Die KI-gestützte wissenschaftliche Forschung hat die Konzeptphase hinter sich gelassen.

Im Jahr 2024 wurde der Nobelpreis für Chemie an zwei KI-Wissenschaftler von Google DeepMind, Demis Hassabis und John Jumper, verliehen. Das von ihnen entwickelte System AlphaFold hat die dreidimensionale Struktur von fast 200 Millionen Proteinen vorhergesagt – das entspricht dem Tausendfachen des experimentellen Akkumulationsergebnisses von Wissenschaftlern weltweit über mehr als 50 Jahre.

Nur wenn man die Form von Proteinen erkennt, kann man Krankheiten verstehen und Medikamente entwickeln. Rund ein Drittel der weltweit zugelassenen Medikamente zielen auf krankheitsrelevante Proteine ab. Dass der mRNA-Impfstoff gegen COVID-19 im Jahr 2020 die Entwicklung von Kandidatenmolekülen innerhalb von 48 Stunden nach Erhalt der Gensequenz des Virus abschließen konnte, lag unter anderem daran, dass Wissenschaftler zuvor die dreidimensionale Struktur des Spike-Proteins des Coronavirus erkannt hatten. Das Aufkommen von AlphaFold hat die Effizienz der Aufklärung von Proteinstrukturen erheblich beschleunigt und die KI-gestützte wissenschaftliche Forschung zu einem weltweit beachteten Thema gemacht.

Dass AlphaFold dies leisten kann, liegt daran, dass im Bereich der Proteine seit über 50 Jahren standardisierte Daten gesammelt wurden, es ausgereifte und einheitliche Nachweismethoden gibt und weltweit geteilte Datenbanken vorhanden sind – dies ist eine natürliche Voraussetzung für die KI-Modellierung.

Aber in vielen wissenschaftlichen Forschungsbereichen sind die Datenbedingungen bei weitem nicht so gut. Ob KI auch in diesen Bereichen eine Rolle spielen kann, wird zu einem gemeinsamen Anliegen von Wissenschaft und Industrie.

Im August 2025 veröffentlichte der Staatsrat der Volksrepublik China die „Stellungnahmen zur umfassenden Umsetzung der Aktion „Künstliche Intelligenz+“, in der ausdrücklich gefordert wird, „die Erforschung neuer wissenschaftlicher Forschungsparadigmen, die durch künstliche Intelligenz angetrieben werden, zu beschleunigen“. Am 18. Juli während der Welt-KI-Konferenz 2026 (WAIC) präsentierten vier Einrichtungen – das Peking Yuan Institute of General Artificial Intelligence, die Chinesische Akademie der Wissenschaften, das Shenzhen Hetao Institute und die Tsinghua-Universität – ihre jeweiligen phasenweisen Ergebnisse auf dem Rundtischforum mit dem Titel „AI for Science: Beyond the Concept“.

Die Forschungsrichtungen der vier Einrichtungen sind unterschiedlich, aber die Bereiche, in denen KI Wissenschaftlern helfen kann, sind bereits sehr konkret: das Verstehen ungeordneter Versuchsdaten, das Bedienen präziser Instrumente und die Verwaltung von Versuchsabläufen. Bisher verbrachten Forscher viel Zeit mit diesen repetitiven Tätigkeiten. Durch die Verkürzung dieser Zeit können Wissenschaftler ihre Energie auf die Aufstellung von Hypothesen, die Gestaltung von Experimenten und die Interpretation von Ergebnissen richten.

Verstehen von Versuchsdaten

Diesen Juli hat das Forschungsteam des Shanghai Instituts für Silikatforschung der Chinesischen Akademie der Wissenschaften aus 20 Millionen Kandidatenrezepturen einen neuartigen Legierungskatalysator ermittelt, dessen Aktivität um 38 % höher liegt als die handelsüblicher kommerzieller Katalysatoren. Ein einziger Screening-Prozess im Trockenversuch dauert nur 30 Minuten.

Dieser Katalysator wird für die Wasserstoffentwicklungsreaktion verwendet, bei der Wasser durch Elektrolyse in Wasserstoff zerlegt wird – er ist ein Schlüsselmaterial in der grünen Wasserstoff-Wertschöpfungskette. Katalysatoren sind auch im Alltag weit verbreitet: Zum Beispiel der Dreiwegekatalysator im Auspuffrohr von Autos, der Kohlenmonoxid und Stickoxide, die vom Motor ausgestoßen werden, in harmlose Gase umwandelt; Düngemittelfabriken verwenden eisenbasierte Katalysatoren zur Synthese von Ammoniak, und die Nahrungsmittelproduktion von fast der Hälfte der Weltbevölkerung hängt von diesem Verfahren ab.

