Künstliche Intelligenz hat einen ihrer klarsten wissenschaftlichen Erfolge erzielt, indem sie aus einem riesigen, sorgfältig zusammengestellten Datensatz gelernt hat. Doch eine neue Analyse der MIT Technology Review argumentiert, dass dieses Fortschrittsmodell sich in den meisten Fachgebieten nur schwer wiederholen lässt – und dass KI-Agenten, die über Werkzeuge hinweg schlussfolgern können, ein praktischerer Weg nach vorn sein könnten.

Das Argument ist wichtig, weil die Bedingungen hinter AlphaFold ungewöhnlich sind. Googles DeepMind-Proteinstruktursystem profitierte von jahrzehntelanger internationaler Datenerhebung und einer relativ zuverlässigen experimentellen Methode. In weiten Teilen der Biologie, Chemie und Materialwissenschaft fehlen vergleichbare Datensätze, konsistente Messungen oder standardisierte Verfahren. Für Forschende und KI-Entwickler bedeutet das: Fortschritt könnte weniger davon abhängen, einen universellen wissenschaftlichen Datensatz zu finden, als vielmehr davon, Systeme zu bauen, die unvollständige Belege kombinieren und Ideen iterativ testen können.

AlphaFolds Erfolg beruhte auf seltenen Bedingungen

AlphaFold wurde zu einem Meilenstein für KI in der Wissenschaft, nachdem es aus experimentell gemessenen Beispielen dreidimensionale Proteinstrukturen vorhergesagt hatte. Demis Hassabis und John Jumper von Google DeepMind erhielten für mit dem System verbundene Arbeiten den Nobelpreis für Chemie 2024.

Die Analyse der MIT Technology Review stellt AlphaFold als eine tiefgreifende Leistung dar, aber nicht unbedingt als allgemeine Blaupause für die Automatisierung von Entdeckungen. Seine Trainingsgrundlage war die Protein Data Bank, die rund 170.000 experimentell validierte Proteinstrukturen enthält. Laut der Analyse dauerte der Aufbau dieser Ressource 53 Jahre internationaler Zusammenarbeit und kostete schätzungsweise 21 Milliarden US-Dollar an experimenteller Arbeit.

Diese Investition war unter anderem möglich, weil Proteinkristallografie Daten erzeugt, die ungewöhnlich reproduzierbar sind. In weiten Teilen der experimentellen Wissenschaft gelten dieselben Bedingungen nicht. Zelllinien können sich verändern, Chemikalien können Spurenverunreinigungen enthalten, und Laborbedingungen können Ergebnisse beeinflussen. Messungen zu erzeugen, die für moderne neuronale Netze ausreichend konsistent, genau und groß angelegt sind, könnte neue Instrumente, Standards und Forschungsinfrastruktur erfordern.

Einige Bereiche – darunter die Wettervorhersage, große Teile der Genomik und begrenzte Teile der Chemie – könnten weiterhin die Datenbedingungen bieten, die für AlphaFold-ähnliche Systeme nötig sind. Doch die Analyse sagt, dass staatliche Unterstützung für die Erstellung und Koordinierung wissenschaftlicher Datensätze wichtig bleiben wird, während viele andere Forschungsprobleme kurzfristig einen anderen technischen Ansatz erfordern.

Warum Schlussfolgerungen wichtig sind, wenn die Daten unordentlich sind

Wissenschaftler arbeiten selten mit perfekten Belegen. Eine Forscherin, die einen Wirkstoffzielpunkt untersucht, könnte Molekulares Docking, bekannte Strukturen, Molekulardynamiksimulationen, eine kleine Zahl von Bindungsassays und Expertenurteil kombinieren. Der Prozess hängt davon ab, Werkzeuge zu vergleichen, ihre Schwächen zu verstehen und Schlussfolgerungen zu überarbeiten, sobald neue Belege eintreffen.

Der Artikel argumentiert, dass KI-Agenten beginnen, diesen Arbeitsablauf zu modellieren. Ein Agent wird als ein Schlussfolgerungssystem beschrieben, das mit digitalen oder physischen Werkzeugen verbunden ist und entscheiden kann, wie es diese nutzt. Statt ein hochspezialisiertes Modell auf eine Frage anzuwenden, können Agenten Literaturrecherchen, Hypothesengenerierung, Kritik, Experimente und Folgeanalysen koordinieren.

