Die KI hat angefangen, selbst eigenhändig Experimente durchzuführen.

Redaktion ｜ Panda

In „Resident Evil“ gibt es ein tief unter der Erde gelegenes Labor namens „The Hive“. Zugangskontrolle, Überwachung, Lüftung, Sicherheit und sogar der Betrieb der gesamten Einrichtung wurden einer KI überlassen: der Roten Königin.

Menschliche Wissenschaftler sind für die Forschung zuständig, aber die KI ist es, die die „Hände und Füße“ dieses Labors tatsächlich steuert.

Wenn eine Anomalie auftritt, kann die Rote Königin Türen schließen, Systeme abschalten, Einrichtungen steuern und direkt in die physische Welt eingreifen.

Vor mehr als zwanzig Jahren war ein solches Szenario noch ein klassisches Stilmittel in Science-Fiction-Filmen, um Angst zu erzeugen: Eine KI dringt in die physische Welt ein, bedient Maschinen, führt Experimente durch und greift direkt in die reale Welt ein.

Heute beginnt dieses Bild auf eine völlig andere Weise Realität zu werden – zumindest ist es derzeit noch nicht beängstigend.

Erst gestern veröffentlichte Anthropic den Model Hardware Standard (MHS) für physische Hardware, mit dem die Logik von MCP von GitHub, Slack und Datenbanken weiter zu echten Geräten wie Roboterarmen, Mikroskopen, Flüssigkeitsprozessoren und Lasern ausgedehnt werden soll. Siehe den Bericht „Gerade hat Anthropic das physische MCP veröffentlicht: Claude beginnt, die reale Welt zu übernehmen“.

Einfach ausgedrückt: KI-Agenten brauchen nicht mehr nur „Schnittstellen“, um Software aufzurufen, sondern beginnen, ein System von „Nerven und Gliedmaßen“ zu benötigen, das mit der realen Welt verbunden ist. Und heute hat Google DeepMind seine eigenen Ergebnisse in diesem Bereich vorgestellt.

In einem gerade veröffentlichten 83-seitigen Paper hat Google den von Gemini angetriebenen Co-Scientist in echte wissenschaftliche Arbeitsabläufe eingebunden, sodass er Experimente entwerfen, Ausführungscode generieren, experimentelles Feedback auslesen und direkt mit experimentellen Geräten verbinden kann. Google bezeichnet diese Veränderung als Übergang von einem „in-silico hypothesis generator“ zu einem „execution-grounded research partner“, also von einem hypothesengenerator im Chip zu einem forschungspartner, der auf tatsächlicher Ausführung basiert.

In einem der anschaulichsten Experimente teilten die Forscher Gemini 3 Deep Think die Bedingungen eines selbst gebauten CVD-Geräts mit. Einige Minuten später lieferte es einen Materialwachstumsplan, der an diese Maschine angepasst war, und übersetzte den Plan anschließend in Maschinencode, der das Gerät steuern kann. Schließlich gelang das Wachstum von drei zweidimensionalen Halbleitern bereits beim ersten Versuch.

So wurde ein Szenario, das früher hauptsächlich in Science-Fiction-Filmen existierte, plötzlich Realität: Wenn große Modelle tatsächlich „Hände“ entwickeln und beginnen, experimentelle Geräte zu bedienen, was wird aus dem KI-Wissenschaftler ab heute?

In „Resident Evil“ fürchten die Menschen, dass die KI das Labor übernimmt. Die Wissenschaftler in der realen Welt übergeben das Labor jedoch aktiv Stück für Stück an die KI. Natürlich will Google kein außer Kontrolle geratenes „The Hive“ bauen, sondern eine wissenschaftliche Entdeckungsmaschine, die von der Aufstellung von Hypothesen über das Experimentdesign bis hin zur Überprüfung in der realen Welt alles ausführen kann.

Papier-Titel: Accelerating Scientific Research with Gemini in the Real-World

Papier-Adresse: https://arxiv.org/pdf/2608.26701

Gemini hat ein experimentelles Gerät übernommen

Zuerst im Bereich der Materialwissenschaft.