Die Leistung eines Katalysators bestimmt direkt, wie viel Energie für eine chemische Reaktion benötigt wird und wie lange sie dauert. Die Suche nach einem geeigneten Katalysator gehört aber seit jeher zu den zeitaufwendigsten Arbeiten in der Materialwissenschaft. Bei der traditionellen Vorgehensweise wird unter einer riesigen Anzahl von Kandidatenrezepturen immer wieder Versuch und Irrtum durchgeführt: Die Forscher synthetisieren eine Charge Materialien, testen ihre Leistung, analysieren die Daten und passen die Rezeptur an. Wenn die Anzahl der Kandidatenrezepturen in der Größenordnung von Zehnmillionen liegt, dauert ein solcher Zyklus oft mehrere Monate.

Das Werkzeug, das diesem Team geholfen hat, die Dauer von mehreren Monaten auf 30 Minuten zu verkürzen, ist das große wissenschaftliche Grundmodell Panshi · ScienceOne Omni, das von der Chinesischen Akademie der Wissenschaften organisiert und von mehreren Forschungsinstituten gemeinsam entwickelt wurde. Ein Kernproblem, das Panshi lösen soll, ist, dass die Daten in verschiedenen Disziplinen völlig unterschiedliche Formen haben: Molekülstrukturen sind dreidimensionale Koordinaten, Spektren sind eindimensionale Wellenformen, Proteine sind Aminosäuresequenzen und wissenschaftliche Bilder sind Pixelmatrizen.

Das Vorgehen von Panshi besteht darin, diese Daten unterschiedlicher Formate zunächst einheitlich in eine Form zu kodieren, die das Modell verarbeiten kann. Anschließend wird es mit 170 Millionen wissenschaftlichen Dokumenten weltweit und dem wissenschaftlichen Korpus der Chinesischen Akademie der Wissenschaften für das Ausrichtungstraining verwendet, damit das Modell Verbindungen zwischen verschiedenen Disziplinen herstellen kann, und schließlich werden Ergebnisse für spezifische wissenschaftliche Forschungsaufgaben ausgegeben. Die Trainingsdaten umfassen 8 Millionen wissenschaftliche Schlussfolgerungsproben, und die Plattform ist mit mehr als 8000 professionellen wissenschaftlichen Forschungsinstrumenten und Fähigkeitsbibliotheken integriert.

Xu Nan, Forscher am Institut für Automatisierung der Chinesischen Akademie der Wissenschaften, erklärte auf dem Rundtischforum, dass Panshi 2.0 das Ziel verfolge, „das Modell so denken zu lassen wie einen Wissenschaftler“.

Dank seiner Fähigkeit, disziplinübergreifend Daten zu verarbeiten, reicht der Anwendungsbereich von Panshi weit über Katalysatoren hinaus. Im Bereich der Ingenieurmechanik arbeitet Panshi mit dem Institut für Mechanik der Chinesischen Akademie der Wissenschaften zusammen, um die Zeit für die Simulationsanalyse von aerodynamischen Problemen bei Hochgeschwindigkeitszügen von mehreren Stunden auf eine Antwort in Sekundenschnelle zu verkürzen, wobei der Fehler der Schlüsselparameter in szenarien mit knappen Daten um 42 % reduziert wird. Im Bereich der Astronomie baut Panshi in Zusammenarbeit mit dem Nationalen Astronomischen Observatorium eine intelligente Werkzeugkette zur Rückgewinnung von Sternparametern auf, wodurch die Erkennungsgenauigkeit seltener Himmelskörper im Vergleich zu bestehenden Methoden um etwa 50 % verbessert wird. Bei der Literaturrecherche, die im täglichen wissenschaftlichen Betrieb am meisten Zeit kostet, dauerte eine systematische Literaturauswertung früher normalerweise mehrere Tage oder sogar Wochen – Panshi 2.0 hat diesen Prozess auf etwa 20 Minuten verkürzt.

Derzeit ist Panshi in mehr als 50 Forschungsinstituten innerhalb der Chinesischen Akademie der Wissenschaften und über 30 Einrichtungen außerhalb der Akademie im Einsatz. Das Rechensystem basiert auf der Lösung des Huawei Intelligent Computing Lab und wurde an Chips wie Ascend angepasst.

