Ein chinesischer KI-Modell namens AI-Newton hat sich selbstständig grundlegende physikalische Gesetze angeeignet, darunter Newtons zweites Gesetz, das die Beziehung zwischen Kraft, Masse und Beschleunigung beschreibt. Forscher der Pekinger Universität, darunter der Physiker Yan-Qing Ma, entwickelten das System, um zu testen, ob KI nicht nur Muster in experimentellen Daten erkennt, sondern auch wissenschaftliche Konzepte selbstständig ableiten kann – ein entscheidender Schritt hin zu künstlicher Entdeckungskraft. AI-Newton nutzt eine Methode namens symbolische Regression, bei der die KI mathematische Gleichungen sucht, die physikalische Phänomene präzise beschreiben. Im Gegensatz zu herkömmlichen KI-Modellen, die nur Vorhersagen treffen, baut AI-Newton seine Erkenntnisse schrittweise auf: Es lernt zunächst einfache Konzepte wie Geschwindigkeit aus Positionsdaten, speichert diese und nutzt sie anschließend, um komplexere Gesetze wie die Masse eines Körpers über Newtons zweites Gesetz zu bestimmen. Die Daten stammten aus einem Simulator, der 46 Experimente simuliert – darunter Bewegungen von Kugeln, Federn, Kollisionen und schwingende Systeme – mit künstlich eingefügten statistischen Fehlern, um realistische Bedingungen nachzubilden. Die Ergebnisse, die noch nicht peer-reviewt sind, zeigen, dass das Modell in der Lage ist, physikalische Gesetze ohne menschliche Vorgaben zu entdecken. Im Gegensatz dazu zeigten frühere Versuche, wie die KI-Modelle „AI Copernicus“ (ETH Zürich, 2019) oder Foundation-Modelle von MIT und Harvard, dass reine Vorhersagekraft nicht ausreicht, um tiefe physikalische Erkenntnisse zu generieren. So konnten GPT, Claude und Llama, obwohl sie Planetenbahnen präzise vorhersagten, nicht auf die zugrundeliegenden Kräfte schließen. Stattdessen leiteten sie sinnlose Gravitationsgesetze ab – ein Hinweis darauf, dass reines Datenlernen ohne strukturierte Konzeptbildung nicht ausreicht. AI-Newton hingegen folgt einem menschenähnlichen Forschungsprozess: Es entwickelt Schritt für Schritt ein Wissen, das es später zur Lösung neuer Probleme nutzt. Industrieexperten wie Keyon Vafa von Harvard sehen in symbolischer Regression eine vielversprechende Methode für die Zukunft der wissenschaftlichen Entdeckung. Die Fähigkeit, ohne vorgegebene Gleichungen oder Hypothesen zu arbeiten, könnte KI zu einem echten Partner in der Forschung machen. AI-Newton zeigt, dass KI nicht nur Daten analysieren, sondern auch konzeptionell denken kann – ein entscheidender Fortschritt für die Autonomie künstlicher Intelligenz in der Physik. Die Technologie könnte künftig helfen, komplexe Systeme in der Astrophysik, Materialwissenschaft oder Klimaforschung zu entschlüsseln, ohne dass menschliche Experten alle Annahmen vorformulieren müssen.