Google DeepMind, Google Research, Google Cloud und Google Labs stellen das KI-System Co-Scientist vor, das als kollaborative Forschungsplattform für die hypothesisengenerierende Wissenschaft konzipiert wurde. Das Tool unterstützt Fachleute in den Life Sciences und angrenzenden Disziplinen dabei, neue Forschungsfragen systematisch zu entwickeln und zu validieren. Die Architektur von Co-Scientist basiert auf einem Verbund spezialisierter KI-Agenten, die in drei sequenzielle Phasen unterteilt sind. In der Initialphase generieren mehrere Agenten Hypothesen und erkunden parallel unterschiedliche wissenschaftliche Pfade. Der zweite Schritt simuliert einen Peer-Review-Prozess: Ein virtueller Gutachter prüft die Vorschläge auf methodische Plausibilität, während eine separate Instanz die geprüften Konzepte in einem strukturierten Vergleichswettbewerb gegeneinander abwägt. Im dritten Stadium werden die vielversprechendsten Ideen durch weitere Agenten verfeinert, kombiniert und logisch optimiert. Ein zentraler Supervisor-Agent steuert den Gesamtworkflow, zerlegt übergeordnete Forschungsziele in ausführbare Einzelaufgaben, alloziert Rechenressourcen und koordiniert die parallele Arbeitsweise der Module. Die Finalisierung erfolgt durch einen Synthese-Agenten, der die Ergebnisse in einer für menschliche Wissenschaftler zugänglichen Form aufbereitet. Seit dem ersten Forschungsbericht im vergangenen Jahr wird das System in globalen Pilotphasen mit unabhängigen Forschungsteams getestet. Die eingesetzten Daten belegen eine signifikante Steigerung der Effizienz bei komplexen hypothesengetriebenen Arbeitsprozessen. Die praktische Anwendung ist über die neue experimentelle Plattform Hypothesis Generation verfügbar. Diese wurde als gemeinsame Initiative der vier Google-Abteilungen entwickelt und bietet Forschern direkten Zugang zu den KI-gestützten Analysemodulen. Die Implementierung eines multiagentenbasierten Systems in den wissenschaftlichen Standardworkflow stellt einen wichtigen Entwicklungsschritt in der KI-gestützten Forschungsmethodik dar. Durch die Automatisierung von Generierung, kritischer Prüfung und iterativer Verfeinerung soll der Erkenntnisgewinn beschleunigt werden. Detaillierte Informationen zur Systemarchitektur, den Testresultaten und konkreten Anwendungsbeispielen stehen auf dem Blog von Google DeepMind zur Verfügung.