Der nächste AI-Sprung der Wissenschaft kommt von Reasoning-Agenten, nicht von datenintensiven Modellen wie AlphaFold

Wichtigste Punkte

• Google DeepMinds AlphaFold bescherte Demis Hassabis und John Jumper den Nobelpreis für Chemie 2024 für die Vorhersage von Proteinstrukturen.
• Die Proteindatenbank, mit der AlphaFold trainiert wurde, benötigte 53 Jahre und geschätzte 21 Milliarden Dollar experimenteller Arbeit zum Aufbau.
• Die meisten wissenschaftlichen Felder können Datensätze dieser Qualität nicht produzieren, weshalb AlphaFold-ähnliche KI ein schlechtes Modell für die breitere Wissenschaft ist.
• KI-Agenten, Software, die Probleme durchdenkt und mehrere Tools nacheinander nutzt, erreichen nun in Stunden Forschungsergebnisse, die Menschen Jahrzehnte kosteten.
• Ein wichtiger Nebeneffekt: Agenten dokumentieren automatisch jeden Schritt, was Wissenschaft Reproduzierungskrise lösen könnte.

Vor zwei Jahren schien die Vorstellung, dass ein Computerprogramm eines der schwierigsten biologischen Rätsel lösen könnte, außergewöhnlich. Dann machte AlphaFold es.

Das von Google DeepMind entwickelte Programm kann die dreidimensionale Form eines Proteins – eines Moleküls, dessen Form bestimmt, was es im Körper tut – allein aus seiner genetischen Sequenz vorhersagen. Wissenschaftler hatten dieses Problem fünfzig Jahre lang verfolgt. 2024 erhielten Demis Hassabis und John Jumper dafür den Nobelpreis für Chemie. Startups strömten in Biologie und Chemie, sammelten Milliarden auf der Annahme, dass KI plus Daten jetzt Entdeckung nach Entdeckung freischalten würde.

Diese Annahme verdient nach einer detaillierten Analyse, die zuerst von MIT Technology Review berichtet wurde, einen genaueren Blick.

Warum können wir nicht einfach AlphaFold wiederholen?

Ganz einfach: Die erforderlichen Daten existieren fast nie. AlphaFold trainierte auf der Protein Data Bank, einer Sammlung von etwa 170.000 experimentell bestätigten Proteinstrukturen, die über 53 Jahre internationaler Zusammenarbeit mit geschätzten 21 Milliarden Dollar aufgebaut wurden. Solche Datensätze sind außerordentlich selten.

Die meiste experimentelle Wissenschaft ist chaotischer. Zellkulturen verändern sich subtil im Laufe der Zeit. Chemikalien enthalten Spurenverunreinigungen. Die Luftfeuchtigkeit im Labor schwankt zwischen Messungen. Ergebnisse, die ein Team am Dienstag reproduzieren kann, halten möglicherweise am Donnerstag für ein anderes Team nicht. Die sauberen, standardisierten, großflächigen Daten, die ein modernes neuronales Netzwerk – der statistisch-mustererkennende Kern von Tools wie AlphaFold – zum Lernen benötigt, existieren in den meisten Feldern einfach nicht, und ihre Erstellung würde Jahrzehnte dauern.

Eine Handvoll von Bereichen, Wettervorhersagen und Teile der Genomik darunter, verfügen über die richtige Art von Daten und könnten bald AlphaFold-ähnliche Durchbrüche sehen. Aber sie sind die Ausnahme.

Was funktioniert also?

KI-Agenten zeigen echtes Versprechen, und sie funktionieren ganz anders. Ein Agent ist Software, die mehrstufige Probleme durchdenkt, indem sie verschiedene Tools nutzt, die besten Ergebnisse auswählt, fehlgeschlagene Ansätze verwirft und es erneut versucht. Er verhält sich weniger wie eine Nachschlagetabelle und mehr wie ein sorgfältiger Wissenschaftler.

Googles AI Co-Scientist, angekündigt im Mai, ist ein frühes Beispiel. Forscher gaben ihm ein einseitiges Briefing und ein Ziel: herausfinden, wie Antibiotikaresistenz – die Fähigkeit von Bakterien, Medikamente zu überstehen, die sie töten sollen – sich zwischen Bakterienarten verbreitet. Das System verteilte die Aufgabe auf mehrere Unterprogramme. Eines generierte Hypothesen aus der wissenschaftlichen Literatur. Ein zweites stellte jede Hypothese in Frage, wie ein Peer-Reviewer es würde. Ein drittes ranking die Überlebenden. Ein viertes verfeinerte den Sieger.

Der Agent kam zu dem Ergebnis, dass Resistenzgene in bakteriellen Viren mitfahren und sich in jeden Virus einnisten konnten, der sie in einen neuen Wirt tragen konnte. Forscher am Imperial College London hatten ein Jahrzehnt mit mühsamer Laborarbeit braucht, um zur gleichen Schlussfolgerung zu gelangen. Ihr Paper war noch im Peer Review, als Co-Scientist seine Antwort produzierte.

Was bedeutet das für Patienten und die Öffentlichkeit?

Schnellere und reproduzierbare Wissenschaft bedeutet schnellere Wege von Laborfunden zu klinischen Studien. Es zählt auch für Vertrauen. Wissenschafts Reproduzierungskrise, in der Forscher wiederholt feststellen, dass sie die Ergebnisse einander nicht replizieren können, hat das Vertrauen in medizinische Forschung über Jahre hinweg unterggraben. Agenten dokumentieren automatisch jeden Schritt, den sie unternehmen, und erstellen exakte Aufzeichnungen ihrer Methode. Diese Aufzeichnungen machen Replikation auf eine Weise unkompliziert, die handschriftliche und oft unvollständige menschliche Labornotizbücher selten sind.

Agenten sind nicht perfekt. Sie produzieren gelegentlich selbstsicher wirkende Fehler, ihr Denken ist nicht immer konsistent, und sie haben Grenzen, wie lange sie ohne menschliche Aufsicht arbeiten können. Das sind echte Einschränkungen. Aber es sind Ingenieurprobleme, keine fundamentalen Hindernisse.

Die größere Verschiebung ist leiser als ein Nobelpreis, und sie könnte wichtiger sein.

Häufig gestellte Fragen

Bedeutet das, dass KI Wissenschaftler ersetzen wird?

Nein. Agenten funktionieren am besten als unermüdlicher Assistent, der Ideen nacheinander testet und genaue Aufzeichnungen führt. Menschliches Urteil, Kreativität und ethische Aufsicht bleiben zentral beim Entscheiden, welche Fragen es wert sind, gestellt zu werden.

Beschleunigt dies die Arzneimittelentdeckung für Patienten?

Potenziell ja, obwohl Zeitpläne schwer vorherzusagen sind. Wenn Agenten die Hypothesentestphase der Forschung von Jahren auf Wochen komprimieren können, würden klinische Studien – die erforderlichen längeren Humanverträglichkeitsstudien, bevor ein Medikament Patienten erreicht – früher beginnen. Die Studien selbst benötigen immer noch die gleiche Zeit.