Die Forscher verwendeten ein selbst gebautes Gerät für chemische Gasphasenabscheidung, also einen CVD-Ofen. Bei Experimenten mit solchen zweidimensionalen Materialien gibt es ein lang bestehendes Problem: Öffentliche „Rezepte“ lassen sich nur schwer reproduzieren.

Selbst bei gleichen Parametern wie Temperatur, Gas und Vorläufersubstanzen können sich bei einem Wechsel des Ofens geringfügige Abweichungen bei der Größe der Ofenkammer, der Strömungsgeschwindigkeit des Gases oder der Position der Materialien dazu führen, dass die resultierenden Kristalle völlig unterschiedlich ausfallen. Forscher müssen oft Wochen oder sogar Monate damit verbringen, die Parameter wiederholt anzupassen.

Daher teilte das Forschungsteam Gemini nicht mehr mit, wie Experimente durchzuführen sind, sondern informierte es darüber, welche Geräte im Labor vorhanden sind, welche Chemikalien es gibt und wie der Ofen aufgebaut ist. Die restlichen Parameter wurden von der KI selbst festgelegt.

Co-Scientist generiert auf der Grundlage dieser Einschränkungen einen vollständigen Versuchsplan mit Gasfluss, Temperaturkurve, Menge der Vorläufersubstanzen und Position der Materialien, der dann von dem experimentellen Gerät ausgeführt wird.

Eine Gruppe von Experimenten stach besonders hervor: Nachdem das Forschungsteam Gemini 3 Deep Think in den CVD-Steuerungsablauf eingebunden hatte, generierte es keinen Versuchsplan in natürlicher Sprache mehr, den die Wissenschaftler langsam durchlesen mussten. Stattdessen schloss es die Schlussfolgerung innerhalb weniger Minuten ab und übersetzte das Ergebnis direkt in Maschinencode, der das Gerät steuern kann.

Schließlich gelang es, bei den drei zweidimensionalen Halbleitern MoS₂, MoSe₂ und WS₂ bereits im ersten Experiment einkristalline Schichten zu züchten. Der gesamte Versuchsablauf dauerte etwa eine Stunde.

Besonders bei MoSe₂ und WS₂ galt: Die Forscher hatten diese beiden Materialien zuvor noch nie auf diesem Gerät gezüchtet. Mindestens fünf nachfolgende Wiederholungsexperimente bestätigten das Ergebnis.

Dies steht in einem interessanten Zusammenhang mit dem MHS, das Anthropic gestern vorgestellt hat. Das Problem, das Anthropic lösen will, besteht darin, Agenten die Erkennung und Bedienung von experimentellen Geräten auf einfachere und standardisierte Weise zu ermöglichen. Das in diesem Google-Papier diskutierte Thema ist der nächste Schritt: Wie lassen sich wissenschaftliche Arbeitsabläufe neu gestalten, wenn ein Inferenzmodell bereits experimentelle Geräte steuern kann?

In diesem Sinne ist die „Verbindung von KI mit Hardware“ kein Problem mehr.

Nicht nur Experimente nach Papieren durchführen: Die KI beginnt auch, eigene Rezepte zu finden

Wenn Gemini jedoch nur auf der Grundlage vorhandenen Wissens die Parameter eines Geräts anpasst, kann dies noch nicht als echte wissenschaftliche Entdeckung bezeichnet werden. Daher führte Google ein zweites, schwierigeres Experiment durch: Es wurde versucht, ein zweidimensionales MXene-Material namens Ti₃C₂Tₓ von Grund auf neu zu synthetisieren.

Herkömmliche Verfahren verwenden oft gefährliche Ätzmittel, und einige bekannte CVD-Verfahren setzen giftiges und luftempfindliches TiCl₄ ein. Das Forschungsteam stellte Co-Scientist daher die Aufgabe: Lässt sich ein sichererer Weg über Vorläufersubstanzen finden?

Co-Scientist konzentrierte sich schließlich auf Hexachlorethan C₂Cl₆ und lieferte eine Reihe von Parametern wie Menge und Position der Vorläufersubstanzen, Gasfluss, Substrat und Temperaturkurve.

