Die Künstliche Intelligenz (KI) verändert die wissenschaftliche Forschung, doch nicht alle Ansätze sind gleichermaßen universell einsetzbar. Während das neuronale Netz AlphaFold von Google DeepMind mit einem Nobelpreis ausgezeichnet wurde, zeichnet sich ab, dass sogenannte KI-Agenten die Wissenschaft in den meisten Bereichen anders voranbringen könnten.
AlphaFold: Ein bahnbrechender Erfolg mit spezifischen Voraussetzungen
Im Jahr 2024 erhielten Demis Hassabis und John Jumper von Google DeepMind einen Teil des Chemienobelpreises für die Entwicklung von AlphaFold. Dieses neuronale Netz ist in der Lage, die dreidimensionalen Strukturen von Proteinen vorherzusagen, indem es aus Tausenden experimentell gemessener Formen lernt. Das Problem der Proteinfaltung hatte die Forschung ein halbes Jahrhundert lang beschäftigt, und AlphaFold schien es endgültig gelöst zu haben. Hassabis und sein Team bezeichneten AlphaFold als „Blaupause dafür, wie KI die gesamte Wissenschaft auf digitale Geschwindigkeit beschleunigen kann“. Der Erfolg führte zu einer Welle von Start-ups, die Milliarden von Dollar für die Entwicklung von Basismodellen in Biologie, Chemie und Materialforschung einwarben.
Der Erfolg von AlphaFold basierte jedoch auf einer entscheidenden Voraussetzung: der Verfügbarkeit der Protein Data Bank. Diese Datenbank umfasste etwa 170.000 experimentell validierte Proteinstrukturen, auf denen das Modell von DeepMind trainiert werden konnte. Die Erstellung dieser Datenbasis war ein immenser Aufwand, der 53 Jahre internationaler wissenschaftlicher Zusammenarbeit und geschätzte 21 Milliarden US-Dollar an experimenteller Arbeit erforderte.
Grenzen des datengetriebenen Ansatzes
Die Bedingungen, die AlphaFold ermöglichten, sind in den meisten wissenschaftlichen Feldern selten. Projekte dieser Größenordnung sind schwer zu finanzieren, kaum zu koordinieren und extrem zeitaufwendig. Hinzu kommt, dass in vielen experimentellen Wissenschaften die Ergebnisse weniger reproduzierbar und zuverlässig sind als bei der Proteinkristallographie, die für die Protein Data Bank entscheidend war. Zelllinien können sich verändern, Chemikalien Spurenverunreinigungen aufweisen oder die Luftfeuchtigkeit im Labor schwanken.
Die Erstellung konsistenter, präziser und skalierbarer Datensätze, die für das Training moderner neuronaler Netze in den meisten Bereichen der Biologie oder Chemie erforderlich wären, würde neue Messmethoden und standardisierte Ansätze verlangen, die in absehbarer Zeit nicht verfügbar sein werden. Ausnahmen bilden Nischenbereiche wie die Wettervorhersage, große Teile der Genomik und sehr begrenzte Bereiche der Chemie, wo ähnliche Durchbrüche möglich sind, insbesondere mit staatlicher Unterstützung für die Datenerzeugung und -koordination.
KI-Agenten als vielversprechende Alternative
Für die meisten offenen Fragen in der Wissenschaft, zumindest kurzfristig, zeichnet sich ein anderer Ansatz ab: KI-Agenten. Ein Agent ist eine KI-Denkmaschine, die Zugang zu digitalen oder physischen Werkzeugen und die Fähigkeit hat, diese zu nutzen. Eine grundlegende architektonische Verschiebung in der KI, angetrieben durch große Sprachmodelle (Large Language Models), hat die schnelle Verbreitung dieser Programme ermöglicht und den Bedarf an wissenschaftlich spezialisierten Datensätzen drastisch reduziert.
KI-Agenten modellieren den iterativen, kontingenten Prozess der menschlichen Forschung digital nach. Sie synthetisieren Ergebnisse aus verschiedenen Werkzeugen und überarbeiten diese, sobald neue Beweise vorliegen – eine Methode, die der tatsächlichen Arbeitsweise der meisten Forschenden entspricht. Während AlphaFold eine leistungsstarke Methode auf eine begrenzte Frage anwendet, sind Agenten von Natur aus Generalisten.
Praktischer Einsatz: Googles KI Co-Scientist
Ein Beispiel hierfür ist Googles AI Co-Scientist, das im Mai vorgestellt wurde. Forschende gaben dem System einen einseitigen Auftrag und ein Ziel: herauszufinden, wie sich Antibiotikaresistenzen zwischen Bakterienarten verbreiten – ein Schlüsselfaktor für arzneimittelresistente Infektionen. Das System startete Unteragenten: Einer entwarf Hypothesen aus der Literatur, ein anderer zerlegte sie wie ein Peer-Reviewer, ein dritter bewertete die stärksten Kandidaten, und ein vierter verfeinerte die beste Hypothese.
Der Agent kam zu dem Schluss, dass Resistenzgene auf bakteriellen Viren mitreisten und jedes Virus nutzten, das sie in einen neuen Wirt transportieren konnte. Diese Hypothese war korrekt. Forschende des Imperial College London hatten ein Jahrzehnt lang durch aufwendige Laborarbeit die gleiche Schlussfolgerung gezogen; ihre Arbeit, die Co-Scientist zuvor nicht bekannt war, befand sich noch im Peer-Review-Prozess.
Herausforderungen und Ausblick
Obwohl Agenten wie Co-Scientist noch neue Werkzeuge sind, müssen Herausforderungen wie die Neigung zu Halluzinationen, inkonsistente Urteilsfindung sowie Speicher- und Eingabebeschränkungen überwunden werden, bevor sie zu einem festen Bestandteil des wissenschaftlichen Prozesses werden. Es wird jedoch erwartet, dass diese technischen Hürden fallen, wodurch sich die Zuverlässigkeit, Konsistenz und Geschwindigkeit wissenschaftlicher Entdeckungen exponentiell steigern werden.
Thema: Intel. Quelle/Inspiration: MIT Technology Review.