Die nächste Welle der wissenschaftlichen KI setzt nicht auf reine Datenmengen, sondern auf echtes Reasoning.

Der Erfolg von AlphaFold hat gezeigt, wie leistungsfähig datenintensive Modelle sein können. Das System von Google DeepMind löste ein über 50 Jahre altes Problem: die Vorhersage der dreidimensionalen Struktur eines Proteins aus seiner Aminosäuresequenz.

Demis Hassabis und John Jumper erhielten dafür 2024 zusammen mit David Baker den Nobelpreis für Chemie. Der Durchbruch basierte auf der Protein Data Bank – einem Datensatz mit über 230.000 experimentell bestimmten Proteinstrukturen, der in 53 Jahren internationaler Zusammenarbeit und mit geschätzten Kosten von 20 bis 21 Milliarden US-Dollar entstanden ist.

Laut einer Analyse von Eric Schmidt, Suhas Mahesh und Maya Levin ist dieser datengetriebene Ansatz jedoch nicht auf die meisten wissenschaftlichen Disziplinen übertragbar. In vielen Bereichen fehlen vergleichbar umfangreiche, konsistente und reproduzierbare Datensätze.

Stattdessen sehen die Autoren die Zukunft in KI-Agenten. Diese von großen Sprachmodellen angetriebenen Systeme können autonom planen, Werkzeuge nutzen, Hypothesen bilden, iterieren und sich an neue Ergebnisse anpassen. Sie ahmen den kontingenten, iterativen Prozess menschlicher Forschung digital nach.

Ein Beispiel ist Googles AI Co-Scientist. Das System wurde beauftragt, die Ausbreitung von Antibiotikaresistenzen zwischen Bakterienarten zu untersuchen. Es generierte Hypothesen, führte Peer-Reviews durch und kam zu dem Schluss, dass Resistenzgene auf bakteriellen Viren „mitfahren“. Diese Hypothese erwies sich als korrekt und wurde unabhängig von Forschern des Imperial College London bestätigt – in einem Prozess, der im Labor ein Jahrzehnt gedauert hatte. Der KI-Agent erreichte das Ergebnis in zwei bis drei Tagen.

KI-Agenten bieten Potenzial bei der Lösung der Reproduzierbarkeitskrise, da sie jeden Schritt automatisch protokollieren. Sie können zudem ein standardisiertes wissenschaftliches Gedächtnis innerhalb eines Labors aufbauen und die Geschwindigkeit von Literaturanalyse, Hypothesengenerierung und Lernen aus fehlgeschlagenen Experimenten erheblich steigern.

Aktuell zeigen die Agenten noch Einschränkungen: Sie halluzinieren gelegentlich, ihr Urteilsvermögen ist nicht immer stabil und sie unterliegen Gedächtnis- und Kontextbeschränkungen.

Quelle: MIT Tech AI

FAQ

Warum reicht der AlphaFold-Ansatz für die meisten Wissenschaften nicht aus?
Weil die notwendigen umfangreichen, konsistenten und reproduzierbaren Datensätze in den meisten experimentellen Disziplinen nicht vorhanden sind und nur mit extrem hohem Aufwand erzeugt werden können.

Was unterscheidet KI-Agenten von bisherigen wissenschaftlichen KI-Modellen?
KI-Agenten sind keine reinen Vorhersagemodelle, sondern autonome Systeme, die Ziele verfolgen, Werkzeuge nutzen, iterativ planen und den gesamten menschlichen Entdeckungsprozess nachbilden können.

Welche konkreten Vorteile versprechen KI-Agenten für die Forschung?
Sie ermöglichen automatische, exakte Protokollierung für bessere Reproduzierbarkeit, den Aufbau eines zentralen wissenschaftlichen Gedächtnisses und eine deutliche Beschleunigung von Analyse, Hypothesenbildung und Lernprozessen aus Experimenten.