Das zitierte Beispiel ist Google AI Co-Scientist, das Google im Mai ankündigte. Forschende stellten eine kurze Anfrage und baten das System zu untersuchen, wie sich Antibiotikaresistenz zwischen Bakterienarten ausbreitet. Das System nutzte Unteragenten für literaturbasierte Hypothesengenerierung, Kritik, Rangordnung und Verfeinerung. Berichten zufolge schlug es vor, dass Resistenzgene über bakterielle Viren zwischen Wirten wandern könnten.

MIT Technology Review sagt, die Hypothese habe mit einer Schlussfolgerung übereingestimmt, die Forschende des Imperial College London im Laufe eines Jahrzehnts an Nasslaborarbeit erreicht hatten. Das betreffende Paper sei von Co-Scientist Berichten zufolge nicht gesehen worden und habe sich noch im Peer-Review befunden. Das macht das Beispiel bemerkenswert, aber die hier verfügbaren Belege sind immer noch der Bericht einer veröffentlichten Analyse und nicht ein unabhängig dokumentierter Benchmark oder eine breite Validierungsstudie. Es sollte als illustratives Ergebnis behandelt werden, nicht als Beweis dafür, dass wissenschaftliche Agenten für unbeaufsichtigte Forschung bereit sind.

Agenten könnten den Forschungsworkflow verändern

Die unmittelbarste Chance besteht nicht darin, Wissenschaftler zu ersetzen. Sie besteht darin, die Reibung beim Wechsel zwischen Belegen, Werkzeugen und Experimenten zu verringern. Ein leistungsfähiger Agent könnte große Literaturmengen durchsuchen, prüfbare Erklärungen vorschlagen, rechnergestützte Experimente vorbereiten und die zugrunde liegenden Schlussfolgerungen und Werkzeugaufrufe dokumentieren.

Diese Protokollierung könnte einen Teil der Reproduzierbarkeitskrise angehen. Forschende und Förderer haben Wissenschaftler seit Langem dazu ermutigt, Rohdaten, Code und Verfahrensdetails zu teilen, doch diese Aufgaben werden oft erst nach der eigentlichen Arbeit erledigt und können unvollständig sein. Agenten, die ihre Aktionen automatisch protokollieren, könnten einen präziseren Nachweis darüber erzeugen, wie ein Ergebnis entstanden ist. Das würde einem anderen Labor helfen, einen rechnergestützten Workflow zu reproduzieren, auch wenn es allein keine Variation in physischen Experimenten löst oder garantiert, dass die Schlussfolgerung eines Agenten korrekt ist.

Agenten könnten auch institutionelles Wissen bewahren. Laborverfahren werden oft informell zwischen Forschenden weitergegeben oder in uneinheitlichen Notizbüchern verborgen. Ein standardisiertes Repository für agentenunterstützte Arbeit könnte frühere Entscheidungen, fehlgeschlagene Experimente und Verfahrensdetails leichter auffindbar machen. Für Forschungsteams in Unternehmen deutet das auf einen praktischen Anwendungsfall hin: Modelle mit genehmigten internen Dokumenten, Simulationswerkzeugen, Laborsystemen und Prüfprozessen zu verbinden, statt einen allgemeinen Chatbot isoliert einzusetzen.

Geschwindigkeit ist ein weiterer potenzieller Vorteil. Die Analyse legt nahe, dass Systeme, die große Sammlungen von Papers lesen, viele Kandidatenmoleküle entwerfen und aus fehlgeschlagenen Tests lernen können, die Kosten für die Erkundung von Ideen senken könnten. Der Vorteil wäre nicht einfach schnellere Antworten. Günstigere Experimente könnten Forschende eher dazu bringen, ungewöhnliche oder risikoreiche Fragen zu untersuchen.

