Wo steht die Entwicklung von "AI for Science"?

Vor kurzem veröffentlichte Google DeepMind den Artikel "AlphaFold: Die Auswirkungen in fünf Jahren", in dem die enormen Beiträge der technologischen Fortschritte in der Proteinstrukturvorhersage in den letzten fünf Jahren zur Förderung des wissenschaftlichen Fortschritts zurückblickend betrachtet werden.

Künstliche Intelligenz formt das Forschungslandschaften der Wissenschaften mit unerhörter Geschwindigkeit um. Unter den zahlreichen wissenschaftlichen Forschungsfeldern haben die biologischen Bereiche wie Lebenswissenschaften und Biomedizin aufgrund ihrer reichen Daten, klar definierten Anwendungsfälle und dringenden gesellschaftlichen Bedürfnissen zu den am aktivsten und führendsten vordersten Positionen des "AI + wissenschaftliche Forschung" (im Folgenden als "wissenschaftliche KI" bezeichnet) geworden. KI-Modelle und -Tools haben nicht nur in der Grundlagenforschung wie der Vorhersage von Proteinstrukturen Durchbrüche erzielt, sondern auch neue Arzneimittelentwicklungslinien in die klinischen Tests gebracht und sogar begonnen, neue biologische Signalwege autonom zu entdecken.

Abbildung: Google DeepMind AlphaFold

Unter der Führung von Technologieunternehmen wie Google DeepMind, die sich kontinuierlich auf "AI for Science" konzentrieren, tritt die wissenschaftliche KI, repräsentiert durch die Biologie, in eine Phase der hohen Produktivität und schnellen Iteration der Anwendungsimplementierung ein. Ein von KI angetriebenes Forschungsmodell von "Basis-Modell + wissenschaftlicher Intelligenz-Agent + autonomes Labor" bildet sich allmählich.

Google DeepMind

Anführer der Entwicklung der wissenschaftlichen KI-Technologie

Google hat sich seit über einem Jahrzehnt intensiv in das Forschungsfeld engagiert. Mit der KI-Rechenleistungsinfrastruktur um das TPU und der KI-Modellbasis um das Gemini-Basis-Modell entwickelt es kontinuierlich Technologien der wissenschaftlichen KI und hat Modelle und Werkzeugsysteme der wissenschaftlichen KI wie AlphaFold hervorgebracht, die weltweit führend sind und die Entwicklung der globalen wissenschaftlichen KI-Technologie lenken.

AlphaFlod führt die biologische Forschung vom Strukturvorhersage zum generativen Design hinüber. Die Biologie ist das am frühesten von DeepMind betretene und am stärksten abgesicherte Forschungsfeld. Die Kernidee besteht darin, das Problem des Konformationsraums hochdimensionaler Biomakromoleküle mit Deep Learning zu lösen. Die Entstehung von AlphaFold markiert die praktische Lösung des Problems der Proteinstrukturvorhersage. Es gewann nicht nur den Nobelpreis für Chemie 2024, sondern wurde auch zur digitalen Infrastruktur der modernen Biologie. AlphaProteo bringt die biologische Forschung in die Ära der generativen Biologie. Zusammen mit der präzisen Vorhersage der Pathogenität von Genmutationen durch AlphaMissense schließt DeepMind den gesamten Prozess von "Zielentdeckung - Strukturaufklärung - Arzneimitteldesign" ab.

WeatherNext gewinnt im Meteorologie durch datengesteuerte Methode gegen die numerische Simulation. Die datengesteuerte Methode des neuesten von DeepMind veröffentlichten Modells WeatherNext 2 (Nachfolger von GraphCast) übertrifft in Genauigkeit und Effizienz die traditionellen physikalischen Modelle. Bei 99,9 % der vorhergesagten Variablen und Zeiträumen ist die Genauigkeit von WeatherNext 2 besser als die des HRES-Systems des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF), und die Inferenzgeschwindigkeit hat sich um mehrere Größenordnungen verbessert.

GNoME und AlphaQubit erweitern die Anwendungen von KI in den Bereichen Physik und Materialwissenschaften. GNoME (Graph Networks for Materials Exploration) hat mit Deep Learning eine massive Suche im Raum anorganischer Kristalle durchgeführt und Millionen von stabilen neuen Materialstrukturen vorhergesagt. Die Anzahl ist mehrere Male so groß wie die Summe der in den vergangenen Jahrzehnten experimentell gefundenen Materialien und bietet eine riesige Kandidatenbasis für die Forschung und Entwicklung von Batterietechnologien und supraleitenden Materialien. Im Bereich der Quantencomputing hat das AlphaQubit-Modell die Transformer-Architektur erfolgreich auf die Quantenfehlerkorrektur angewendet und die Lesefehlern der Quantenbits von Quantencomputing-Chips erheblich reduziert.