Alle von Panshi abgedeckten Disziplinen haben eine Gemeinsamkeit: Ihre Daten haben zwar unterschiedliche Formate, aber es gibt ausgereifte Literatur- und Formelsysteme, auf die man sich beziehen kann, sodass die KI-Modellierung auf einer nachvollziehbaren Grundlage steht.

Es gibt aber noch einige Disziplinen, die diese Bedingungen nicht erfüllen. Die Versuchsdaten stammen von unterschiedlichen Gerätetypen, haben unterschiedliche Formate und Dimensionen, und es wurde noch nicht einmal ein einheitlicher Standard für die Annotation festgelegt, sodass die KI-Modellierung kaum einen zuverlässigen Ausgangspunkt findet.

Aber selbst unter diesen Bedingungen beginnt KI, seriöse wissenschaftliche Forschungsergebnisse zu liefern – zum Beispiel im Bereich der Neurowissenschaften.

Im Juni 2026 veröffentlichte ein gemeinsames Team des Peking Yuan Institute of General Artificial Intelligence und der Tsinghua-Universität eine Studie in der Zeitschrift *Science*, in der erstmals nachgewiesen wurde, dass Erinnerungen den Schlaf umgekehrt regulieren können: Positive Erinnerungen machen den Schlaf kontinuierlicher, negative Erinnerungen verschlimmern die Schlafzerklüftung, was neue Interventionsideen für Schlafstörungen bietet, die mit Depressionen und Angststörungen einhergehen.

Die Datenanalyse dieser Studie wird durch das selbst entwickelte multimodale neurowissenschaftliche große Modell Wujie · Brainμ (ausgesprochen Brain-mü) des Yuan Institute unterstützt.

Lei Bo, Forscher am Peking Yuan Institute of General Artificial Intelligence, sagte auf dem Rundtischforum, dass die Vorhersage von Proteinstrukturen für die KI-Modellierung geeignet war, weil die Datenstandards in diesem Bereich damals bereits relativ hoch entwickelt waren – eine solche Grundlage gibt es in den Neurowissenschaften bis heute nicht. Elektroenzephalogramme erfassen elektrische Signale auf der Gehirnoberfläche, die Calcium-Bildgebung zeichnet die Aktivität einzelner lokaler Neuronen auf, und neuronale Sonden erfassen die Entladung in tiefen Gehirnbereichen begrenzter Regionen. Diese Signale stammen von unterschiedlichen Geräten, verschiedenen Arten und unterschiedlichen Versuchsparadigmen und haben unterschiedliche Formate und Dimensionen. Lei Bo erklärte, dass sogar für denselben Datensatz verschiedene Labore völlig gegensätzliche Interpretationen liefern können.

Angesichts dieser Datenprobleme geht das selbst entwickelte Modell Wujie · Brainμ des Yuan Institute einen anderen Weg, indem es ein trainiertes multimodales Modell als Bezugssystem verwendet. Lei Bo erläuterte: Das Gehirn ist eine hochdimensionale Entität, und jedes Nachweisgerät kann nur eine niedrigdimensionale Projektion davon erfassen – genau wie wenn man dasselbe Gebäude aus verschiedenen Winkeln fotografiert, wobei jedes Foto nur einen Teil der Informationen enthält. Brainμ nutzt den vorhandenen Darstellungsraum des multimodalen Modells für Sprache und visuelle Inhalte, um die spärlichen Daten aller Modalitäten der Neurowissenschaften auszurichten, sodass das Modell eine vollständigere Darstellung des Gehirns lernt als die einzelner Modalitäten.

Wenn das Modell diese hochdimensionale Darstellung beherrscht, kann es die Umwandlung zwischen verschiedenen Modalitäten realisieren: Zum Beispiel kann man nach Eingabe eines kostengünstigen Elektroenzephalogrammbildes ein Bild der funktionellen Magnetresonanztomographie (fMRI) mit mehr Informationen aber teurerer Geräteausgabe erhalten. Für medizinische Einrichtungen auf lokaler Ebene, denen Hochleistungsgeräte fehlen, können Ärzte mithilfe der KI Diagnosen stellen, die früher nur in großen erstklassigen Krankenhäusern möglich waren.

