Como o DinoTracker lê pegadas de dinossauros com IA

Quem caminha por pedreiras ou falésias costeiras facilmente deixa essas marcas passarem despercebidas: impressões discretas na rocha. Por trás delas, podem estar pegadas de animais que andaram por terrenos lamacentos há mais de 200 milhões de anos. Agora, uma equipe internacional está usando IA para analisar essas pistas de forma automatizada - com resultados que mexem bastante com a visão sobre a origem das aves.

DinoTracker: a IA que lê pegadas de dinossauros

A principal novidade se chama DinoTracker. Por trás do nome, que soa quase lúdico, existe um complexo algoritmo de aprendizado de máquina. Ele foi desenvolvido na Universidade de Tübingen, em parceria com a Universidade de Manchester e o Museu de História Natural de Berlim.

O problema de base é conhecido: rastros de dinossauros costumam estar incompletos, deformados ou muito desgastados pela ação do tempo. Até aqui, pesquisadoras e pesquisadores precisavam compará-los manualmente, muitas vezes com base em avaliações subjetivas. O DinoTracker segue outro caminho e se concentra de maneira radical na forma.

• Mais de 2.000 pegadas tridáctilas de vários lugares do mundo serviram como dados iniciais.
• As marcas vêm de um intervalo de cerca de 200 a 145 milhões de anos atrás.
• Todos os rastros foram convertidos em contornos padronizados.

Essas silhuetas entram em uma rede neural, um tipo específico de IA capaz de reconhecer padrões em imagens. Em vez de apenas “rotular” as pegadas como faria uma análise de imagem tradicional, o sistema as posiciona em um “espaço de formas” abstrato, com oito dimensões.

A IA coloca cada pegada em uma posição nesse espaço de formas - quanto mais parecidas duas marcas forem, mais próximos ficam os seus pontos.

Desse modo, surge um mapa da morfologia dos pés, algo como um céu estrelado dos pés de dinossauros.

Por que a IA aprende de propósito sem instruções prévias

Um detalhe importante foi a escolha pelo chamado “aprendizado não supervisionado”. Isso quer dizer que a IA não recebe etiquetas prontas, como “terópode X” ou “ancestral das aves Y”. Ela enxerga apenas formas e procura semelhanças.

A intenção é evitar que erros antigos da literatura sejam levados para dentro do sistema. Muitos achados históricos foram nomeados e classificados de acordo com as hipóteses aceitas na época - e isso nem sempre estava correto. Se essas etiquetas forem simplesmente reaproveitadas, os equívocos continuam sendo transmitidos.

Para aumentar a robustez, a equipe também gerou mais de 10.000 pegadas simuladas. Nessa etapa, rastros reais foram alterados virtualmente:

• dedos alargados ou parcialmente “desgastados”
• marcas giradas ou levemente distorcidas
• efeitos de pressão reproduzidos, como os causados por peso ou pelo substrato

Essas versões artificiais reproduzem danos e deformações típicos do ambiente natural. Com isso, a IA aprende a extrair informações de forma confiável mesmo de rastros fragmentados ou tortos.

No fim, o algoritmo extrai oito métricas centrais, como comprimento relativo dos dedos, região do calcanhar e simetria. A partir disso, surgem grupos muito mais estáveis do que as avaliações de pessoas individualmente. Em testes com pegadas bem preservadas, a IA concordou com especialistas em cerca de 90% dos casos.

O que as pegadas revelam sobre a proximidade com as aves

A parte mais intrigante aparece quando a IA aponta conexões que quase ninguém havia percebido antes. Pegadas muito antigas - com mais de 210 milhões de anos - passaram a aparecer próximas de marcas de aves modernas no espaço de formas.

Esses rastros fósseis exibem vários traços que normalmente seriam esperados em aves de hoje:

• uma estrutura estreita e tridáctila
• simetria longitudinal clara
• pouca distância entre os dedos

É exatamente assim que muitas pegadas deixadas por gansos, garças ou outras aves caminhadoras aparecem na areia molhada. Isso causa estranhamento na comunidade científica, porque o surgimento das aves costuma ser situado, de forma clássica, alguns dezenas de milhões de anos mais tarde.

Ou as origens da linhagem das aves são muito mais antigas do que se imaginava - ou certos dinossauros do Triássico já tinham pés surpreendentemente parecidos com os das aves.

A grande sacada é que a IA não atribui nomes de espécies nem apressa a inclusão de nada em um grupo conhecido. Ela faz o agrupamento estritamente pela geometria. Assim, emergem convergências, isto é, soluções parecidas que a natureza encontra para exigências semelhantes de locomoção ou caça.

