IA identifica pegadas de dinossauros e revela semelhanças inesperadas com aves

Aquelas marcas rasas - quase imperceptíveis a menos que a luz incida no ângulo certo - passaram a ser interpretadas por uma rede neural, e não mais apenas por um paleontólogo solitário com fita métrica. Ao analisar milhares dessas passadas fossilizadas, o algoritmo vem, de forma discreta, mudando o que se imagina sobre quando as aves começaram - e sobre como os dinossauros realmente se locomoviam.

Um novo tipo de detetive de pegadas

Durante décadas, rastros de dinossauros foram ao mesmo tempo um tesouro e uma dor de cabeça para quem pesquisa. Eles podem revelar pistas sobre velocidade, postura e comportamento, mas erosão, deformação da lama e o próprio tempo tornam a leitura incerta. Não é raro dois especialistas examinarem a mesma pegada e defenderem interpretações diferentes.

Para reduzir essa “interferência”, uma equipe da Universidade de Tübingen, em colaboração com a Universidade de Manchester e o Museum für Naturkunde (Berlim), recorreu à inteligência artificial. O resultado foi um sistema incorporado a um aplicativo chamado DinoTracker, que usa aprendizado de máquina para organizar e comparar pegadas de dinossauros com pouca intervenção humana.

“A IA analisa as pegadas apenas pela forma, agrupando-as em um ‘espaço morfológico’ de oito dimensões, em vez de usar rótulos de espécies definidos de antemão.”

No núcleo do DinoTracker há uma rede neural convolucional treinada com mais de 2.000 pegadas tridáctilas (de três dedos) coletadas em várias partes do mundo. Esses rastros, com idades aproximadas entre 200 e 145 milhões de anos, foram transformados em silhuetas e contornos “limpos” antes de entrarem no treino do algoritmo.

Em vez de orientar o sistema com algo como “esta pegada é de um terópode” ou “esta é semelhante à de aves”, os pesquisadores deixaram a IA detectar padrões por conta própria. Esse caminho - conhecido como aprendizado não supervisionado - diminui o risco de repetir erros que podem estar embutidos em esquemas de classificação mais antigos.

Como o DinoTracker lê um passo de dinossauro

Quando alguém envia ao DinoTracker uma foto ou um desenho de uma pegada, o aplicativo não se limita a comparar por cima de uma galeria de imagens. Primeiro, ele marca uma série de referências geométricas: o ângulo entre os dedos, o comprimento relativo do dedo central, o formato do calcanhar e a curvatura de cada marca de garra.

A partir desse contorno bruto, o algoritmo calcula oito variáveis morfométricas. Esses números descrevem a estrutura da pegada de modo compacto - uma espécie de “DNA” dos contornos. Em seguida, cada registro é posicionado em um espaço abstrato de oito dimensões, ficando próximo de outros que compartilham a mesma geometria.

“Em testes, o sistema reproduziu as classificações de especialistas para pegadas bem preservadas em cerca de nove em cada dez casos, aplicando sempre os mesmos critérios.”

Essa estratégia de priorizar a forma é especialmente útil quando o fóssil está borrado, quebrado ou parcialmente soterrado. Em vez de descartar um rastro danificado, o software ainda consegue comparar o que restou do contorno com o banco de dados global e apontar possíveis semelhanças.

Treino com pegadas falsas - e quebradas

O grupo não se limitou a fósseis reais. Para tornar a IA mais resistente, foram criadas mais de 10.000 pegadas simuladas a partir das formas originais. Esses exemplares sintéticos foram esticados, girados, comprimidos, borrados e parcialmente apagados para reproduzir o que acontece quando um animal pesado pisa em sedimento úmido que depois seca, racha e se desgasta.

Ao expor o sistema a variações “sujas” e imperfeitas, a intenção foi aproximar o desempenho do que se encontra em campo, e não apenas de peças ideais em museus. Esse tipo de treino ajuda o algoritmo a separar diferenças anatômicas reais de danos causados por intemperismo ou pelo próprio solo.

• Silhuetas de fósseis reais: base principal do treinamento, com materiais de sítios do mundo todo
  
• Distorções simuladas: pegadas esticadas, rotacionadas e erodidas
  
• Oito variáveis morfométricas: descrição condensada de cada rastro
  
• Aprendizado não supervisionado: agrupamento sem rótulos fixos de espécies
  

Pegadas semelhantes às de aves vindas de um passado bem mais antigo

O aspecto mais chamativo não está na tecnologia em si, e sim no que ela revelou. Entre os registros antigos processados pelo DinoTracker, a IA identificou um agrupamento nítido de pegadas muito antigas com aparência surpreendentemente “aviária”.

Algumas dessas marcas têm mais de 210 milhões de anos, datando do Triássico Superior. Segundo o algoritmo, elas apresentam características geralmente associadas a aves modernas: contornos estreitos de três dedos, simetria forte ao longo do eixo central e dedos mais próximos entre si, em vez de muito abertos.

“Essas pegadas triássicas exibem uma estrutura do pé notavelmente semelhante à das aves vivas, embora os fósseis aceitos das primeiras aves apareçam bem mais tarde no Jurássico.”

A partir daí, os pesquisadores consideram duas explicações principais. Uma possibilidade é que as raízes da linhagem das aves sejam mais antigas do que o registro ósseo atual sugere. A outra é que alguns dinossauros carnívoros iniciais tenham desenvolvido pés parecidos com os de aves de forma independente, muito antes do surgimento das aves propriamente ditas - um caso de evolução convergente.

