臺北市立天文科學教育館

由於太空望遠鏡的觀測技術的快速發展，尋找外星生命的特徵與跡證，成為現代的天文生物學家和古生物學家共同合作的核心研究項目。最近研究人員開發出一種功能強大的方法，將各種由地質衛星觀測地球與地球上的古生物樣本，針對其中的含碳物質結果，先藉由氣相層析質譜儀(GC-MS)分析數據，交給AI運用機器學習的方式，以地球上的樣本分類學習。再實際比對判讀太空望遠鏡的光譜分析觀測結果，運用AI判讀是否為生命現象所產生的物質或跡證，且同步進行機器學習並納入或修正其分類系統。經由實際執行成果發現，目前的判讀準確率已可達90％。

圖說：藝術家筆下所展現，恆星Gliese 414所擁有的行星系統。不只針對形成生命的關鍵化學物質，必須同時對於其形成環境四周的化學組成分布樣態進行全面的分析比對，模擬演化過程，才能準確地找到宇宙中的生命現象跡證。圖照來源：Sci News。

上述對於觀測數據進行判讀分類的困難，在於如何才能不只是在系外行星上，或是恆星形成區的分子雲中，找到進行生命現象所需的關鍵物質，例如形成DNA所需的核苷酸等大型蛋白質分子。而在於是否能夠藉由AI的高速演算與對於大量樣本的歸納分析能力，同時研究樣本本身以及它所處環境的化學物質分布樣態，找到並發展出能夠影響生物分子多樣性與分布的生命化學規則。

也就是說，是否能夠藉由人工智慧讓我們發現甚至模擬出完整的生命起源與形成過程，並藉此過程與規則去檢測比對太空望遠鏡的觀測結果比對分析，對其化學環境進行綜合比較，判斷接下來是否能進一步進行生命演化。若能形成數種的生命演化路徑，是否皆為有效路徑，甚至是能演化出何種形態的外星生命。

根據研究結果顯示，生命跡證與非生命性的跡證的最大差異，在於由生命現象，例如活體細胞，其中會含有非常溶於水，與生命運作有關的物質。例如細胞質以及其他存在其中的物質，像是DNA等。但是也有非常不溶於水，用來保護前述物質的構造，例如細胞膜。因此，如果將活體細胞分解並進行光譜分析，就會得到一種非常水溶性的分子和非常不溶於水的分子的混合物，分佈在整個光譜中。而非生命性跡證的光譜分析形態，與上述生命性跡證所產生的，存在著很大的差異。

而此類結合AI人工智慧研究方法的特色，就是在過程中會不斷導引出現新的想法，而且無法完整預測出未來研究成果的範圍，或許會完全超出我們的想像之外。(編輯／蔡承穎)

資料來源：Sci News。