Wissenschaft hat die wiederkehrende Eigenschaft, sich für fast fertig erklärt zu erklären. 1903 äußerte der Physiker Albert Michelson die Vermutung, dass die grundlegenden Fakten der Naturwissenschaften bereits entdeckt worden seien. Jahrzehnte später spekulierte Stephen Hawking, die theoretische Physik könnte bis zum Ende des zwanzigsten Jahrhunderts abgeschlossen sein. Keine dieser Vorhersagen ist gut gealtert. Heute, da Künstliche Intelligenz die Forschungslabore umgestaltet, kursiert wieder ein ähnliches Gefühl des bevorstehenden Abschlusses. Diesmal ist ein Nobelpreis damit verbunden. Die lohnende Frage ist nicht, ob AI die Wissenschaft verändern wird, sondern ob das gefeierte Beispiel dieser Transformation tatsächlich das richtige Modell zum Nachahmen ist.
Warum AlphaFold sich nicht überall kopieren lässt
2024 erhielten Demis Hassabis und John Jumper von Google DeepMind einen Teil des Nobelpreises für Chemie für AlphaFold, ein neuronales Netz, das die dreidimensionalen Strukturen von Proteinen vorhersagt. Das Problem hatte sich etwa ein halbes Jahrhundert lang systematischen Lösungen widersetzt. AlphaFold’s Erfolg veranlasste Hassabis und sein Team dazu, es als „die Vorlage dafür, wie AI die gesamte Wissenschaft auf digitale Geschwindigkeit beschleunigen kann“ zu bezeichnen. Eine Welle von Start-ups, die Foundation Models für Biologie, Chemie und Materialwissenschaften entwickeln, sammelte auf Basis dieser Prämisse Milliarden von Dollar ein.
Die Prämisse beruht jedoch auf einer Bedingung, die weitaus schwerer zu replizieren ist, als sie erscheint. AlphaFold wurde mit der Protein Data Bank trainiert, einem Repository von etwa 170.000 experimentell validierten Proteinstrukturen, die über 53 Jahre internationaler wissenschaftlicher Zusammenarbeit gesammelt wurden. Jüngeren Schätzungen zufolge erforderte dieser Aufwand experimentelle Arbeit im Wert von rund 21 Milliarden US-Dollar. Die Koordination von etwas in diesem Ausmaß ist bekanntermaßen schwierig zu finanzieren und umzusetzen, und solche Bemühungen sind häufig gescheitert.
Selbst dort, wo Finanzierung und Koordination vorhanden sind, bleibt ein tiefergehendes Problem bestehen. Die experimentelle Technik hinter der Protein Data Bank, die Proteinkristallographie, ist ungewöhnlich zuverlässig. Mehr als 25 Nobelpreise basieren auf ihr. Der Großteil der experimentellen Wissenschaft genießt diese Art von Konsistenz nicht. Zelllinien driften ab. Chemikalien enthalten Spuren von Verunreinigungen. Die Luftfeuchtigkeit im Labor schwankt. Um Datensätze zu generieren, die sauber, präzise und groß genug sind, um ein modernes neuronales Netz über weite Teile der Biologie oder Chemie hinweg zu trainieren, wären völlig neue Messstandards erforderlich. Keiner dieser Standards ist auch nur annähernd bereit.
Eine kleine Anzahl von Feldern erfüllt die Anforderungen: Wettervorhersage, große Teile der Genomik, begrenzte Bereiche der Chemie. Hier sind in naher Zukunft Durchbrüche im Stil von AlphaFold zu erwarten. Für die überwältigende Mehrheit der offenen wissenschaftlichen Fragen ist ein anderer Ansatz erforderlich.
Die leiseren Revolution: AI-Agenten als Forschungspartner
Was arbeitende Wissenschaftler tatsächlich tun, ist nicht die Anwendung eines einzelnen mächtigen Werkzeugs auf ein klar definiertes Problem. Sie argumentieren unter Unsicherheit. Ein Biologe, der nach neuen Wirkstoffzielen sucht, kombiniert Docking-Berechnungen mit bekannten Molekülstrukturen, berücksichtigt die Dynamik von Molekülen, führt Bindungsassays durch und übt Urteilskraft darüber aus, welcher Methode zu vertrauen ist und wann. Das Geschick liegt darin, das zu synthetisieren, was viele Tools produzieren, und Schlussfolgerungen zu revidieren, wenn neue Beweise eintreffen. Bis vor Kurzem konnte keine Software diesen Prozess replizieren.
