexistente según algunos equipos. La historia de Venus es un manual de lo que puede salir mal cuando la expectativa contamina el análisis.
Los investigadores más rigurosos del campo hablan de «evidencia acumulada» en lugar de hallazgos definitivos. La idea es que ningún dato por sí solo puede confirmar vida extraterrestre: hace falta convergencia de varias líneas de evidencia independientes, idealmente con instrumentos diferentes y en condiciones de observación distintas.
El proyecto SETI y la búsqueda de señales artificiales
La astronomía con IA no se limita al análisis espectral del Webb. El proyecto SETI (Search for Extraterrestrial Intelligence) lleva décadas escuchando señales de radio del espacio en busca de algo que suene artificial. El problema clásico de SETI siempre fue el mismo: demasiada señal, demasiado ruido, demasiados pocos humanos para analizarlo todo.
Breakthough Listen, la iniciativa privada fundada en 2015 con financiación de Yuri Milner y el respaldo de Stephen Hawking, fue una de las primeras en apostar seriamente por el aprendizaje automático para este problema. Sus algoritmos analizan miles de millones de canales de frecuencia en busca de señales que no encajen con interferencias terrestres conocidas ni con emisiones naturales catalogadas. En 2023, Breakthrough Listen publicó un conjunto de 8 señales de interés detectadas por sus redes neuronales, aunque ninguna ha podido confirmarse como de origen extraterrestre hasta ahora.
El radiotelescópio MeerKAT en Sudáfrica y el FAST chino, el mayor del mundo con 500 metros de diámetro, alimentan también programas de este tipo. La cantidad de datos que generan es tan grande que sin clasificación automática sería imposible procesar observaciones en tiempo razonablemente útil. Aquí la IA actúa como primer filtro, y los humanos investigan solo lo que supera ciertos umbrales estadísticos.
La competencia por controlar la infraestructura que genera y procesa estos datos tiene también una dimensión geopolítica. El FAST chino, por ejemplo, opera con sus propios protocolos de análisis y no comparte todos sus datos con la comunidad científica internacional, lo que recuerda a otras tensiones tecnológicas globales: la fabricación de chips y el control de infraestructura tecnológica crítica responde a lógicas similares de poder.
Cuánto pesa realmente la IA en este campo
La inteligencia artificial en astronomía lleva más de una década siendo útil, pero su papel en la búsqueda de vida extraterrestre se ha acelerado desde 2020. El motivo principal es la escala: el Webb, el futuro Extremely Large Telescope (ELT) que el Observatorio Europeo Austral tiene previsto operativo hacia 2028, y la próxima generación de radiotelescopios generarán volúmenes de datos que hacen que los actuales parezcan manejables.
El ELT, con su espejo primario de 39 metros, tendrá capacidad para caracterizar atmósferas de exoplanetas rocosos en la zona habitable de estrellas cercanas con una resolución que el Webb no puede alcanzar. La IA no será un complemento del ELT: será una condición necesaria para que el telescopio sea científicamente productivo.
Proyectos como el desarrollado por el grupo de Sara Seager en el MIT trabajan en modelos que combinan química atmosférica, geología planetaria y termodinámica para generar perfiles completos de planetas a partir de datos espectrales. La idea es que la IA no solo detecte moléculas, sino que construya modelos completos del planeta y evalúe si la presencia de vida es la explicación más parsimoniosa para todo el conjunto de datos. Es un salto cualitativo respecto a simplemente buscar una molécula concreta.
Todo este esfuerzo computacional tiene un coste energético real, que a menudo queda fuera de la conversación pública sobre astronomía. Entrenar modelos grandes, procesar datos del Webb en tiempo casi real y mantener las infraestructuras de almacenamiento requiere una cantidad de electricidad que no es trivial. El debate sobre el impacto ambiental de la IA afecta también a la ciencia, aunque con menor visibilidad mediática.
La conexión entre telescopios de próxima generación y redes de datos globales también pone sobre la mesa preguntas sobre conectividad. La transmisión de datos desde observatorios remotos a centros de análisis depende de infraestructuras como las que describe el debate sobre las redes de telecomunicaciones de próxima generación y sus limitaciones reales.
¿Qué pasaría si la IA detectara algo que no podemos explicar?
Esa es la pregunta que los astrobiólogos llevan años ensayando en privado. No hay un protocolo internacional vinculante para anunciar el descubrimiento de vida extraterrestre. La Declaración de Principios del SETI, adoptada en 1989 y revisada en 2010, es una guía voluntaria que establece verificación independiente antes de cualquier anuncio público, pero no tiene fuerza legal ni mecanismo de cumplimiento.
El problema con la IA como primer detector es que el umbral entre «señal interesante» y «posible evidencia de vida» es borroso. Un algoritmo puede marcar algo con alta confianza estadística, y eso puede filtrar a medios de comunicación antes de que la comunidad científica haya tenido tiempo de verificar nada. La velocidad de la IA y la lentitud de la verificación científica son incompatibles sin protocolos claros.
Hay quienes argumentan que un descubrimiento de ese calibre debería gestionarse a través de organismos internacionales como la ONU o la Agencia Espacial Europea, coordinando la respuesta para evitar pánico o desinformación. Otros piensan que la transparencia inmediata es lo único éticamente aceptable. El debate existe, pero los acuerdos concretos, no.
La pregunta sobre quién controla la narrativa del espacio y qué intereses mueven esas decisiones tiene también su dimensión comercial, algo que ya ocurre con la nueva carrera espacial protagonizada por actores privados que operan con lógicas muy distintas a las de las agencias gubernamentales.