Belege, Grenzen und Risiken beim Einsatz

Das Argument für wissenschaftliche Agenten bleibt zukunftsgerichtet. MIT Technology Review weist ausdrücklich darauf hin, dass aktuelle Systeme halluzinieren, inkonsistente Urteile fällen und unter Speicher- und Eingabebeschränkungen arbeiten können. Diese Grenzen sind in Bereichen ernst, in denen eine attraktive Hypothese wissenschaftlich dennoch falsch, unsicher oder nicht reproduzierbar sein kann.

Die stärksten Aussagen des Artikels über künftige Verbesserungen, höhere Zuverlässigkeit und eine Beschleunigung der Forschung sind Analyse und Interpretation, keine etablierten Marktergebnisse. Die vorgelegten Belege enthalten keine Nutzungszahlen, keine kontrollierten Vergleiche mit menschlichen Teams und keine unabhängigen Produktivitätsmessungen. Sie zeigen auch nicht, dass Agenten Laborgeräte zuverlässig steuern oder langfristige Forschungsprogramme ohne enge Aufsicht verwalten können.

Für Entwickler ist die Gestaltungsaufgabe daher breiter als nur Modellqualität. Wissenschaftliche Agenten brauchen Herkunftsnachweise, Werkzeugberechtigungen, Experimentprotokolle, Unsicherheitsberichte und menschliche Kontrolle an entscheidenden Entscheidungspunkten. Sie müssen zwischen einem durch replizierte Messungen gestützten Ergebnis und einer plausiblen, aber schwachen Hypothese unterscheiden. In regulierten oder sicherheitskritischen Umgebungen brauchen Teams außerdem klare Aufzeichnungen darüber, welches Modell, welche Daten, welche Softwareversion und welche experimentellen Bedingungen jede Empfehlung geprägt haben.

Worauf man als Nächstes achten sollte

Die nächsten aussagekräftigen Signale werden Evaluierungen sein, die wissenschaftliche Agenten mit Forschenden vergleichen, die dieselben Fragen, Werkzeuge und Zeitbudgets verwenden. Eine unabhängige Replikation von Ergebnissen, die Google AI Co-Scientist zugeschrieben werden, würde stärkere Belege liefern als ein einzelner Erfolg.

Forschende und Käufer sollten auch darauf achten, ob Agenten über längere Zeit kohärente Forschungspläne aufrechterhalten, Belege genau zitieren, sich von fehlgeschlagenen Experimenten erholen und Arbeit zwischen Laboren übertragen können. Ein weiterer wichtiger Test wird die Integration in echte wissenschaftliche Infrastruktur sein: elektronische Laborbücher, Simulationsumgebungen, Datenbanken und robotische Systeme.

Fortschritte bei Messstandards werden ebenso wichtig sein wie Fortschritte bei Modellen. Wo zuverlässige wissenschaftliche Datensätze erzeugt werden können, könnten spezialisierte Systeme wie AlphaFold weiterhin äußerst wirksam bleiben. Andernorts wird die Leistung von Agenten davon abhängen, wie gut Systeme mit verrauschten Messungen, widersprüchlichen Papers und unvollständigem institutionellem Wissen umgehen.

Creati.ai-Perspektive

Die zentrale Lehre ist nicht, dass datengestützte wissenschaftliche Modelle versagt hätten. AlphaFold zeigt, wie leistungsfähig sie sein können, wenn ein Fachgebiet über reichlich vorhandene, strukturierte und vertrauenswürdige Trainingsdaten verfügt. Die wichtigere Korrektur ist, dass die meisten Forschungsbereiche diese Bedingungen nicht bieten, sodass KI-Produkte für die Wissenschaft um Unsicherheit herum gestaltet werden müssen, statt sie einfach auszublenden.

Für KI-Unternehmen und Forschungseinrichtungen liegt die kurzfristige Chance in einer nachvollziehbaren Ebene, die bestehende wissenschaftliche Werkzeuge koordiniert und die gesamte Kette von der Frage über die Evidenz bis zum Experiment erfasst. Das ist weniger spektakulär als autonome Entdeckung zu versprechen, entspricht aber stärker der tatsächlichen Praxis der Wissenschaft – und ist für Expertinnen und Experten leichter zu testen, zu hinterfragen und zu verbessern.