AI-Agenten können das. Ein Agent ist eine AI-Reasoning-Engine mit Zugriff auf Werkzeuge – digital oder physisch – und der Fähigkeit, diese zu nutzen. Angetrieben von Large Language Models benötigen Agenten nicht die Art von spezialisierten, massiven Datensätzen, die AlphaFold gefordert hat. Sie sind von Natur aus Generalisten. Sie stellen nicht so sehr eine neue Art dar, Wissenschaft zu betreiben, sondern vielmehr ein digitales Modell davon, wie Wissenschaft von Menschen schon immer betrieben wurde.
Googles AI Co-Scientist, im Mai angekündigt, bietet ein konkretes Beispiel. Forscher gaben ihm ein einseitiges Briefing und ein einziges Ziel: herauszufinden, wie sich Antibiotikaresistenzen zwischen Bakterienarten verbreiten. Das System setzte Sub-Agenten mit unterschiedlichen Rollen ein. Einer entwarf Hypothesen aus der wissenschaftlichen Literatur. Ein anderer kritisierte sie, wie es ein Peer-Reviewer tun würde. Ein dritter führte Turniere durch, um die stärksten Kandidaten zu bewerten. Ein vierter verfeinerte den Gewinner. Der Agent kam zu dem Schluss, dass Resistenzgene in Bakterienviren reisten, wobei er jeden Virus nutzte, der sie in einen neuen Wirt transportieren konnte. Die Hypothese war korrekt. Forscher des Imperial College London hatten ein Jahrzehnt gebraucht, um durch Laborarbeit zu demselben Schluss zu gelangen. Ihr Paper, das Co-Scientist nie gesehen hatte, befand sich noch im Peer-Review, als der Agent sein Ergebnis lieferte.
Was das jenseits des Labors bedeutet
Die Implikationen gehen weit über jede einzelne Entdeckung hinaus. Agenten lösen zwei strukturelle Probleme, die die Wissenschaft seit Jahrzehnten plagen.
Das erste ist die Reproduzierbarkeit. Die Wissenschaft kämpft seit langem mit der Unfähigkeit von Forschern, die Ergebnisse anderer zu replizieren. Bemühungen, dies zu beheben, beruhten größtenteils darauf, Forscher aufzufordern, Rohdaten und exakten Code zu teilen – eine mühsame Arbeit, die dazu neigt, stattzufinden, nachdem die interessante Wissenschaft bereits beendet ist. Agenten protokollieren automatisch jeden Schritt, den sie unternehmen, und erstellen so eine präzise Aufzeichnung, die die Replikation unkompliziert statt zu einer Wunschvorstellung macht.
Das zweite ist das institutionelle Gedächtnis. Der Wissenstransfer zwischen Forschern ist ein bekanntermaßen fragiler Prozess. Doktoranden erben oft Jahrzehnte unübersichtlicher Laborhefte und müssen das darin eingebettete implizite Wissen rekonstruieren. Da Agenten zu einem größeren Teil der Laborarbeit werden, kann sich die gesamte wissenschaftliche Historie eines Labors in einem standardisierten, durchsuchbaren Repository ansammeln, anstatt verstreut auf handgeschriebenen Seiten zu liegen.
Geschwindigkeit ist jedoch möglicherweise der wirkungsvollste Effekt von allen. Der iterative Zyklus aus Hypothese, Experiment und Überarbeitung, der die Forschung auszeichnet, dauert Monate oder Jahre, wenn er von menschlichen Teams nacheinander durchgeführt wird. Agenten können diesen Zyklus erheblich komprimieren, indem sie mehrere Untersuchungsstränge parallel ausführen und in Echtzeit überarbeiten.
Kurz gesagt
AlphaFold ist eine echte wissenschaftliche Leistung, aber die Bedingungen, die es hervorgebracht haben, sind selten und teuer in der Wiederherstellung. Die breitere Beschleunigung der Wissenschaft wird höchstwahrscheinlich von AI-Agenten ausgehen: Systemen, die über Unsicherheiten hinweg argumentieren, mehrere Tools verwenden und den iterativen Prozess der Entdeckung modellieren, anstatt ein eng definiertes Problem mit einem massiven kuratierten Datensatz zu lösen. Der Wandel vom Pattern-Matching mit sauberen Daten zum logischen Schlussfolgern durch unübersichtliche, unvollständige Beweise hinweg ist kein kleiner technisches Update. Es ist ein fundamental anderes Verhältnis zwischen AI und dem wissenschaftlichen Prozess.
Basierend auf Berichten von MIT Technology Review.