Googles Gemini dringt in die Wissenschaft ein und erscheint zweimal am selben Tag in „Nature“. AlphaFold ist nur das Vorspeisenmenü.

Am 19. Mai, während der Google I/O-Veranstaltung, wurden zwei Artikel in der Zeitschrift Nature veröffentlicht.

Einer der Artikel stellt ERA (Empirical Research Assistance, empirischer Forschungsassistent) vor. Dies ist ein System, das von einem Large Language Model und einem Baumsuchalgorithmus angetrieben wird. Ziel ist es, dass KI automatisch expertenmäßige wissenschaftliche Software für Rechenexperimente schreibt.

Der andere Artikel beschreibt Co - Scientist (KI - Ko - Scientist). Dies ist eine Architektur mit mehreren Agenten, die es der KI ermöglicht, kontinuierlich Forschungsannahmen zu generieren, zu kritisch hinterfragen und zu verfeinern. Mit zunehmender Rechenleistung während der Tests steigt die Qualität der Annahmen kontinuierlich.

Beide Artikel wurden von Google veröffentlicht. Der Veröffentlichungstag fiel auch mit dem Tag zusammen, an dem Google offiziell die Tool - Sammlung „Gemini for Science“ vorgestellt hat.

https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/

Die Veröffentlichung beider Artikel in Nature am gleichen Tag und die Einführung der Gemini for Science - Tool - Sammlung signalisieren, dass Google die gesamte Tool - Kette durch die Peer - Review - Prozessierung in der Fachwelt legitimiert.

Nach AlphaFold ist dies ein weiteres bedeutendes Ergebnis von Google im Bereich der Wissenschaft.

Zwei Artikel in Nature am gleichen Tag

Gemini übernimmt zwei Forschungsprozessketten

Den beiden Artikeln folgt eine Liste von über 100 Institutionen.

Google hat offiziell mit über 100 Institutionen zusammengearbeitet, um das neue System und die Tools zu validieren. Dazu gehören die Stanford University, das Imperial College London, das Crick Institute, die ICML, die STOC, die NeurIPS und US - amerikanische National Laboratories.

Außerdem wurde eine Gemeinschaft von „vertrauenswürdigen Testern“ gegründet, die aus Doktoranden, Industrieforschern und Nobelpreisträgern besteht. Es werden auch Pilotprojekte für Peer - Review - Hilfsmittel bei Konferenzen wie ICML, STOC und NeurIPS durchgeführt.

Google hat gleichzeitig mit der Einführung der KI - Arbeitsumgebung zwei Artikel in Nature veröffentlicht, um die gesamte Tool - Kette zu legitimieren.

Schauen wir uns zunächst den ERA - Artikel an.

https://www.nature.com/articles/s41586-026-10658-6

ERA ist als empirischer Forschungsassistent konzipiert. Seine Hauptaufgabe ist es, für Wissenschaftler expertenmäßige Experimentsoftware zu schreiben. Das System basiert auf einem Large Language Model und einem Baumsuchalgorithmus und zielt darauf ab, einen Qualitätsindikator auf das Maximum zu bringen.

Dieses System hat in dem Nature - Artikel eine beeindruckende Leistung gezeigt:

Im Bereich der Bioinformatik hat ERA unabhängig 40 neue Methoden zur Analyse von Einzelzellen entdeckt und alle von Menschen eingereichten Methoden in öffentlichen Ranglisten geschlagen.

Im Bereich der Epidemiologie hat ERA 14 unabhängige Modelle für die Vorhersage der Anzahl von Infektionskrankheiten im Krankenhaus entwickelt, die alle das integrierte Modell der CDC übertreffen.

Außerdem deckt es Geospatial - Analysen, die Vorhersage von Nervenaktivitäten bei Zebrafischen und numerische Integration ab. Diese sind alle in dem Nature - Artikel reproduzierbare Experimente.

Im ERA - Artikel heißt es, dass das System nicht nur Code ausführt, sondern auch externe Forschungsansätze aufnimmt und daraus expertenmäßige Lösungen kombiniert.

Schauen wir uns nun Co - Scientist an.

https://www.nature.com/articles/s41586-026-10644-y

Co - Scientist ist ein auf Gemini basierendes System mit mehreren Agenten. Der Kernmechanismus ist das „Idea Tournament“ (Ideen - Turnier).

Mehrere Agenten generieren, diskutieren, kritisch hinterfragen und verfeinern kontinuierlich Annahmen. Durch die Skalierung der Rechenleistung während der Tests wird die Qualität der Annahmen kontinuierlich verbessert.

Der Artikel validiert insbesondere drei biomedizinische Szenarien: Medikamentenwiederverwendung, Entdeckung neuer Zielstrukturen und Erklärung von Mechanismen der Antibiotikaresistenz.

