Google DeepMind hat den Bericht Conjecture Machines: AI agents and the new validation bottleneck in science veröffentlicht, der die zunehmende Integration von KI-Agenten in die Grundlagenforschung analysiert. Kernaussage: Während KI die Hypothesengenerierung und Lösungssuche massiv beschleunigt, behindert die Validierung den wissenschaftlichen Fortschritt zunehmend. Als Praxisbeispiel nennt der Report den Agenten Co-Scientist, der im Jahr 2024 eine langjährige Frage zur Antibiotikaresistenz von Bakterien in 48 Stunden präzise beantwortete. Die führende Hypothese bestätigte die früheren Laborergebnisse des Imperial College London. Der Bericht betont jedoch klar: Der KI-Agent liefert Kandidaten und Priorisierungen, die empirische Bestätigung durch menschliche Forscherteams bleibt unverzichtbar. Als Treiber für die aktuelle Leistungsfähigkeit benennt DeepMind drei Faktoren. Erstens übertreffen moderne Grundmodelle in komplexen Tests menschliche Expertise und beherrschen mehrstufiges, iteratives Denken. Zweitens stabilisieren ausgereifte Scaffolding-Systeme Planung, Gedächtnis und Werkzeugnutzung. Drittens erlauben standardisierte Arbeitsmodule eine nahtlose Übernahme spezifischer Labor- und Analysepipelines, wodurch KI zunehmend als koordinierender Assistent fungiert. Diese Effizienzgewinne erzeugen jedoch einen neuen Flaschenhals. In Informatik oder Mathematik können Systeme wie Aletheia automatische Beweisprüfungen durchführen. In den Life Sciences, Chemie oder Materialforschung hingegen kollidiert die rasante Hypothesenproduktion mit begrenzten physischen Laborkapazitäten und langen experimentellen Zyklen. Die Validierung kann mit der Generierungsrate nicht schritthalten. Zur Überwindung dieser Kluft fordert der Bericht systemische Maßnahmen. Wissenschaftsförderer sollten gezielt Budgets für KI-Lizenzen und Rechenzugang einrichten. Die Forschungsdatenlandschaft benötigt standardisierte, maschinenlesbare Formate sowie sichere Zugriffskonzepte für sensible Informationen. Parallel sei der Ausbau automatisierter, öffentlich finanzierter Laborinfrastrukturen essenziell, um Experimentierkapazitäten zu entlasten. Auch der Peer-Review-Prozess muss KI-gestützte Plausibilitätsprüfungen integrieren, wobei transparente Interaktionsprotokolle die Nachvollziehbarkeit gewährleisten. Der Report warnt zudem vor einem Verlust fachlicher Urteilsbildung und empfiehlt, Nachwuchswissenschaftler zunächst ohne KI-Unterstützung zu schulen. KI transformiert die Hypothesenfindung in einen skalierbaren digitalen Arbeitsfluss. Die wissenschaftliche Erkenntnis entsteht jedoch weiterhin durch experimentelle Verifizierung. Förderstrukturen, Datenarchitekturen und Prüfmechanismen müssen rasch an die beschleunigte KI-Entwicklung angepasst werden, um den wissenschaftlichen Fortschritt nachhaltig zu sichern.