StartseiteArtikel

AI4S boomt, wie weit ist es noch vom „ChatGPT-Moment“ entfernt?

定焦One2026-11-17 09:21
Künstliche Intelligenz hält Einzug in Labore, ist aber noch weit davon entfernt, selbstständig wissenschaftliche Forschung zu betreiben.

Wie lange dauert es, von der ersten Konzeption eines Peptidmoleküls, das Medikamenten den Eintritt in Zellen ermöglicht, bis zu dessen experimenteller Validierung?

Früher konnte allein das Ausfiltern einiger vielversprechender Kandidatenmoleküle aus einer riesigen Menge an Kandidaten ein Jahr oder sogar noch länger dauern. Bei dem AI4S-Startup YuanShenlan wurde dieser Zeitraum auf zwei bis drei Monate verkürzt: Das KI-Modell übernimmt Konzeption und Auswahl, die automatisierte Experimentierplattform übernimmt die nachfolgenden Experimente, und die Arbeit, die früher von Wissenschaftlern durch Versuch und Irrtum Schritt für Schritt erledigt werden musste, wird nun Algorithmen und Maschinen überlassen.

Ähnliche Veränderungen finden in immer mehr Labors statt. Bei der Literaturrecherche, Datenanalyse, Molekülkonzeption und Versuchsplanung greift KI in Schritte ein, die früher stark auf das Wissen und die Erfahrung von Wissenschaftlern angewiesen waren. Einige Gründer zielen noch weiter ab: Sie wollen, dass KI selbstständig wissenschaftliche Fragen stellt und neues Wissen entdeckt.

Dieser Bereich wird als AI for Science (AI4S, KI-gesteuerte wissenschaftliche Forschung) bezeichnet.

In diesem Jahr ist die Finanzierungsdynamik in diesem Sektor deutlich gestiegen. Medienberichten zufolge gab es in den ersten 10 Monaten dieses Jahres mehr als 80 Finanzierungsrunden im inländischen AI4S-Sektor, mit einem insgesamt offengelegten Finanzierungsvolumen von über 200 Milliarden Yuan. Kürzlich gegründete Startups wie Keli Xinxü und Yuancai Xinjie erhielten nacheinander Finanzierungen, und das Kapital strömt beschleunigt in Bereiche wie Biowissenschaften und Materialforschung. Das AI4S-Startup Deep Principle hat zudem das wissenschaftliche Großmodell Hydrogen-1.0 auf den Markt gebracht, das KI an Versuchsplanung und Entdeckung neuer Materialien beteiligen soll.

Große Technologieunternehmen bauen ebenfalls ihre Präsenz in diesem Bereich aus. Am 16. November zeigte das von Alibaba veröffentlichte Qwen4-Max die Fähigkeit, neue Kühlflüssigkeitsmoleküle selbstständig zu entwerfen und eine automatisierte Experimentierplattform zur Durchführung von Synthese und Tests aufzurufen. Zuvor haben Claude Fable 5.2 und Mythos 5.2 von Anthropic sowie die offizielle Version Hunyuan Hy4 von Tencent nacheinander die Fähigkeit gezeigt, komplexe Probleme in Bereichen wie theoretische Physik und mathematische Forschung mit allgemeinen großen Modellen zu lösen.

Wissenschaftliche Forschung gilt seit jeher als einer der Bereiche, die am stärksten auf menschliches Urteil angewiesen sind. Ob eine Hypothese gültig ist, muss durch echte Experimente überprüft werden; ob eine Entdeckung wertvoll ist, hängt vom Urteil der Wissenschaftler ab. Wie viel Arbeit kann KI also tatsächlich für Wissenschaftler übernehmen? Wie weit ist sie davon entfernt, wissenschaftliche Entdeckungen selbstständig durchzuführen? Und wie groß kann dieses Geschäft letztendlich werden?

01. Wissenschaftler beginnen, ihre „Nachfolger“ auszubilden

Wang Chengzhi, Gründer von YuanShenlan, erinnert sich noch gut an eine Erfahrung während seiner Doktorarbeit.

Um ein Darmbakterium zu finden, das eine bestimmte Verbindung fermentieren kann, mischte er zunächst etwa zehntausend Bakterienstämme zur Fermentation, bestätigte dass das Zielbakterium darunter war, und verkleinerte dann den Suchbereich stetig mit der Binärmethode. Der gesamte Prozess dauerte mehr als ein halbes Jahr.

