AI for Science: Die erste Station der KI auf dem Weg in die physische Welt
In den vergangenen Jahren, wenn es um KI ging, sprachen wir meist über Chatten, Code schreiben, Agenten und Roboter. Doch die größte Produktivitätschance dieser KI-Runde liegt möglicherweise nicht auf dem Bildschirm, sondern in der physischen Welt, die aus Atomen und Molekülen besteht.
KI for Science (im Folgenden kurz AI4S) bedeutet im einfachen Sinne, dass KI zur Unterstützung der wissenschaftlichen Forschung eingesetzt wird, um die Forschungskapazitäten zu stärken. Zum Beispiel lässt man KI Wissen und Gesetze aus Physik, Chemie und Biologie erlernen, um Dinge auf Atom- und Molekülebene zu berechnen und zu entwerfen, wie etwa Proteine, Medikamente und neue Materialien. Es ist die erste Station, an der KI in die physische Welt eintritt.
Im Oktober 2024 wurde der Nobelpreis für Chemie an die Entwickler des Protein-Designs und von AlphaFold2 vergeben, womit AI4S einen Wendepunkt im wissenschaftlichen Forschungsparadigma erreichte. Betrachtet man die Situation zwei Jahre später, so vollziehen sich die Veränderungen schneller als die meisten erwartet hatten: Vor zwei Jahren wurde die KI-gestützte Pharmazeutikentwicklung noch häufig dafür angezweifelt, dass sie keine Medikamente hervorbringen könne; heute sind XtalPi, Insilico Medicine und Metis Therapeutics nacheinander an der Hongkonger Börse notiert, von KI mitentwickelte Medikamente sind in die klinische Phase III eingetreten, multinationale Pharmaunternehmen wie Eli Lilly, Pfizer und GSK beginnen, hohe Summen zu investieren, um KI-native Unternehmen mit exklusiven Modellfähigkeiten zu binden, und Antikörper lassen sich sogar „Zero-Shot“ direkt berechnen.
Nachdem große Modelle langsamer werden, liegt der entscheidende Wettbewerbsvorteil der KI in der physischen Welt
KI-Wettbewerb zwischen China und den USA: China hat Vorteile bei Energie, die USA führen bei Chips, der entscheidende Punkt liegt bei Anwendungen
Wenn Jensen Huang die Strategie von NVIDIA vorstellt, erwähnt er häufig einen vollständigen Stack-Schichtaufbau der KI-Industrie, der auch als „fünfschichtiger KI-Kuchen“ bezeichnet wird: Von unten nach oben sind dies Energie, Chips, Infrastruktur, Modelle und Anwendungen. Vergleicht man China und die USA anhand dieser fünf Schichten:
· Energie: China hat Vorteile. Im Jahr 2025 betrug die Stromerzeugung Chinas etwa das 2,3-fache der der USA, der Gesamtvorteil bei der Energie ist offensichtlich.
· Chips: Die USA führen, China holt auf. Bei fortschrittlichen Fertigungsverfahren (unter 7 nm) besteht zwischen China und den USA eine Lücke, aber betrachtet man die Produktionskapazität für Chipherstellung, holt China derzeit auf.
· Infrastruktur: China hat insgesamt Vorteile, sowohl bei harten Einrichtungen wie Stromnetzen, Energiespeichern und Transformatoren als auch bei weichen Grundlagen wie Internet- und KI-Infrastruktur verfügt China über eine solide industrielle Basis.
· Modelle: Die modernsten Modelle befinden sich noch in den USA, aber die Lücke schließt sich und China führt bei Open-Source-Modellen.