AlphaEvolve treibt die Mathematik und Informatik von der logischen Inferenz zur Selbstentwicklung von Algorithmen an. AlphaEvolve strebt danach, die Grenzen des menschlichen Algorithmusdesigns zu überwinden, indem es ein evolutionäres Rechenparadigma einführt. Es sucht automatisch nach und entdeckt effizientere Maschinelerning-Algorithmen und Verlustfunktionen und erreicht einen metaschichtlichen Sprung von "menschlichem Design" zu "automatischer Entdeckung". Auf dieser Grundlage hat AlphaChip das Chipdesign in ein Problem der verstärkten Lernens umgewandelt und die Anordnung des Google TPU v6 erfolgreich optimiert. AlphaGeometry und AlphaProof haben die Durchbrüche von KI in der formalen mathematischen Beweis und logischen Inferenz bewiesen.

Fortschritte im biologischen Bereich

Anführer der Umsetzung der wissenschaftlichen KI

Die von Google DeepMind geleiteten technologischen Durchbrüche haben die globale Forschung und industrielle Anwendung der wissenschaftlichen KI angestoßen. Die Biologie hat sich dabei als das am schnellsten fortschreitende Forschungsfeld erwiesen, gefolgt von Materialwissenschaften, Physik, Meteorologie, Informatik und Mathematik.

(I) Die wissenschaftliche KI tritt in die Tiefe der biologischen Grundlagenforschung ein

Die KI-generierte und -analysierte Einzellzellverhalten führt zu neuen Entdeckungen. Google und die Yale University haben gemeinsam das Basis-Modell C2S-Scale mit 27 Milliarden Parametern für die Analyse von Einzellzellen veröffentlicht. Es hat neue Hypothesen über das Verhalten von Krebszellen entwickelt, die in mehreren in-vitro-Experimenten bestätigt wurden. Dies zeigt das Potenzial der KI, originelle wissenschaftliche Hypothesen zu entwickeln und eröffnet möglicherweise neue Wege für die Entwicklung von Krebsbehandlungen.

Das System der generativen Simulation und Vorhersage von Proteinen wird verbessert. Das BioEmu-Modell von Microsoft hat in der Simulation der Proteindynamik eine Lücke geschlossen und die Simulationsgeschwindigkeit um das 100.000-fache erhöht. Ein Team der chinesischen Akademie der Wissenschaften hat ein inverses Faltungsprotein-Vorhersagemodell vorgeschlagen, das strukturelle und evolutionäre Einschränkungen integriert und neue Wege für die Protein-Engineering eröffnet. Die Ergebnisse wurden in der Zeitschrift "Cell" veröffentlicht.

Das System der KI-unterstützten Genomforschung wird initial aufgebaut. Google hat durch zehn Jahre anhaltender Forschung und Exploration schrittweise ein System für die Forschung und Anwendung der KI-Genomik von der Gensequenzierung, -lesung und -mutationserkennung über die Genexpressionsvorhersage und die Bewertung des pathogenen Potenzials bis hin zur Genkrankheitserkennung und -diagnose aufgebaut, was die Entwicklung der Genetik und Genmedizin fördern kann.

(II) Die KI-angetriebene medizinische Anwendung blüht in allen Bereichen auf

Die KI-unterstützte pathologische Diagnose erweitert die Anwendungen auf neue Krankheiten. Das DeepGEM-Pathologie-Modell, das von dem Life Science Laboratory von Tencent in Zusammenarbeit mit der Ersten Affilierten Klinik der Guangzhou Medical University und dem Guangzhou Institute of Respiratory Health entwickelt wurde, hat in der Vorhersage von Lungenkrebsgenmutationen umfangreiche Validierungen abgeschlossen. Mit nur einer herkömmlichen Gewebeschnittabbildung kann es innerhalb einer Minute die Lungenkrebsgenmutationen vorhersagen, mit einer Genauigkeit von 78 % bis 99 %.

Die KI-basierte Erkennung von Genmutationen wird zu einem Werkzeug. Google hat das DeepSomatic-Werkzeugset zur Erkennung von Genvariationen in Tumorzellen veröffentlicht, das für Krebsarten wie Leukämie, Brustkrebs und Lungenkrebs geeignet ist und in der Erkennungsgenauigkeit alle bestehenden Lösungen übertrifft.