Er zweifelte zeitweise daran, warum er nach dem harten Kampf, an der Pekinger Universität aufgenommen zu werden, nur diese wiederholenden Arbeiten ausführte. Später bei einem Auslandsaufenthalt zur Austausch stellte er fest, dass einige Forscher an der Harvard-Universität und der Yale-Universität genau die gleichen Tätigkeiten ausübten.

Dies ist keine individuelle Notlage. In der wissenschaftlichen Forschung wird viel Zeit mit wiederholenden Arbeiten verbracht, die den Wissenschaftlern Zeit für Urteil und Kreativität rauben. Im Jahr 2024 gründete Wang Chengzhi YuanShenlan, um KI-Modelle mit automatisierten Experimentierplattformen zu verbinden, in der Hoffnung, dass KI eines Tages von einem „Experimentator“ zu einem „Wissenschaftler“ wird.

Neben wiederholenden Arbeiten gibt es zwei weitere alte Probleme in der wissenschaftlichen Forschung: zu lange Zyklen und zu hohe Hürden.

Zhao Chenggcheng, Gründerin von Qingyuan Technology (Hangzhou), hat lange Zeit in der Materialexperimentforschung gearbeitet. Sie stellte fest, dass ein wissenschaftliches Projekt von der Fragestellung bis zur Klärung der zugrundeliegenden wissenschaftlichen Gesetze oft mehrere Jahre dauert. Während des Forschungsprozesses können mehrere Hypothesen und widersprüchliche Versuchsergebnisse auftauchen, die von Wissenschaftlern eine ständige Analyse von Beweisen und Anpassung von Urteilen erfordern. Je komplexer das Problem ist, desto schwieriger ist es für eine einzelne Person, alles zu ordnen.

Dies veranlasste sie, sich AI4S zuzuwenden. Sie hofft, dass KI in Zukunft an Prozessen wie Hypothesenaufstellung, Beweisanalyse und Versuchsplanung beteiligt werden kann, sodass vorhandene Forschung und neue Experimente ständig miteinander verbunden werden, jede Erkundung zum Ausgangspunkt der nächsten Forschung wird und der Prozess der Entdeckung wissenschaftlicher Gesetze beschleunigt wird.

Hohe Hürden zeigen sich auch zwischen verschiedenen Disziplinen.

Erik, Mitbegründer und COO von Keli Xinxü, nennt als Beispiel ein Kooperationsprojekt mit einem Forschungsteam für Pflanzenzüchtung der Pekinger Universität. Dieses Team verfügt über umfassende Erfahrung in der Pflanzenwissenschaftsforschung, aber das Proteindesign erfordert einen ganz anderen Satz von Fachmodellen und Rechenabläufen. Früher mussten die Forscher zusätzliche relevante Tools erlernen oder mit Teams für Computerbiologie zusammenarbeiten. Mithilfe des von Keli Xinxü entwickelten wissenschaftlichen Agenten können sie ihre Forschungsziele in natürlicher Sprache beschreiben, und KI unterstützt beim Aufruf von Proteindesign- und Analysetools, um interdisziplinäre Erkundungen bequemer durchzuführen.

Erik nennt diese Veränderung „Gleichberechtigung in der wissenschaftlichen Forschung“. Seiner Meinung nach liegt der Wert von KI nicht nur darin, Wissenschaftler, die bereits gut im Rechnen sind, effizienter zu machen, sondern auch darin, mehr Forschern ohne KI-Hintergrund Zugang zu fortschrittlichen wissenschaftlichen Rechenkapazitäten zu verschaffen. Die Nutzer des intelligenten Agenten von Keli Xinxü kommen aus spezialisierten Bereichen wie Zahnmedizin, Organoiden und Pflanzenzüchtung, in denen es früher fast keine spezialisierten KI-Tools gab. Sobald KI dort Einzug hält, sind die Effizienzsteigerungen und das „Erstaunen“ deutlich größer.

Tatsächlich ist die Modernisierung der wissenschaftlichen Forschung durch Computer und Maschinen keine Neuigkeit. Maschinelles Lernen ist bereits vor Jahren in Bereiche wie Arzneimittelforschung und Materialberechnung eingezogen, aber frühere Algorithmen konnten oft nur eine bestimmte Art von Problemen lösen, und Maschinen konnten nur festgelegte Operationen ausführen, sodass komplexe Forschungsabläufe weiterhin von Menschen organisiert werden mussten.

