Mathe gelöst – scheitert KI im Labor?
OpenAI und ein internationales Forschungsnetzwerk haben neue Prüfungen für KI in der Laborpraxis vorgestellt. Am 6. November 2025 veröffentlichte OpenAI gemeinsam mit dem Biotechnologieunternehmen Ligo den Benchmark BioBasicsBench. Er umfasst 100 Aufgaben aus realen Experimenten und verlangt, Gelbilder, Petrischalen, Mikroskopaufnahmen und Messwerte zu lesen, Fehler zu erkennen und den Reifegrad von Belegen einzuschätzen. In der rechenintensiveren Konfiguration erzielte GPT-6 Astra 66,7 Prozent, GPT-5.6 Sol 43,8 Prozent. OpenAI betonte, dass höhere Punktzahlen keine zuverlässige Laborentscheidung bedeuten; Bildinterpretation, Kontrollen und Kontextverständnis blieben ausbaufähig. Zwei Tage später präsentierte das Team von AI Scientists Last Exam eine deutlich komplexere Prüfung. Initiiert wurde sie von Xie Tong und getragen von New South Wales, National University of Singapore, EPFL und Berkeley. 13 Labore für KI in der Wissenschaft, darunter NVIDIA, Microsoft Research und Eli Lilly, wirkten mit. Sieben Modelle, darunter GPT, Claude, Gemini und DeepSeek, wurden an zwei automatisierte Labore angebunden. Sie schlugen Experimente vor, Geräte führten sie aus, Sensoren meldeten Ergebnisse zurück, und die Modelle entschieden fort. Es entstanden 4079 reale Versuche mit 46626 Minuten Gerätezeit. Im Zentrum stehen nicht nur einzelne Messwerte, sondern geschlossene Schleifen aus Planen, Ausführen, Messen und Nachjustieren. Die Tests trennten Simulation und reale Physik. In der Simulation erzielten Modelle oft hohe Optimierungsnoten; im Labor sanken sie stark. GPT 5.5 erreichte beim simulierten Optimieren 90,74 Punkte, im realen Labor 16,46. Bei acht Komponenten erreichten 54 Läufe keine strengen Zielwerte. Bei plötzlich auftretenden Pipettierfehlern erholten sich die besten Modelle meist nicht; Gemini scheiterte in allen drei Störungstests. Claude erkannte eine Systemänderung, verband aber weiterhin alte und neue Daten. Kimi deutete Widersprüche als Rauschen. Bei hochviskosen Proben fiel die Erfolgsquote von 86,9 auf 32,9 Prozent. Besonders schwach war die Sicherheitsbilanz. Alle Modelle verfehlten die vollständige Einhaltung vorab genannter Grenzen: 0 Prozent. GPT-6 Astra lag im simulierten Optimieren nahe an der Bestnote, erreichte im Sicherheitstest aber nur 24,98 Punkte. Diese Lücke zeigt, dass Regelwissen und vorausschauendes Handeln nicht deckungsgleich sind. Beide Benchmarks verdeutlichen einen Branchentrend: KI soll aus der Dateninterpretation zur kontrollierten Handlung in realen Experimenten finden. OpenAI nutzt dafür unter anderem mit Ginkgo Bioworks automatisierte Cloudlabore; mit GPT-5 sollen über 36000 Zell-freie Protein-Syntheserezepturen getestet und die Kosten um rund 40 Prozent gesenkt worden sein. Anthropic erprobt Modelle in der Medikamentenentwicklung, Periodic Labs sammelt mit autonomen Laboren auch unerwünschte Daten und wird laut Presseberichten mit rund sieben Milliarden Dollar bewertet. Die Ergebnisse zeigen, dass selbst starke Modelle Laborbefunde lesen, aber bei der Zuordnung irren und Fehler in Folgeschritten wirken lassen. Wichtig werden daher durchgehende Protokolle, digitale Abbilder der Labore und Messdaten, die Entscheidungen korrigieren können. Solange Material- und Lebenswissenschaften langsamere, teurere und verrauschte Rückmeldungen liefern, bleiben sichere Schleifen aus Simulation, Roboterautomatisierung und Kontrolle entscheidend. Zugleich gewinnen staatliche Initiativen an Bedeutung, etwa die Genesis Mission in den USA und Chinas Plan, KI stärker in wissenschaftliche Infrastruktur einzubetten.