Die KI-angetriebene Arzneimittelentwicklung schreitet über die klinische Phase II hinaus. Das von mehreren Kliniken wie der Dritten Klinik der Peking-Universität in Zusammenarbeit mit Jitai Technology optimierte Arzneimittelkandidat MTS-004 hat die klinische Phase III abgeschlossen und ist das erste in China mit KI entwickeltes Arzneimittel, das die klinische Phase III abgeschlossen hat. Das Arzneimittel ist für neurologische Krankheiten wie ALS und Schlaganfall vorgesehen. Diese Fortschritte haben die Schwierigkeit überwunden, dass in den letzten Jahren in China und weltweit die KI-angetriebene Arzneimittelentwicklung kaum über die klinische Phase II hinauskam und erregten national und international Beachtung und Anerkennung.

(III) Die Anwendung von KI in den Bereichen Materialwissenschaften, Meteorologie und Mathematik beschleunigt sich

Das "AI + Materialwissenschaften" hat das Potenzial, das nächste Vorhutgebiet der wissenschaftlichen KI zu werden. Periodic Labs, gegründet von ehemaligen Mitgliedern von OpenAI und Deepmind, führt die automatisierte Entdeckung von neuen supraleitenden Materialien durch. CuspAI, das gerade 100 Millionen US-Dollar in der Serie A-Runde gewonnen hat, entwickelt eine KI-Plattform zur Entdeckung von neuen Materialien für die Kohlenstoffabscheidung. Dingxi Zhichuang, das aus dem Shenzhen-Hongkong-Hetao Science and Technology Innovation Center der Peking-Universität hervorgegangen ist, baut die RhinoWise-Materialinnovationplattform auf und führt die Innovation in kritischen Materialien in Bereichen wie neue Energie und Halbleiter durch.

Die Anwendung von KI in der Meteorologie und Physik zeigt bereits Ergebnisse. Das Hurrikan-KI-Modell von DeepMind hat die Pfade und Intensitätsänderungen von Superhurrikans wie "Melissa" erfolgreich vorhergesagt und den USA und den umliegenden Ländern die Möglichkeit gegeben, im Voraus zu warnen. Der Schwarzes-Loch-Theoretiker Alex Lupsasca hat mit GPT-5 in nur einer halben Stunde neue Eigenschaften der Schwarzes-Loch-Theorie abgeleitet. Das Fusionsstart-up CFS nutzt das von Google quelloffene TORAX-Tool, um die Entwicklung der SPARC-Fusionsanlage zu unterstützen.

Das Potenzial der Anwendung von KI in den Bereichen Mathematik und Informatik ist enorm. Mathematiker nutzen GPT5, um das historische mathematische Problem - das Erdős-Problem - zu lösen. Google fördert die Forschung in Mathematik und theoretischer Informatik auf der Grundlage von AlphaEvolve. Das quelloffene Modellsystem GenCluster von NVIDIA gewann die Goldmedaille beim IOI 2025. Große Modelle wie das interne Modell von OpenAI, Gemini Deep Think und DeepSeek Math-V2 verbessern ständig die Goldmedaillen-Ergebnisse von KI bei den Olympischen Mathematikwettbewerben.

Technologische Grundlage, Kooperationsmodell und Forschungsumfang

Drei Dimensionen, in denen KI das wissenschaftliche Forschungsmodell umgestaltet

Aus den Fortschritten der wissenschaftlichen KI, repräsentiert durch die Biologie, kann man sehen, dass die Umgestaltung der wissenschaftlichen Forschung durch KI systemisch ist. Sie verändert die traditionellen Denkweisen der wissenschaftlichen Entdeckung aus drei Dimensionen: technologische Grundlage, Kooperationsmodell und Forschungsumfang. Ein von KI angetriebenes Forschungsmodell von "Basis-Modell + wissenschaftlicher Intelligenz-Agent + autonomes Labor" bildet sich allmählich.