Erik zufolge stammt die diesjährige Belebung aus dem Zusammentreffen von drei Kräften: Die stetig verbesserte Fähigkeit allgemeiner großer Modelle zum Schlussfolgern, Programmieren und Aufrufen von Tools ermöglicht es KI, komplexe Forschungsaufgaben zu verstehen und zu zerlegen. Fachmodelle in Bereichen wie Proteinen, Molekülen und Zellen werden zunehmend ausgereift, und für immer mehr wissenschaftliche Probleme gibt es passende KI-Tools. Hinzu kommt, dass automatisierte Laborgeräte inzwischen ausreichend verfügbar sind, um Versuchsoperationen durchzuführen und die Ergebnisse an die KI zurückzumelden.

Wie viel Arbeit können Wissenschaftler bereits an KI übergeben?

Wang Chengzhi unterteilt die Entwicklungsphasen der KI-Beteiligung an der wissenschaftlichen Forschung grob in drei Stufen: unterstützende Forschung, leitende Forschung und autonome Forschung.

In der unterstützenden Phase hilft KI Wissenschaftlern hauptsächlich bei der Informationsverarbeitung. Wang Chengzhi hat in früheren Jahren ein Team angeführt, das mithilfe von Algorithmen Informationen wie Gene, Krankheiten, Medikamente und Moleküle aus veröffentlichten Arbeiten zu einem riesigen Wissensgraphen verknüpft hat.

Dies löst das Problem der verstreuten wissenschaftlichen Erkenntnisse. Ein Wissenschaftler kann Jahre damit verbringen, ein bestimmtes Gen zu erforschen und herauszufinden, dass es mit einer bestimmten Krankheit zusammenhängt; ein anderer Wissenschaftler erforscht ein Medikament und stellt zufällig fest, dass es auf genau dieses Gen einwirkt. Die Verbindung zwischen diesen beiden Studien ist für Menschen durch das Lesen von Arbeiten kaum zu entdecken. Der Wissensgraph verknüpft diese verstreuten Hinweise.

In der leitenden Phase beginnt KI, an der Organisation und Durchführung von Forschungsaufgaben beteiligt zu werden.

Zum Beispiel: Ein Forscher im Bereich der Biowissenschaften möchte ein bestimmtes Protein optimieren. Früher musste er selbst Literatur recherchieren, Strukturvorhersagemodelle und Analysesoftware auswählen, verschiedene Rechenaufgaben durchführen und dann je nach Ergebnis ständig die Tools wechseln. Jetzt kann der wissenschaftliche Agent diese Schritte verbinden: Der Forscher gibt das Ziel vor, KI ruft die entsprechenden Modelle und Tools auf, erledigt einen Teil der Berechnungen und plant die nächsten Schritte basierend auf Zwischenergebnissen. Erik beschreibt es so, dass KI zunehmend wie ein „sehr starker Forschungspartner“ wirkt. In dieser Phase werden die Forschungsrichtung und wichtigen Entscheidungen weiterhin von Menschen überwacht.

Die autonome Phase erfordert, dass KI einen Schritt weiter geht und wissenschaftliche Entdeckungen selbstständig durchführt. Dieser Schritt ist noch nicht erreicht.

Wang Chengzhi verwendet das autonome Fahren als Vergleich. Die heutige KI-gestützte wissenschaftliche Forschung ähnelt dem assistierten Fahren: Sie kann relativ festgelegte, standardisierte Versuchsabläufe durchführen, aber sie erfordert immer noch, dass Wissenschaftler Anweisungen geben, Ergebnisse überprüfen und bei komplexen Situationen eingreifen. Zukünftig sollte KI wie ein vollständig autonom fahrendes Auto sein, das selbstständig Probleme findet, Experimente entwirft und die nächste Forschungsrunde basierend auf den Ergebnissen durchführt.

Bis dahin bleibt das Lenkrad in den Händen der Wissenschaftler.

02. Worin liegt die Schwierigkeit, wenn KI Wissenschaft betreibt?

Warum kann KI das Lenkrad noch nicht übernehmen? Wenn man die wissenschaftliche Forschung in die Schritte Hypothesenaufstellung, Konzeptgestaltung, experimentelle Validierung und Lernen aus den Ergebnissen unterteilt, stellt sich heraus, dass es noch mehrere Hürden gibt, bevor KI den gesamten Prozess selbstständig abschließen kann.

Der Ausgangspunkt der wissenschaftlichen Forschung ist die Formulierung einer guten Frage – genau das ist das, worin KI am wenigsten gut ist.

