Die Physik galt lange Zeit als härterer Prüfstein für künstliche Intelligenz als die Mathematik. Die Probleme sind unübersichtlicher, die Definitionen schwammiger und die untersuchten Phänomene sträuben sich oft gegen jene saubere Formalisierung, die es der KI erlaubt hat, in der reinen Mathematik zu florieren. Dennoch stellen Forscher der Yale University diesen Ruf nun infrage, und die Antwort hat Konsequenzen dafür, wie Wissenschaft überhaupt betrieben wird.
Das Benchmark Problem, über das niemand sprach
Das gängige Narrativ lautet so: KI Modelle schneiden bei rigorosen Physikheflügen schlecht ab, folglich ist die KI nicht bereit für ernsthafte Physikforschung. Werte von nur 30 Prozent in sechs verschiedenen Benchmarks, die die Leistung von KI bei schwierigen Physikproblemen bewerten sollten, schienen diese Sichtweise zu bestätigen.
John Sous von der Yale University beschloss, diese Benchmarks genauer unter die Lupe zu nehmen. Was sein Team fand, war kein Versagen der KI, sondern ein Versagen der Tests selbst. Die Probleme enthielten Fehler und mehrdeutige Definitionen. Sobald diese korrigiert waren, kletterten die Ergebnisse in denselben Tests auf bis zu 94 Prozent.
Das ist es, was die meiste Berichterstattung über KI in der Wissenschaft übersieht. Die Frage lautet nicht nur, wie gut die KI abschneidet, sondern was genau von ihr verlangt wird. Eine schlecht konstruierte Frage liefert eine irreführende Antwort. Die Benchmark Ergebnisse, die die Skepsis des Fachbereichs gegenüber KI in der Physik prägten, maßen zumindest teilweise die Qualität der Tests anstelle der Leistungsfähigkeit der Modelle.
Sous zieht eine klare Linie von diesem Befund zu einemeren Prinzip: Alles, was gut definiert ist, selbst wenn es sehr schwer ist, ist ein Terrain, auf dem KI auf oder über dem Niveau der besten menschlichen Experten arbeiten kann. Diese Behauptung wird durch die Daten seines Teams gestützt, nicht durch Spekulation.
Was passiert, wenn die KI den Laser steuert
Die unmittelbarere Geschichte handelt nicht von Benchmarks. Sie handelt davon, was in arbeitenden Laboren bereits geschieht.
Logan Wright, ebenfalls von der Yale University, unterrichtet mittlerweile einen Kurs über den Einsatz von KI in der Physikforschung. Der Lehrplan ändert sich ständig, um mit den Entwicklungen Schritt zu halten. Sein Ansatz zur Integration von KI in die experimentelle Arbeit beruht auf einer bestimmten Bedingung: Die Ein und Ausgänge eines Experiments müssen durch Code steuerbar sein. Wenn diese Bedingung erfüllt ist, kann ein KI System die Steuerung übernehmen, den Problemraum erkunden und aussagekräftige Ergebnisse liefern, ohne dass bei jedem Schritt menschliches Eingreifen erforderlich ist.
Ein konkretes Beispiel aus Wrights eigenem Labor befasst sich mit der Untersuchung, wie verschiedene Formen von Laserimpulsen ein Rubidiumatom beeinflussen. Die Forscher nutzen Antrophic’s AI Claude, um die Laserimpulse zu steuern und Daten über die Auswirkungen zu sammeln. Claude kann eine Vorhersage darüber treffen, was ein bestimmter Impuls erzeugt, und diese Vorhersage dann direkt testen. Experimente dieser Art können über Nacht laufen und Arbeit erledigen, für die ein menschlicher Physiker sonst eine Woche brauchen würde. Forscher können Ideen sogar aus der Ferne über eine App einreichen und die Ergebnisse überprüfen, wenn sie ins Labor zurückkehren.
Das bedeutet nicht, dass KI Physiker ersetzt. Sie bewältigt das Volumen und die Repetition, die Physiker nicht bewältigen können. Der menschliche Beitrag verlagert sich auf den Entwurf des Versuchsaufbaus, die Interpretation der Ergebnisse und die Entscheidung, welche Fragen es überhaupt wert sind, gestellt zu werden.
Wright ist offen, was die Grenzen angeht. Nicht das gesamte Universum kann auf diese Weise erforscht werden. Der Ansatz funktioniert in eingeschränkten Domänen, in denen alles auf Code reduziert werden kann, und er wird sich nicht ohne Weiteres auf die offene, beobachtungsgetriebene Arbeit übertragen lassen, die die Grenze der Physik ausmacht.
Die schwierigere Frage hinter den Ergebnissen
Hier wird das Gespräch wirklich schwierig. Wright wirft die Möglichkeit auf, dass KI bald ein Experiment entwerfen könnte, das Menschen nicht vollständig verstehen, Menschen bitten könnte, es zu bauen, und spannende neue Ergebnisse liefern könnte. Dieses Szenario ist keine Science-Fiction. Es ist eine kurzfristige Extrapolation dessen, was bereits geschieht.
Aber es wirft eine Frage auf, die die Physik-Community nicht gelöst hat: Gilt ein Ergebnis als Wissenschaft, wenn niemand versteht, wie es erreicht wurde? Dieselbe Debatte wird bereits in der Mathematik geführt, wo von KI generierte Beweise die Sorge geweckt haben, dass das Feld von Ergebnissen überflutet werden könnte, die es nicht sinnvoll bewerten kann.
Sous verweist auf die Formalisierung als das Schlüsselinstrument, das der KI so schnelle Fortschritte in der Mathematik ermöglicht hat. Die Formalisierung wandelt eine mathematische Idee in Computercode um, der systematisch überprüft werden kann. Wenn ein Theorem diesen Prozess übersteht, gilt es als zweifelsfrei korrekt. Die Physik hat begonnen, ähnliche Techniken zu nutzen, aber das Feld steht im Vergleich zur Mathematik am Anfang, und viele Physikprobleme sträuben sich gegen jene präzise Definition, die eine Formalisierung erfordert.
Die kreative, interpretierende Arbeit der Physik, ein verwirrendes Phänomen zu identifizieren, ein Modell zu bauen, das es einfängt, dieses Modell an der Realität zu testen, bleibt im wahrsten Sinne des Wortes offen. Sous beschreibt es als einen künstlerischen Prozess. Ob KI das von Anfang bis Ende leisten kann, das Problem zu definieren, das Modell zu erstellen, es zu erforschen und zu testen, ist eine Frage, die die aktuellen Beweise noch nicht beantworten.
Kurz gefasst
Die scheinbare Schwäche der KI in der Physik war teilweise ein Messproblem und kein Kapazitätsproblem. Korrigierte Benchmarks erzählen eine andere Geschichte. In eingeschränkten experimentellen Umgebungen beschleunigt KI die Forschung bereits auf sinnvolle Weise und erledigt über Nacht, wofür Menschen eine Woche benötigen würden. Die tiefere Herausforderung ist nicht rechnerischer Natur. Sie ist konzeptioneller Natur: Physik an ihrer Grenze geht darum, Dinge begreifbar zu machen, die wir noch nicht verstehen, und das bleibt ein Terrain, auf dem die Rolle der KI unklar ist.
Basierend auf Berichten von New Scientist.