(I) Allgemeine Modelle und spezielle Modelle bilden die technologische Grundlage der wissenschaftlichen KI

Allgemeine Basis-Modell werden möglicherweise zum "Betriebssystem" der wissenschaftlichen KI. Allgemeine Basis-Modell können leistungsstarke Fähigkeiten wie Verständnis, Inferenz, Analyse und Generierung bieten und über umfassende wissenschaftliche Grundkenntnisse und Allgemeinwissen verfügen, was den alltäglichen Forschungsaufwand der Forscher erheblich reduziert. Gleichzeitig verbessern die Pionierunternehmen der großen Modelle ständig die fachlichen Fähigkeiten der Basis-Modell in der Forschung. Das Claude Sonnet 4.5 von Anthropic hat in der Verständnis und Anwendung von Lebenswissenschaftsaufgabenprozessen deutliche Verbesserungen erzielt und die Fähigkeit zur Anwendung von Forschungsinstrumenten und -ressourcen auf der Grundlage der Fähigkeiten des Intelligenz-Agents und des Connectors verbessert.

Spezielle Forschungs-Modell sind die "spezielle Motoren" für vertikale Forschungsfelder und ihre tiefgreifenden Durchbrüche. Diese Modelle integrieren normalerweise das Wissen, die Forschungsmethoden und Erfahrungen eines bestimmten Forschungsfeldes. Google hat weltweit führende Kompetenzen in der Entwicklung von speziellen Forschungs-Modell. Seine speziellen Modelle und Algorithmen decken alle Bereiche wie Lebenswissenschaften und Biologie, Materialwissenschaften und Chemie, Erd- und Klimawissenschaften, Mathematik und Grundwissenschaften ab. Die oben genannten Modelle wie C2S-Scale, BioEmu und DeepGEM gehören auch zu dieser Art von Modellen. Darüber hinaus ist das Panshi·Basis-Modell für Wissenschaft, das von einem Verbundteam der chinesischen Akademie der Wissenschaften entwickelt wurde, eine erfolgreiche Praxis der Integration von Basis-Modell und speziellen Modellen.

(II) Wissenschaftliche Intelligenz-Agenten auf der Grundlage der Mensch-Maschine-Kooperation treiben die aktive wissenschaftliche Entdeckung voran.

KI übernimmt die langwierigen und zeitaufwändigen, aber unverzichtbaren Forschungsschritte, während die menschlichen Wissenschaftler die Forschungsrichtung bestimmen und die Forschungsergebnisse bewerten. Dies wird das typische zukünftige Forschungsmodell der Mensch-Maschine-Kooperation.

Mit der beschleunigten Entwicklung der Intelligenz-Agenten-Technologie wandelt sich KI von einem passiven Werkzeug zu einem Partner oder sogar aktiven Entdecker der Wissenschaftler. Harvard und MIT haben gemeinsam die ToolUniverse, eine Forschungsinstrumentenplattform speziell für KI-Intelligenz-Agenten, entwickelt, die über 600 wissenschaftliche Instrumente enthält und mit den gängigen großen Basis-Modell kompatibel ist. Dies ermutigt mehr Forscher, Intelligenz-Agenten-Wissenschaftler für bestimmte Forschungsfelder zu entwickeln. Das von Google Deepmind veröffentlichte AlphaEvolve ist ein evolutionärer KI-Intelligenz-Agent mit Codierungsfähigkeiten, der die aktive Entdeckung und automatische Optimierung von mathematischen und computergenerischen Algorithmen durchführen kann und jetzt in praktischen Szenarien wie der Datenzentrumsplanung, Chipdesign und Optimierung der Leistung von großen Modellen innerhalb von Google angewendet wird. Ein Verbundteam aus dem Shanghai Artificial Intelligence Laboratory und der Zhejiang University hat den wissenschaftlichen Intelligenz-Agenten (Agentic Science) vorgeschlagen, um ein KI-System aufzubauen, das einen wissenschaftlichen Forschungskreislauf autonom abschließen kann.

(III) Autonome Labore beschleunigen die Industrialisierung, Skalierung und Plattformierung der wissenschaftlichen KI

KI und Robotiktechnologie wandeln die traditionellen, auf manueller Fehlersuche basierenden "Haushaltswerkstätten"-Laboratorien in automatisierte, hochdurchsatzfähige und geschlossenlaufende "Wissenschaftsfabriken" um, die miteinander verbunden werden und eine Plattform bilden, die das gesamte Forschungsekosystem bedient.

Internationale Länder legen großen Wert auf die Entwicklung von autonomen Laboratorien. Viele amerikanische Forschungsuniversitäten und nationale Labore wie MIT haben bereits autonome Laboratorien errichtet. Das Materials Innovation Factory (MIF) der Universität Liverpool in Großbritannien ist eines der fortschrittlichsten autonomen Laboratorien in Europa. Das französische IKTOS-Labor,