Wang Chengzhi ist der Meinung, dass die Fähigkeit von KI, vorhandenes Wissen zusammenzufassen, bereits weit über die von Menschen hinausgeht, aber die Fähigkeit, neues Wissen zu schaffen, ist noch „nicht bestanden“. KI ist im Wesentlichen eine Wahrscheinlichkeitsmaschine, die darin gut ist, allgemeine Regeln aus riesigen Datenmengen zu finden, aber dazu neigt, feine Phänomene zu übersehen, die von den Regeln abweichen. Und wissenschaftliche Entdeckungen verbergen sich manchmal genau in diesen unerwarteten Ergebnissen.

Ein Versuchsergebnis, das nicht den Erwartungen entspricht, kann ein Fehler sein, aber auch der entscheidende Knotenpunkt für den Durchbruch zu einer großen Entdeckung. Die Unterscheidung zwischen beiden erfordert die Erfahrung und Intuition von Wissenschaftlern.

Erik nennt dieses Urteilsvermögen „wissenschaftlicher Geschmack“. Welche Fragen es wert sind, bearbeitet zu werden, und welche Richtungen neue Entdeckungen bringen können, muss von Wissenschaftlern beurteilt werden. Bei begrenzten Rechen- und Versuchsressourcen ist der Wert der Bearbeitung einer guten Frage weit größer als die Bearbeitung von zehn oder zwanzig bedeutungslosen Fragen.

Selbst wenn gute Fragen gestellt werden können, ist KI bei der Gestaltung von Konzepten oft überfordert.

Keli Xinxü hat einmal mit einer Forschungsgruppe für Biowissenschaften an der Pekinger Universität zusammengearbeitet, um zu versuchen, komplexe Moleküldocking-Aufgaben mit einem wissenschaftlichen Agenten auf Basis eines allgemeinen großen Sprachmodells zu erledigen. Nachdem der Agent erste Ergebnisse geliefert hatte, hielten die Forscher sie für nicht gut genug und forderten ihn auf, weiter zu optimieren. Der Agent führte fünf bis sechs Anpassungsrunden hintereinander durch und meldete in jeder Runde, welche Verbesserungen er vorgenommen hatte. Als die Forscher eingriffen und überprüften, stellten sie fest, dass die vom Agenten behaupteten Optimierungen gar keine echten Optimierungen waren – einige waren sogar schlechter geworden.

Erik zufolge bedeutet die Fähigkeit des wissenschaftlichen Agenten auf Basis allgemeiner großer Sprachmodelle, Tools aufzurufen, nicht, dass er die wissenschaftlichen Objekte, die die Tools verarbeiten, wirklich versteht. Moleküle und Proteine sind komplexe dreidimensionale Strukturen, bei denen Position, Abstand und Wechselwirkung zwischen Atomen alle die endgültigen Eigenschaften beeinflussen können. Die allgemeinen großen Sprachmodelle, auf die der Agent angewiesen ist, schließen hauptsächlich mit natürlicher Sprache Schlüsse. Wenn dreidimensionale Informationen in Text umgewandelt und dann an Fachtools übergeben werden, können viele Schlüsselinformationen bei dieser „Übersetzung“ verloren gehen.

In der Phase der experimentellen Validierung stellt sich dann das Problem, dass KI zu schnell Ergebnisse generiert und die Validierung nicht Schritt halten kann.

Wang Chengzhi hat beobachtet, dass einige KI-Arzneimittelunternehmen an einem Tag zehntausende Kandidatenmoleküle entwerfen können, aber nicht über ausreichende Versuchskapazitäten verfügen, um zu überprüfen, ob diese Moleküle tatsächlich wirken.

Im Bereich der KI-gestützten unterstützenden Forschung werden die Arbeiten zur Vorhersage, Auswahl und Gestaltung von Molekülen durch Computer üblicherweise als „Trockenexperimente“ bezeichnet. Um jedoch zu wissen, ob diese Moleküle die erwartete Wirkung entfalten, müssen sie im Labor synthetisiert, getestet und validiert werden – also als „Nassexperimente“. Die Effizienzlücke zwischen beiden wird als „Trocken-Nass-Kluft“ bezeichnet.

Erik hat einmal nachgerechnet: KI kann 1000 Kandidatenkonzepte sehr schnell generieren, aber alle 1000 Konzepte zu validieren ist sehr langsam, aufwendig und teuer. Wenn das Modell die Genauigkeit der Beurteilung verbessern kann und bereits bei 10 Konzepten ein wirksames Ergebnis findet, ist das viel wertvoller. Die Branche braucht nicht nur stärkere Generierungsfähigkeiten, sondern auch weniger unnötige Validierungen.

Roboter für die Durchführung von Experimenten einzusetzen ist ein möglicher Weg. Einige automatisierte Labors können bereits Massenexperimente in