Uma linha do tempo possivelmente deslocada

Comparações com pegadas mais recentes mostram que certas formas de pé permanecem relativamente estáveis por longos períodos. Na linhagem dos terópodes - os carnívoros bípedes dos quais, segundo o entendimento atual, surgiram as aves - há fortes indícios de uma aproximação gradual ao típico pé de ave.

Se rastros muito antigos já apontam fortemente nessa direção, a separação das linhagens relevantes pode ter ocorrido antes do que muitos livros didáticos apresentam. Como alternativa, diferentes grupos podem ter desenvolvido de maneira independente morfologias de pé muito parecidas, porque ocupavam ambientes semelhantes.

Como um aplicativo de celular transforma leigos em caçadores de pistas

O DinoTracker não é apenas uma ferramenta de laboratório. Desde o início, as pesquisadoras e os pesquisadores já pensaram em uso móvel. Pessoas que circulam por campos fossilíferos deverão conseguir enviar fotos de impressões suspeitas - de geólogos amadores a turmas escolares.

O processo foi pensado para ser simples:

1. Tirar uma foto ou fazer um esboço do possível rastro com o celular.
2. Enviar no aplicativo e delimitar aproximadamente a área.
3. A IA analisa o contorno e a forma e posiciona a marca no espaço de formas.
4. A usuária ou o usuário recebe uma avaliação de semelhança com rastros já conhecidos.

Quem envia uma pegada potencialmente interessante passa a fornecer matéria-prima para a pesquisa. Depois de uma checagem técnica, os achados válidos podem ir para o banco de dados central. Assim, o conjunto de dados cresce entre diferentes regiões, inclusive onde quase não há icnólogas e icnólogos profissionais - ou seja, especialistas em rastros fósseis.

Quando milhares de pares de olhos ajudam ao redor do mundo, o acervo de pegadas cresce mais rápido do que qualquer equipe de pesquisa conseguiria sozinha.

O DinoTracker pode virar padrão para futuras análises de fósseis?

A arquitetura por trás do DinoTracker pode ser aplicada a outros fósseis. A equipe já pensa em expandir o sistema para impressões de plantas, trilhas de insetos ou ossos parcialmente preservados.

A vantagem é evidente: em vez de avaliar cada novo sítio com critérios próprios, seria possível comparar formas em escala global. Um rastro na África do Sul poderia ser relacionado diretamente com marcas da Baviera ou da China - com base nos mesmos critérios métricos, e não apenas no olhar.

Campo de aplicação	Possível benefício da IA
Pegadas de dinossauros	Classificação objetiva, melhores comparações entre regiões e épocas
Impressões de plantas	Reconhecimento de padrões em formatos de folhas, indícios de clima e vegetação
Rastros de invertebrados	Melhor distinção entre trilhas e marcas de alimentação parecidas no sedimento
Ossos fragmentados	Comparação de formas com bancos de dados, primeiros indícios sobre grupos animais

Chances, riscos e efeitos práticos

O uso de IA na paleontologia desperta grandes expectativas, mas também levanta dúvidas. Quando algoritmos agrupam formas, há o risco de que pesquisadoras e pesquisadores passem a ver os “clusters” como uma verdade objetiva e deixem suas próprias observações em segundo plano. Por isso, as equipes de Tübingen e Manchester reforçam que o DinoTracker é uma ferramenta, não um substituto do trabalho de campo.

Na prática, o aplicativo pode funcionar como um segundo olhar. Quem encontra uma marca recebe rapidamente uma noção de se ela aponta mais para terópode, herbívoro ou apenas um padrão de erosão. Isso economiza tempo e ajuda a concentrar o esforço nos pontos realmente importantes.

Para leigos, abre-se um acesso direto à pesquisa. Passeios por regiões fossilíferas - como no sul da Alemanha, na França, na Espanha ou na América do Norte - podem se transformar em projetos reais de ciência cidadã. Escolas poderiam organizar dias de atividade em que crianças fotografariam rastros, enviariam tudo ao aplicativo e depois discutiriam as respostas em sala de aula.

Termos como “aprendizado não supervisionado” ou “variáveis morfométricas” parecem complicados à primeira vista. No fundo, a ideia é intuitiva: em vez de se prender a nomes e rótulos, analisa-se a aparência pura e mede-se isso com tanta precisão que formas aparentemente caóticas ganham organização. Quem observa com atenção as pegadas de aves à beira de um lago percebe o quanto de informação cabe em marcas minúsculas.

No longo prazo, isso pode mudar não apenas a imagem que temos dos dinossauros, mas também a forma como entendemos a capacidade de sistemas técnicos reconstruírem mundos do passado. A combinação de IA, grandes volumes de dados de rastros e pessoas curiosas em campo pode preencher muitas lacunas que ossos sozinhos jamais conseguiriam completar.