Zwei kürzlich in der Fachzeitschrift Nature veröffentlichte Studien präsentieren neue KI-Systeme namens Robin und Co-Scientist, die darauf abzielen, wissenschaftliche Entdeckungen zu beschleunigen. Während diese Systeme zeigen, dass künstliche Intelligenz das wissenschaftliche Arbeiten unterstützen kann, offenbaren sie gleichzeitig grundlegende Grenzen rein sprachbasierter Modelle. Robin wurde vom Non-Profit-Unternehmen Future House entwickelt, während Co-Scientist von Google DeepMind stammt. Beide funktionieren als Multi-Agenten-Systeme. Dies bedeutet, dass sie aus einer Sammlung spezialisierter KI-Agents bestehen, die von einem übergeordneten Steuerungs-Agenten koordiniert werden. Co-Scientist simuliert kognitive Aufgaben, indem es unter anderem einen Reflektions-Agenten einsetzt, der als kritischer wissenschaftlicher Peer-Reviewer fungiert, oder Ranking-Agents, die in Turnieren über die Vorzüge verschiedener Hypothesen diskutieren. Robin hingegen ist auf spezifische Aufgaben wie die Wiederverwendung von Medikamenten ausgerichtet, wobei ein Agent Experimente auswählt und ein anderer komplexe biomedizinische Daten analysiert. In Testexperimenten zur Behandlung akuter myeloider Leukämie identifizierte Co-Scientist 30 vielversprechende Wirkstoffkandidaten. Von den fünf vom Menschen für Laborversuche ausgewählten Substanzen zeigten drei positive Ergebnisse. Ein weiterer Versuch mit Robin zur Behandlung der altersbedingten Makuladegeneration ergab zwei vielversprechende Wirkstoffkombinationen. Die Ergebnisse deuten darauf hin, dass diese Systeme in der Lage sind, Hypothesen von hoher Qualität zu generieren und die Effizienz der Vorarbeit zu steigern. Die Vorhersagen von Co-Scientist stimmten dabei gut mit den Einschätzungen menschlicher Experten überein. Dennoch bleiben die Systeme auf die Unterstützung des Menschen angewiesen. Weder Robin noch Co-Scientist führen selbst direkte physikalische Experimente zur Validierung durch. Die KI ist darauf angewiesen, dass Wissenschaftler die Kernfragen definieren, die Ergebnisse überprüfen und die Prioritäten für weitere Untersuchungen setzen. Zudem fehlen bei den vorgestellten Studien Vergleichswerte mit spezialisierten, traditionellen Methoden der Computational Biology, was eine Bewertung der Überlegenheit dieser neuen allgemeinen Werkzeuge erschwert. Die zugrundeliegende Problematik liegt in der Abhängigkeit von großen Sprachmodellen. Diese Systeme arbeiten primär mit der Sprache der Wissenschaft statt mit rohen Daten. Während dies eine natürlichere Interaktion ermöglicht, ist Sprache oft unpräzise und mehrdeutig, was in der exakten Naturwissenschaft problematisch sein kann. Die aktuelle Forschung zeigt, dass reine Sprachverarbeitung zwar nützlich ist, um in großen Literaturmengen Muster zu erkennen, aber nicht ausreicht, um die komplexe Realität der Natur vollständig abzubilden. Die Zukunft der wissenschaftlichen KI liegt vermutlich in hybriden Ansätzen. Zukünftige Modelle sollen strukturierte quantitative Daten mit sprachbasierten Konzepten verknüpfen. Dies würde wissenschaftliches Argumentieren auf eine solide Wissensstruktur gründen und die Verbindung von genomischen Sequenzen, Proteinfaltungen oder mikroskopischen Bildern mit theoretischen Erkenntnissen ermöglichen. KI wird den wissenschaftlichen Fortschritt unterstützen, kann den komplexen Prozess der Entdeckung jedoch nur dann vollständig beherrschen, wenn sie über die reine Verknüpfung von Wörtern hinausgeht und die Systeme selbst modelliert.