De um jeito ou de outro, os dados sugerem uma transição mais gradual em direção ao “plano corporal” das aves, em vez de uma mudança abrupta. Ao colocar esses rastros antigos lado a lado com pegadas mais recentes, a IA delineia um contínuo de formas que avança, passo a passo, rumo ao que hoje reconheceríamos em uma gaivota ou em uma garça.

Por que pegadas podem desafiar a árvore evolutiva

Em discussões sobre a origem das aves, ossos fossilizados costumam ter prioridade - especialmente esqueletos famosos como o do Archaeopteryx. O problema é que ossos só se preservam quando a morte ocorre nas condições certas, e esse tipo de evidência é distribuído de forma irregular no tempo e no espaço.

Pegadas, por sua vez, registram outra dimensão: comportamento em movimento, preservado em antigas linhas de costa, planícies de inundação e desertos. Elas podem capturar animais que raramente viram esqueletos fósseis - ou até linhagens ainda não reconhecidas a partir de ossos.

Como a IA agrupa os rastros sem partir da pergunta “qual dinossauro fez isto?”, ela contorna parte do viés de encaixar toda descoberta em uma taxonomia já estabelecida. Isso oferece um novo ângulo para pensar como estilos de locomoção e desenhos de pés semelhantes podem ter surgido em paralelo.

Do laboratório ao celular: ciência cidadã com dados de dinossauros

O DinoTracker não foi pensado apenas para laboratórios especializados. O projeto também funciona como uma plataforma de ciência cidadã, convidando caminhantes, colecionadores amadores e guias locais a compartilharem achados em campo.

Com o aplicativo, qualquer pessoa pode fotografar uma pegada ou desenhar o contorno na tela. O software devolve dois resultados: um índice de similaridade com pegadas já existentes no banco de dados e uma indicação visual de onde aquele rastro se posiciona no espaço de formas de oito dimensões.

“Ao transformar telefones em scanners portáteis de rastros, o sistema amplia o alcance muito além do pequeno número de icnólogos profissionais.”

Cada nova contribuição - depois de verificada em comparação com os dados já disponíveis - pode voltar para o conjunto de treinamento. Com o tempo, esse ciclo de retorno tende a aumentar a precisão da IA e, ao mesmo tempo, a expandir a cobertura geográfica dos sítios conhecidos.

Em lugares onde não há especialistas por perto, o aplicativo também funciona como triagem. Proprietários de terras, guardas-parque ou professores conseguem uma avaliação inicial sobre se uma marca tem chance de ser uma pegada real de dinossauro e se merece uma investigação mais detalhada por cientistas.

Além de rastros de dinossauros: um modelo para fósseis digitais

As mesmas técnicas de reconhecimento de padrões podem ser adaptadas para outros fósseis com contornos característicos. A equipe do DinoTracker já considera, como alvos futuros, impressões de plantas, trilhas de invertebrados e fragmentos ósseos parciais.

Ao padronizar o modo como formas são registradas e comparadas, ferramentas de IA como essa podem ajudar a montar coleções digitais integradas entre museus, universidades e achados privados. Isso pode, por consequência, evidenciar padrões de evolução e clima difíceis de notar quando os dados ficam presos a arquivos locais.

Conceitos-chave por trás da tecnologia

Dois termos sustentam o projeto e merecem ser explicados: “aprendizado não supervisionado” e “variáveis morfométricas”.

No aprendizado não supervisionado, o algoritmo não recebe a “resposta certa” de cada exemplo. Em vez disso, ele procura agrupamentos naturais nos dados - conjuntos de formas parecidas - e destaca esses grupos para interpretação dos cientistas. Assim, diminui-se a chance de reforçar erros de rotulagem antigos.

Já as variáveis morfométricas são números que descrevem forma. Aqui, podem ser proporções como “comprimento do dedo do meio em relação à largura do calcanhar” ou medidas específicas de ângulos entre os dedos. Ao converter contornos em números, a IA consegue tratar milhares de pegadas de maneira consistente e identificar tendências sutis que o olhar humano pode deixar passar depois da centésima medição.

O que isso muda para a caça a fósseis no futuro

Para pesquisadores profissionais, essa abordagem oferece um meio de testar hipóteses evolutivas sem depender demais de agrupamentos já consagrados. Se aparecer um novo conjunto de pegadas no espaço de formas, isso pode indicar um comportamento ou um tipo corporal que não aparece no registro ósseo.

Para entusiastas e famílias que visitam áreas com rastros, a tecnologia aproxima a busca de fósseis de um experimento coletivo. Uma caminhada de domingo sobre um afloramento de arenito pode alimentar pesquisa de alto nível, desde que as pessoas registrem e enviem o que encontrarem com cuidado razoável.

Há, porém, limitações evidentes. Nem toda marca estranha na rocha é um passo de dinossauro e, por melhor que seja o treinamento, uma IA continua dependente do conjunto de dados que já viu. Tipos raros ou únicos de pés podem acabar agrupados de modo inadequado até que existam exemplos suficientes. Por isso, revisão de especialistas e verificação em campo seguem essenciais.

Ainda assim, a combinação de precisão computacional, participação em massa e escala de tempo profunda abre um cenário instigante: um mapa vivo, sempre atualizado, do movimento antigo no planeta, construído pegada por pegada. E, dentro dele, o rastro discreto de três dedos de algo que já andava como ave muito antes de, em teoria, as aves existirem.