· Anwendungen: Dies ist der entscheidende Punkt des KI-Wettbewerbs zwischen China und den USA. KI-Anwendungen umfassen Agenten, verkörperte Intelligenz, AI4S und KI+ alle Branchen. Derzeit sind die USA einen Schritt voraus, Programmieragenten haben bereits skalierbare Einnahmen erzielt: Claude Code von Anthropic hat ein halbes Jahr nach der Markteinführung einen jährlichen Umsatz von 1 Milliarde US-Dollar erreicht; auch der jährliche Umsatz von Cursor hat 2025 die Marke von 1 Milliarde US-Dollar überschritten. China hat das Potenzial, später die Führung zu übernehmen, Giganten wie Tencent, Alibaba und ByteDance verleihen der Anwendungsebene Wettbewerbsfähigkeit, und die starke industrielle Kette Chinas bietet auch den Nährboden für die Umsetzung von KI.
Technologische Durchbrüche entsprechen nicht automatisch Produktivität: Die jährliche Wachstumsrate der TFP in den USA sank von 2,1 % auf 0,17 %
In der Geschichte dauert es oft zehn bis mehrere Jahrzehnte, bis eine Technologie von ihrer Erfindung bis zu ihrer breiten Anwendung und der tatsächlichen Steigerung der Produktivität führt. Elektrizität wurde im späten 19. Jahrhundert erfunden, aber der tatsächliche Ausbruch der Produktivität erfolgte nach 1900 und dauerte bis in die 1940er Jahre.
Betrachtet man die totale Faktorproduktivität (TFP, also das Wachstum, das durch technischen Fortschritt entsteht, abgesehen von Kapital- und Arbeitskräfteeinsatz) der USA, wird dies noch deutlicher. Eli Dourado vom Astera Institute weist darauf hin, dass die TFP der USA zwischen 1947 und 1972 jährlich um etwa 2,1 % gewachsen ist; seit der Ära des mobilen Internets ab 2005 liegt sie nur bei etwa 0,17 %. Der Kerngrund liegt darin, dass sich die Innovationen der letzten 20 Jahre hauptsächlich auf die digitale Welt beschränkt haben, während die vorherige Innovationsrunde in der physischen Welt stattfand: Die Produktivitätssteigerung durch Elektrizität, Züge und Autos war weit größer als die durch Computer und Internet.
Entwicklungstrend der totalen Faktorproduktivität (TFP) in den USA seit 1947
Aber in diesen zwanzig Jahren wurde eine entscheidende Sache geschafft: Alle mit Menschen verbundenen Daten (einschließlich Sprache, Text, Bilder, Videos und Verhaltensweisen wie Suchen) wurden digitalisiert. Das ist genau die Datengrundlage für die heutigen großen Modelle.
KI ist zweifellos der größte technologische Durchbruch der aktuellen technologischen Revolution, der sogar mit Elektrizität verglichen werden kann, aber nach den verfügbaren Daten ist die umfassende Steigerung der Produktivität noch nicht eingetreten – die großflächige Umsetzung von Anwendungen befindet sich noch in der Anfangsphase. Der größte Produktivitätsfortschritt liegt möglicherweise nicht in der digitalen Welt, sondern in den Schnittstellen zwischen KI, Biologie, Materialien und Energie, an der Verschmelzung von digitaler und physischer Welt.
Große Modelle haben fast alle verfügbaren Textdaten verbraucht, KI braucht neue Modelle, neue Daten und neue Rechenleistung
Die Entwicklung von KI hängt von drei Elementen ab: Daten, Rechenleistung und Algorithmen (Modelle). Heutzutage haben große Sprachmodelle fast alle verfügbaren Textdaten verbraucht, und die Iterationsgeschwindigkeit nimmt ab. Um weiter voranzukommen, braucht sie drei neue Waffen:
· Neue Modelle: Jensen Huang betonte auch in dem oben genannten Langartikel zum „fünfschichtigen KI-Kuchen“, dass Modelle nicht nur Sprache verstehen müssen, sondern auch Biologie, Chemie, Physik und die physische Welt selbst verstehen müssen; er ist der Meinung, dass Modelle in Bereichen wie Programmierung, Robotik, digitale Biologie und Wirkstoffentdeckung bereits eine starke Produkt-Markt-Passung (PMF) gezeigt haben. Physische KI wird wichtiger denn je. Sowohl mikroskopische AI4S-, 3D-Rekonstruktionsmodelle als auch Weltmodelle sind der Schritt für den nächsten Schritt. Neue Modelle erfordern möglicherweise neue Architekturen.