Die dazugehörige Datenplattform BrainToken integriert Daten von drei Arten: Mensch, Affe und Maus, und deckt die wichtigsten neurowissenschaftlichen Modalitäten von Elektroenzephalogrammen bis hin zu Zwei-Photonen-Calcium-Bildgebung ab. In der Zusammenarbeit mit dem National Institute of Biological Sciences, Peking, hat Wujie · Brainμ mehr als 5000 Nächte an Schlafdaten von Mäusen automatisch annotiert und analysiert. Die Analyseergebnisse von mehr als 12 Monaten wurden bidirektional validiert und stimmen gut mit den manuellen Beurteilungen von professionellen Neurowissenschaftlern für Schlaf zusammen. Das Modelltraining deckt mehr als 70.000 Schlafaufzeichnungen ab. Nach Angaben des Peking Yuan Institute of General Artificial Intelligence hat das Team in Zusammenarbeit mit Huawei die Inferenzanpassung und -optimierung von Wujie · Brainμ mit Ascend-Superknoten abgeschlossen, was den automatisierten Analyseprozess über 12 Monate vollständig unterstützt.

Lei Bo misst die aktuelle Position der Scientific Intelligence anhand der Entwicklungsstufen von großen Sprachmodellen. Seiner Meinung nach liegt die Leistungsfähigkeit der Modelle etwa auf dem Niveau von GPT-1, die Aufmerksamkeit der Industrie hat aber bereits das Niveau von GPT-3 erreicht, und die Nutzungsrückmeldungen von Wissenschaftlern nähern sich dem frühen Stadium von ChatGPT an. Bei großen Sprachmodellen reift die Leistungsfähigkeit zuerst, und die Anwendungen folgen später. Die Logik der Scientific Intelligence ist umgekehrt: Die Anwendungen laufen zuerst und ziehen die Modelle voran. „Die Nachfrage liegt vor der Leistungsfähigkeit, und die Anwendungsvalidierung treibt die Iteration der Modelle im Gegenzug voran.“

KI beginnt, Labore zu verwalten

Für die Materialforschung müssen verschiedene Instrumente verwendet werden, um Informationen über Zusammensetzung, Struktur und Morphologie von Materialien zu erhalten. Ouyang Wanli, Vizepräsident des Shenzhen Hetao Institute, sagte auf dem Rundtischforum: Genau wie bei einer körperlichen Untersuchung des Menschen, für die EKG, Ultraschall, CT und andere Geräte benötigt werden, ist die „körperliche Untersuchung“ von Materialien ohne eine Reihe präziser Instrumente wie Rasterelektronenmikroskop, Röntgendiffraktometer und Energiedispersionsspektrometer nicht möglich. Die Bedienung dieser Instrumente hängt stark von Menschen ab: Forscher müssen Proben manuell vorbereiten, die Gerätesoftware manuell steuern, Parameter wiederholt anpassen, bis das Bild erstellt ist, und dann die Daten manuell analysieren. Die Softwaresysteme verschiedener Geräte sind voneinander isoliert.

Die von dem Shenzhen Hetao Institute gemeinsam mit dem Suzhou National Laboratory eingeführte Multi-Agent-Plattform für unbeteiligte Charakterisierung AuraID geht einen anderen Weg. Dieses System verlangt nicht, dass Gerätehersteller Softwareschnittstellen öffnen, sondern lässt die Agenten die Geräteoberfläche auf die gleiche Weise bedienen wie menschliche Experten: Sie beobachten die Bildschirmbilder, klicken auf Schaltflächen, lesen Daten und passen Parameter an.

Bei Tests mit dem Rasterelektronenmikroskop waren die Bildrauschen anfangs deutlich sichtbar, nachdem AuraID die Steuerung übernommen hatte. Das System passte automatisch die Beschleunigungsspannung und die Vergrößerung an, sodass das Bild allmählich klarer wurde, und stoppte schließlich bei den optimalen Parametern, um die Bilderfassung und die Analyse der Partikelgröße automatisch abzuschließen.

Derzeit deckt AuraID 6 Arten von präzisen Instrumenten und mehr als 10 Charakterisierungsmodalitäten ab. Bei der Ausrichtung von Mikro-CT (mikrocomputertomographische Scans) wurde die unabhängige Abschlussrate der KI von 33 % in der Version 1.0 auf 80 % in der Version 2.0 verbessert, der Arbeitsaufwand für die Kristallstrukturanalyse um 50,6 % reduziert, und die Zeit für die Analyse der Mikromorphologie wurde von 9 Minuten auf 7,