Aber dies ist keine Geschichte, in der die KI plötzlich eine Eingebung hat und das Experiment gleich beim ersten Mal gelingt. Co-Scientist generierte insgesamt 272 Kandidatenpläne, von denen die Forscher die am höchsten eingestuften Pläne auswählten und weiter optimierten. Nach 25 Iterationen von Experimenten wurde schließlich ein zweidimensionaler schichtförmiger Kristall erhalten, der bei mehreren Indikatoren wie XRD, Elektronenmikroskopie und Elementzusammensetzung Merkmale aufweist, die denen von Ti₃C₂Tₓ MXene sehr ähneln.

Die nachfolgenden Probleme in der realen Welt sind ebenfalls typisch: Die Erfolgsrate der ersten Reproduktionsexperimente betrug nur 11,5 %. Die Forscher stellten später fest, dass das Hauptproblem nicht die chemische Schlussfolgerung der KI war, sondern Sauerstoffleckagen aufgrund unzureichender Abdichtung des experimentellen Geräts.

Nachdem das Quarzrohr neu gereinigt, die Dichtringe ausgetauscht und der Wartungsablauf des Geräts verbessert wurde, stieg die Erfolgsrate der Experimente mit demselben zweidimensionalen Material auf 68 % an.

Dies zeigt genau, warum „KI für die reale Welt“ sich stark von Software-Agenten unterscheidet: Wenn der Code fehlerhaft ist, kann er neu ausgeführt werden. Bei realen Experimenten hingegen kann ein gealterter O-Ring, ein Rest in der Rohrleitung oder sogar Sauerstoff in der Luft dazu führen, dass ein korrekter wissenschaftlicher Plan vollständig scheitert.

Google ist in dem Papier sehr vorsichtig: Derzeit lässt sich nicht endgültig bestätigen, dass das Material tatsächlich Ti₃C₂Tₓ MXene ist. Es weist noch Probleme wie geringe Ausbeute und starke Oxidation auf, die durch weitere Charakterisierung auf atomarer Ebene bestätigt werden müssen.

Trotzdem lässt sich die Schlussfolgerung ziehen: Die KI ist in der Lage, einen wissenschaftlich sinnvollen Kandidatensyntheseweg vorzuschlagen und diesen dann tatsächlich in physischen Experimenten zur Überprüfung umzusetzen.

Bei manchen Experimenten kann die KI zunächst einmal „vorhersagen“

Google setzte Co-Scientist auch in einem völlig anderen experimentellen Szenario ein: der Synthetischen Biologie. Das Forschungsobjekt waren eine Gruppe gentechnisch veränderter Escherichia-coli-Bakterien.

Diese Bakterien bilden in Petrischalen unterschiedliche Koloniemuster. Wenn sich die Konzentration des Induktors IPTG ändert, ändern sich auch Größe, Rand und Form der Kolonien. Normalerweise müssen Wissenschaftler, um die gesamte Veränderungskurve zu erhalten, unterschiedliche Konzentrationen herstellen, die Bakterien kultivieren, auf ihr Wachstum warten und dann jede Schale einzeln scannen.

Google versuchte, die KI einen Teil der Zwischenschritte des Experiments übernehmen zu lassen. Die Forscher lieferten Co-Scientist nur echte Bilder von Kolonien bei einigen bestimmten Konzentrationen und ließen das System vorhersagen, wie die Kolonien bei unbekannten Zwischenkonzentrationen aussehen sollten. Diese experimentellen Daten waren zu diesem Zeitpunkt noch nicht veröffentlicht, sodass das Papier feststellt, dass das Modell die Aufgabe nicht einfach dadurch lösen konnte, dass es sich Ergebnisse aus den Trainingsdaten einprägt.

Das Ergebnis zeigte: Bei vier Indikatoren für die Koloniemorphologie wichen die Vorhersagen der KI in drei Fällen nicht signifikant von den Ergebnissen der echten Nass-Experimente ab. Sie erkannte auch korrekt, dass die Kontrollgruppe keine entsprechende Veränderung mit der IPTG-Konzentration aufweist.

Das einzige offensichtliche Problem lag bei dem Indikator „Rundheit“: Die von der KI generierten Kolonien waren regelmäßiger als in der Realität. Das entspricht genau dem typischen „Geschmack“ generativer Modelle: Die reale Welt ist nicht so perfekt, aber die KI kann nicht widerstehen, sie etwas runder zu zeichnen.