Lo que sí es seguro es que la IA detectará anomalías antes de que ningún humano las vea. Y eso cambia radicalmente quién hace la primera pregunta y cómo se formula.
También cambia la naturaleza de los errores posibles. Una IA entrenada con sesgos genera conclusiones sesgadas, y en este campo los sesgos son inevitables porque solo conocemos un tipo de vida: la nuestra. Reconocer esa limitación no invalida el método, pero sí obliga a mantener la humildad científica como norma y no como excepción.
Mientras tanto, el Webb sigue mirando. El ELT se construye en el desierto de Atacama. Los radiotelescopios escuchan. Y los modelos de aprendizaje automático procesan, clasifican y priorizan sin descanso, esperando encontrar algo que no encaje con nada conocido.
En cierto modo, el mayor desafío no es técnico. Los instrumentos mejorarán, los algoritmos mejorarán. El desafío es saber qué haremos el día que la máquina nos diga que encontró algo, y la geopolítica del espacio ya está tensionando las alianzas que deberían gestionar ese momento.
¿Y si la respuesta lleva años en los datos y todavía no la hemos visto?
Esa posibilidad no es descartable. El archivo de datos del Hubble lleva décadas siendo reanalizado con técnicas mejores que las disponibles cuando se tomaron las observaciones originales, y sigue produciendo descubrimientos. Los datos del Webb que se están generando ahora serán analizados durante décadas con herramientas que aún no existen.
Es posible que la evidencia de vida extraterrestre ya esté almacenada en algún servidor de la NASA o del ESA, esperando un algoritmo con el criterio adecuado para reconocerla. También es posible que la primera detección sea tan ambigua que el debate científico dure años antes de llegar a algún consenso, como ocurrió con la meteorita marciana ALH84001 en 1996, cuando un equipo de la NASA anunció posibles microfósiles de origen extraterrestre y el debate todavía no está completamente cerrado.
La astronomía con IA acelera la búsqueda, pero no garantiza la claridad. Y en un campo donde el hallazgo cambiaría para siempre la comprensión humana del universo, la diferencia entre detectar y demostrar sigue siendo enorme. La IA puede encontrar la aguja en el pajar; saber si es una aguja de verdad sigue siendo trabajo humano.
Queda por ver si las instituciones científicas, los gobiernos y la industria tecnológica tendrán la madurez para gestionar ese momento sin convertirlo en otro capítulo de la economía de la atención. La tecnología para encontrarlo puede estar lista antes de que estemos listos para recibirlo.
Preguntas frecuentes
¿Qué es una biosignature y por qué es importante en la búsqueda de vida extraterrestre?
Una biosignature es un marcador químico o físico cuya presencia en la atmósfera de un planeta sugiere actividad biológica. Los más buscados son el oxígeno, el metano y el dióxido de carbono en combinaciones que serían difíciles de explicar sin procesos vivos. Son importantes porque el James Webb puede detectarlos a distancias de decenas de años luz mediante espectroscopía de transmisión, aunque ninguno confirma vida por sí solo.
¿Ha encontrado ya el James Webb señales de vida?
No. El Webb ha detectado compuestos químicos interesantes en atmósferas de exoplanetas, como en K2-18b en 2023, pero ningún hallazgo ha sido confirmado como evidencia de vida. Los propios investigadores responsables de esos datos han subrayado que las señales tienen explicaciones alternativas no biológicas. La cautela científica es deliberada y necesaria en este campo.
¿Para qué sirve exactamente la IA en la astronomía de búsqueda de vida?
La IA hace tres cosas principales: analiza espectros atmosféricos para identificar moléculas con mayor rapidez que cualquier equipo humano, prioriza qué planetas merecen más tiempo de observación según sus características, y detecta anomalías estadísticas en señales de radio. Sin estas herramientas, el volumen de datos que generan telescopios como el Webb o el radiotelescopio FAST chino sería imposible de procesar en plazos útiles.
¿Es posible que la IA genere un falso positivo de vida extraterrestre?
Sí, y es un riesgo reconocido por la propia comunidad científica. Los modelos se entrenan con datos de vida terrestre, el único tipo que conocemos, lo que introduce un sesgo inevitable. Además, la geoquímica puede producir combinaciones de gases que parecen biosignatures sin ningún organismo implicado. El caso de la posible fosfina en Venus en 2020, que luego resultó cuestionable, ilustra bien ese peligro.
¿Existe algún protocolo oficial para anunciar el descubrimiento de vida extraterrestre?
No existe ninguno vinculante. La Declaración de Principios del SETI, adoptada en 1989 y revisada en 2010, recomienda verificación independiente antes de cualquier anuncio, pero es voluntaria y no tiene mecanismo de cumplimiento. No hay acuerdo internacional con fuerza legal que establezca qué organismos deben gestionar ese anuncio ni en qué plazos, lo que genera una zona gris institucional significativa.
¿Qué es el proyecto Breakthrough Listen y qué ha encontrado?
Breakthrough Listen es una iniciativa privada fundada en 2015 con financiación de Yuri Milner dedicada a buscar señales de radio artificiales de origen extraterrestre. Usa aprendizaje automático para analizar miles de millones de frecuencias. En 2023 publicó ocho señales de interés detectadas por sus algoritmos, pero ninguna ha podido confirmarse como de origen no terrestre. Sigue siendo el programa de búsqueda activa más ambicioso en funcionamiento.
