O planeta não apareceu porque um algoritmo “olhou para o céu” sozinho. Ele já estava, como sinal fraco, nos registros do telescópio espacial Kepler. Em dezembro de 2017, pesquisadores anunciaram que uma rede neural ajudou a encontrar o Kepler-90i em dados arquivados da NASA. O caso continua útil para entender onde a inteligência artificial realmente entra numa descoberta científica: na triagem de sinais, seguida de verificação, e não como substituta da observação ou do julgamento dos astrônomos.
Quando isso aconteceu
A nota original da NASA é de 14 de dezembro de 2017. A descoberta foi apresentada como o oitavo planeta conhecido em órbita da estrela Kepler-90. Esta é uma notícia histórica revisitada em outubro de 2026, não um anúncio recente nem uma nova confirmação obtida pelo Bastidores da IA. Na ocasião, a contagem de oito planetas fez o sistema empatar com o nosso em número de planetas conhecidos. Essa comparação se referia à contagem, não à semelhança de condições para a vida.
O que foi encontrado nos dados
O Kepler media a luminosidade das estrelas. Uma pequena queda periódica de brilho pode ser compatível com um planeta passando à frente da estrela, evento chamado trânsito. Christopher Shallue e Andrew Vanderburg treinaram uma rede neural para reconhecer padrões desse tipo em registros que já haviam sido examinados. O método chamou atenção para um sinal discreto no sistema Kepler-90, situado, segundo a NASA, a cerca de 2.545 anos-luz da Terra.
O objeto identificado recebeu o nome Kepler-90i. A agência descreveu uma órbita de aproximadamente 14,4 dias ao redor da estrela e apresentou o planeta como rochoso e muito quente. Essas informações não fazem dele uma “segunda Terra”. Pelo contrário, a proximidade da estrela era um dos motivos para a NASA afastar, naquele anúncio, uma leitura apressada sobre habitabilidade. A descoberta importante era a capacidade de recuperar um indício fraco num acervo grande, não encontrar um destino parecido com o nosso planeta.
O papel da rede neural, sem mágica
A equipe treinou o modelo com sinais já classificados no catálogo do Kepler. Assim, o sistema aprendeu características de trânsitos planetários e de falsos positivos a partir de exemplos conhecidos. Depois, os pesquisadores direcionaram a busca a sistemas que já tinham vários planetas identificados. A lógica era prática: onde vários mundos já produziam trânsitos, poderia haver mais sinais pequenos escondidos no ruído.
O comunicado menciona um conjunto de 15 mil sinais previamente avaliados e uma busca direcionada a 670 sistemas com múltiplos planetas. Também informa um resultado de 96% de classificação correta num conjunto de teste. Esse percentual é um dado daquele teste, com aqueles exemplos, e não uma medida universal de precisão do algoritmo em qualquer estrela ou base de dados. A própria NASA relata que o processo gerou muitos falsos positivos. Um candidato sugerido por software ainda precisa de análise para sustentar uma descoberta.
É fácil confundir essas etapas. O telescópio produziu medições; um modelo destacou padrões; pesquisadores interpretaram os indícios e apresentaram o resultado. A IA não criou novas observações nem provou, por si, que cada queda de brilho tinha origem planetária. A reportagem da NASA cita ainda outro planeta encontrado pela mesma abordagem, Kepler-80g. Isso mostra que a utilidade do método não dependia somente de um caso chamativo, mas não permite afirmar que ele resolveria toda a análise de exoplanetas.
O que a evidência permite concluir
O exemplo ilustra uma vantagem concreta do aprendizado de máquina: priorizar a revisão humana quando a quantidade de dados ultrapassa o que pode ser inspecionado manualmente em detalhe. Nesse caso, a rede neural serviu como filtro para sinais difíceis, enquanto a pesquisa astronômica continuou responsável pela interpretação. É um uso mais estreito e mais verificável do que a promessa vaga de que “IA descobre planetas automaticamente”.
Também há um limite na leitura dos números. A taxa de acerto citada no anúncio pertence a um teste de classificação; não é uma taxa de descobertas confirmadas. O número de sistemas examinados descreve o recorte escolhido pelos pesquisadores, não uma varredura exaustiva de todas as estrelas observadas pelo Kepler. Para avaliar um método científico, importam o conjunto de treinamento, a seleção de candidatos, os erros e a confirmação independente, além do resultado final que vira manchete.
Por que isso ainda importa
O valor atual da história está no método de trabalho com acervos científicos. Dados antigos podem render perguntas novas quando surgem ferramentas de análise diferentes, desde que as hipóteses e os resultados continuem auditáveis. O caso Kepler-90i é uma boa referência para quem lê anúncios sobre IA na ciência: pergunte qual dado foi observado, o que o modelo fez, quem revisou o candidato e o que permaneceu incerto.
Essa distinção vale além da astronomia. Em outra frente, o Bastidores já explicou como a NASA combina classificação automatizada e curadoria humana no Science Discovery Engine. O objetivo ali é organizar materiais científicos, não descobrir exoplanetas; a ligação entre os casos é o cuidado de separar triagem por IA de validação por especialistas. Quem usa IA para analisar documentos ou séries de dados também precisa manter essa separação, especialmente quando um falso positivo pode virar uma afirmação pública.
Para conferir o registro original, leia o comunicado de 2017 da NASA e o material sobre a missão Kepler. A capa desta matéria é uma ilustração editorial exclusiva, não uma captura do telescópio nem um diagrama científico do sistema. A imagem dentro do texto é a representação oficial creditada acima.