Die Kandidaten für die Medikamentenwiederverwendung und die kombinierte Therapie bei akuter myeloischer Leukämie (AML) wurden in in - vitro - Experimenten validiert. Dazu gehören auch Forscher der Stanford School of Medicine.

Beide Artikel zielen auf die zwei am meisten zeitaufwendigen Schritte in der Forschung ab: das Schreiben von Software für Rechenexperimente und das Generieren von überprüfbaren Forschungsannahmen.

Drei Labs - Prototypen

Die wissenschaftliche Methode in drei Schritte aufteilen

Neben den Nature - Artikeln hat Google auch drei Labs - Experimentprototypen veröffentlicht, die den drei Kernschritten der wissenschaftlichen Methode entsprechen.

Der erste ist Hypothesis Generation (Annahme - Generierung). Das System basiert auf Co - Scientist und wird durch den Nature - Artikel gestützt.

Mehrere Agenten generieren Annahmen durch ein Ideen - Turnier. Jede Behauptung ist mit einem anklickbaren Zitat (Referenz) versehen.

Der Arbeitszyklus des Co - Scientist - Mehr - Agenten - Systems: Die drei Phasen der Generierung, Diskussion und Evolution von Annahmen werden von mehreren speziellen Agenten wie Generation, Reflection, Ranking, Evolution, Meta - review, Proximity und Supervisor zusammengearbeitet.

Der zweite ist Computational Discovery (Computationales Entdeckung). Das System basiert auf AlphaEvolve und ERA. Der ERA - Artikel wurde gerade in Nature veröffentlicht, während AlphaEvolve von Google DeepMind unabhängig gestützt wird.

Dieser Motor generiert parallel Tausende von Code - Varianten, die automatisch bewertet werden. Dadurch wird der bislang manuell über Monate hinweg zu erarbeitende komplexe Modellierungsweg auf den Bereich der maschinellen Suche reduziert. Sonnenenergievorhersage und Epidemiologie sind zwei von Google offiziell genannten Szenarien.

Der dritte ist Literature Insights (Literatur - Insights). Das System basiert auf NotebookLM und wird derzeit noch nicht von Nature gestützt. Es ist als frühe Vorschau konzipiert. Es strukturiert Literatur in durchsuchbare Attributtabellen und kann direkt Berichte, Präsentationen, Infografiken und Audio - und Videoumschau generieren.

Außer der Arbeitsumgebung hat Google auch eine Science Skills - Sammlung veröffentlicht, die über 30 Lebenswissenschaften - Datenbanken und - Tools integriert, darunter UniProt, AlphaFold Database, AlphaGenome API, InterPro und andere.

Diese Skills laufen auf einem Agentenplattform wie Google Antigravity. Sie können die bislang in über ein Dutzend Datenbanken verteilten Prozesse der strukturellen Bioinformatik und Genomanalyse zu einer Kette zusammenfügen.

Bei den frühen Tests des Google - Forschungsteams hat Science Skills bei der Analyse einer seltenen genetischen Krankheit im Zusammenhang mit dem AK2 - Gen neue Einsichten in die zugrunde liegenden Mechanismen gewonnen. Eine bislang stundenlange komplexe Analyse wurde auf Minuten reduziert.

Die tatsächliche Bedienungsoberfläche von Google Antigravity bei der Analyse von AK2 - Genvarianten mit Unterstützung von Science Skills. Der gesamte Arbeitsablauf wird in Minuten mit natürlicher Sprache - Befehlen abgeschlossen.

Das Problem eines 100 - jährigen Chemiekonzerns, das mehrfach fehlgeschlagen war

So wurde es gelöst

Neben den beiden Nature - Artikeln hat Google noch eine weitere Karte auf den Tisch gelegt: Die BASF Agricultural Solutions.

Das Problem, mit dem die BASF konfrontiert ist, ist äußerst komplex: 180 Produktionsstandorte, über 5.000 Wertschöpfungsketten. Die Materiallisten für einzelne Produkte können manchmal bis zu 30 Ebenen tief sein und erstrecken sich über verschiedene Produktionsstandorte und Regionen.

Menschliche Planer müssen täglich Tausende von lokalen Entscheidungen treffen, aber niemand kann in Echtzeit sehen, wie lokale Entscheidungen das gesamte globale Lieferkettennetzwerk beeinflussen.

Goetz Krabbe, Vizepräsident für Supply Chain bei der BASF, sagte: „Wir haben es bereits mehrfach versucht, ein digitales Zwillingssystem mit deterministischen Modellen zu erstellen, aber alle Versuche sind fehlgeschlagen.“

Das Ziel von Google ist es nicht, dass die KI menschliche Entscheidungen ersetzt, sondern ein Entscheidungsunterstützungssystem aufzubauen.