· Neue Daten: Neue Daten sind der neue Treibstoff für die weitere Iteration von Modellen. Wir brauchen sowohl Daten aus der physischen Welt, wie 3D-Gauß-Rekonstruktion, Tiefendaten, Interaktionsdaten im 3D-Raum, räumliche Intelligenz, verkörperte Operationen sowie Wechselwirkungen zwischen Molekülen in der biopharmazeutischen Industrie; als auch mit Menschen verbundene Daten, die möglicherweise aus neuen Sensoren und intelligenten Hardware entstehen; darüber hinaus brauchen wir Daten aus der Neurowissenschaft, schließlich stammen viele wichtige Durchbrüche in der Geschichte der KI aus der Inspiration durch die Neurowissenschaft, und mit der weiteren Entwicklung von Gehirn-Computer-Schnittstellen und Neurowissenschaften werden eine Menge hochwertiger nutzbarer Daten entstehen.
· Neue Rechenleistung: Neue Modelle und neue Daten stellen höhere Anforderungen an die Rechenleistung. Hinter dem Aufstieg von NVIDIA über Intel steht, dass GPUs (Grafikprozessoren) dank ihrer Vorteile bei parallelen Berechnungen im KI-Zeitalter allmählich CPUs (Zentralprozessoren) als vorherrschende Rechenarchitektur abgelöst haben. Und als Jensen Huang begann, über die Synergie zwischen GPU und QPU (Quantenprozessor) zu sprechen, wird Quantencomputing als die nächste Generation der Rechenleistung erwartet. Im Oktober 2025 veröffentlichte NVIDIA NVQLink, das die direkte Verbindung zwischen Quantenprozessoren und GPU-Supercomputern realisiert.
KI wird zu einer „Schlüsselvariable“ für die Entwicklung verschiedener Disziplinen
Viele Menschen glauben, dass KI nur Effizienzsteigerungen bringt und nicht der zentrale Treiber einer Disziplin sein kann. Aber wir beobachten tatsächlich, dass die Fähigkeiten von KI zunehmend in den Bereich der Grundwissenschaften übergreifen. ARK Invest nennt KI in „Big Ideas 2026“ den „zentralen Motor“, der Innovationsplattformen wie Robotik, Energiespeicherung und Multi-Omik gemeinsam beschleunigt. Mit anderen Worten: KI ist wie ein Tornado, der die umliegenden Innovationen und Branchen mitreißt. Unten sind vier Beispiele.
Proteinstrukturvorhersage. Gibt man eine Proteinsequenz ein, liefert AlphaFold2 ihre dreidimensionale Struktur, und die Genauigkeit entspricht erstmals der von experimentellen Methoden. Davor brauchte die Menschheit etwa sechzig Jahre, um etwa 200.000 Proteinstrukturen experimentell aufzuklären; die AlphaFold-Datenbank lieferte 2022 etwa 200 Millionen vorhergesagte Strukturen. Diese Arbeit erhielt 2024 den Nobelpreis für Chemie. Im Bereich der Proteinstrukturvorhersage ist KI bereits der Haupttreiber.