Sie haben AlphaEvolve mit einem „Seed - Programm“ als Basisplanungslogik und drei Jahren an historischen Daten, einschließlich Lagerbeständen, Marktbedarf und tatsächlichen Produktionsaufzeichnungen, gefüttert. AlphaEvolve beginnt dann, Code - Varianten zu generieren und die inneren Regeln des Lieferkettenmanagements automatisch zu entdecken.

Schließlich hat AlphaEvolve automatisch drei Regeln extrahiert, die in der traditionellen Modellierung von Fachleuten manuell codiert werden müssen:

Produktionsintegration (wie können kleine Produktionsmengen zusammengefasst werden, um die Produktionszeit zu optimieren); Dynamische Sicherheitsbestände (wie können saisonale Schwankungen mit Parametern behandelt werden); Netzwerkebene - Koordination (wie können die Abhängigkeiten zwischen verschiedenen Produktionsstufen abgebildet werden).

Im Vergleich zum ursprünglichen Seed - Modell hat das neueste AlphaEvolve - Ergebnis eine relative Verbesserung der Genauigkeit von über 80 % erzielt.

Die BASF plant, das digitale Zwillingssystem auf das gesamte globale Produktionsnetzwerk auszuweiten, um es als Grundlage für Szenario - Vorhersagen und - Optimierungen zu nutzen.

Laut Google haben auch Daiichi Sankyo, Bayer Crop Science und nationale Labore der US - amerikanischen Energiebehörde (Genesis Mission - Projekt) Co - Scientist integriert. Die schwedische Fintech - Firma Klarna hat mit AlphaEvolve die Trainingsgeschwindigkeit eines großen Transformer - Modells verdoppelt und gleichzeitig die Modellqualität verbessert.

Der Wettlauf um das „vertrauenswürdige Validierungs“ - Eintrittsticket

Die Veröffentlichung der Artikel in Nature ist nur ein wichtiger Schritt von Google, um in der gesamten „AI for Science“ - Strategie die Vertrauenswürdigkeit zu stärken. Das Ziel ist es, die Tool - Kette durch die Fachgemeinschaft zu legitimieren und den Forschern ein Gefühl der Vertrauenswürdigkeit zu vermitteln, da die Systeme der Peer - Review - Prozessierung unterzogen wurden.

Google hat bisher über 100 Kooperationspartner öffentlich gemacht, darunter die Stanford University (Hepatozelluläre Fibrose), das Imperial College London (Antibiotikaresistenz) und das Crick Institute (mehrjähriges Kooperationsprojekt).

Die vertrauenswürdigen Tester reichen von Doktoranden bis hin zu Nobelpreisträgern. Jeder von ihnen sucht in realen Forschungsszenarien nach Schwächen im System.

Besonders bemerkenswert ist, dass Google derzeit an einem Projekt arbeitet: Die Zusammenarbeit mit Top - Wissenschaftskonferenzen wie ICML, STOC und NeurIPS zur Entwicklung von Agenten - Peer - Review - Tools wie PAT (Paper Assistant Tool) und ScholarPeer.

Dies bedeutet, dass die Infrastruktur für wissenschaftliche Vertrauenswürdigkeit zu einem neuen Wettbewerbsfeld wird: Wer seine KI - Empfehlungen zitieren lassen kann, dessen Annahmen einer Prüfung standhalten und dessen System in den Arbeitsablauf von Top - Fachzeitschriften integriert werden kann, wird in der zukünftigen Forschungsecosystem Fuß fassen können.

OpenAI hat im April GPT - Rosalind vorgestellt, das auf die Spitzenforschung in Biologie, Medikamentenentwicklung und translationaler Medizin abzielt.

Anthropic hat Claude for Life Sciences in den AWS Marketplace integriert und mit Databricks und Snowflake für die Massenbiologie - Informatikanalyse zusammengearbeitet.

Google setzt bei diesem Mal auf die Nature - Artikel, über 100 Institutionen, ERA und Co - Scientist.

Alle drei Unternehmen haben „Wissenschaft“ als eigene Produktlinie herausgearbeitet. Die Zukunft des Wettbewerbs wird darauf abzielen, welches Plattform - Tool - Kette von Wissenschaftlern als vertrauenswürdig und abhängig angesehen wird.

Quellen:

https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/%20

https://www.nature.com/articles/s41586-026-10658-6%20

https://www.nature.com/articles/s41586-026-10644-y%20

https://cloud.google.com/blog/products/ai-machine-learning/how-basf-manages-thousands-of-supply-chain-decisions-with-alphaevolve