Batteriematerialien. In den vergangenen 150 Jahren hat sich die Energiedichte von Bleiakkumulatoren bis zu Lithium-Ionen-Batterien nur um etwa das 5-fache erhöht, mit einem jährlichen Fortschritt von weniger als 1 %, was sehr langsam ist. Das amerikanische Batteriematerialunternehmen Feon Energy nutzt die generative KI-basierte Molekülentwicklungsplattform EDGE, um in 2 Wochen Elektrolytmoleküle von Grund auf neu zu entwerfen: Mit seinem Elektrolyt übersteigt die Energiedichte von Lithium-Metall-Batterien 400 Wh/kg, etwa 50 % höher als bei herkömmlichen Lithium-Ionen-Batterien; ein weiteres seiner schnellladefähigen Lithium-Ionen-Elektrolyte unterstützt 6C-Schnellladung. Laut dem Büro für Technologielizenzierung der Stanford University hat Feon KI-Vorhersagemodelle mit Batterieformulierungs- und Leistungsdaten trainiert und den Forschungs- und Entwicklungszyklus von Elektrolyten von über einem Jahr auf drei bis vier Monate verkürzt. Auf der einen Seite gibt es einen jährlichen Fortschritt von weniger als 2 %, auf der anderen Seite einen stark verkürzten Forschungs- und Entwicklungszyklus – KI wird auch im Materialdesign zu einem entscheidenden Treiber.
Biologische Fertigung. Die biologische Fertigung findet unter normalen Temperaturen und umweltfreundlichen Bedingungen statt, ihr größter Vorteil ist Umweltfreundlichkeit und hohe Ausbeute. Einfach ausgedrückt ist die Ausbeute der Anteil des eingesetzten Rohstoffs, der zum Zielprodukt wird: Bei chemischen Reaktionen mit 20 Schritten liegt die Ausbeute oft unter 1 %; bei biologischen Wegen mit 20 Schritten kann die Ausbeute 80 % oder sogar höher erreichen. Die Schwierigkeit der biologischen Fertigung liegt jedoch darin, Wege und Routinen zu entwerfen. Die ATLAS of Biochemistry-Datenbank enthält mehr als 130.000 theoretisch machbare Reaktionen der Metabolismus-Engineering, aber die meisten davon wurden damals in Organismen noch nicht berichtet. In Zukunft wird die Gestaltung von Metabolismuswegen mit KI die größte Variable in der biologischen Fertigung sein.
Zukünftige medizinische Versorgung. Das amerikanische Unternehmen Tempus sammelt und gleicht multimodale Daten wie klinische Daten, Molekularbiologie und Bildgebung von Patienten ab, analysiert sie mit generativer KI und gibt Erkenntnisse an Pharmaunternehmen und Diagnoseunternehmen weiter. Im Jahr 2025 betrug der Gesamtjahresumsatz von Tempus etwa 1,3 Milliarden US-Dollar, ein Anstieg von etwa 83 % im Vergleich zum Vorjahr (einschließlich des erworbenen genetischen Testunternehmens Ambry). Im selben Jahr unterzeichnete es Datenkooperationsvereinbarungen mit mehr als 70 großen und mittleren Pharmaunternehmen; im ersten Halbjahr 2026 betrug der Umsatz 731 Millionen US-Dollar, ein Anstieg von etwa 28 % im Vergleich zum Vorjahr, und das Unternehmen hob die Gesamtjahresumsatzprognose auf etwa 1,6 Milliarden US-Dollar an.
Kaskadenverstärkung: Von 0 auf 1, dann von 1 auf 100
Wenn man diese Beispiele zusammenfügt, ergibt sich unser Urteil darüber, wie KI einen Produktivitätssprung herbeiführt: Ganz unten steht der Fortschritt von KI und großen Modellen selbst; er übergreift auf Mathematik, Physik, Chemie, Materialien und Biologie – das ist AI4S; darüber hinaus beeinflusst er Materialdesign, Proteindesign, supraleitende Materialien und neue Generation von Chips; darüber hinaus entstehen zukünftige Industrien wie biologische Fertigung, KI-gestützte Pharmazeutikentwicklung, Quantencomputing, Kernfusion, Gehirn-Computer-Schnittstellen und verkörperte Intelligenz; schließlich wird er auf strategische aufstrebende Industrien wie Biomedizin, neue Energien, neue Materialien sowie Luft- und Raumfahrt ausgeweitet.