Im Jahr 2023 organisierte Ben Blaiszik, ein Datenwissenschaftler mit Hintergrund in Materialwissenschaften und nun am University of Chicago tätig, während seiner Familie im Urlaub war, eine globale Hackathon-Veranstaltung – ein Zeichen dafür, dass er die transformative Kraft von Künstlicher Intelligenz (KI) in der Materialwissenschaft früh erkannt hatte. Die dritte Auflage dieses Events zog über 1200 Forschende und Entwickler aus aller Welt an, die sich über 48 Stunden hinweg virtuell und an lokalen Standorten zusammenschlossen, um große Sprachmodelle (LLMs) wie ChatGPT für Anwendungen in der Materialforschung und Arzneimittelentwicklung einzusetzen. Mit kleinen Geldpreisen als Anreiz präsentierten mehr als 100 Teams zweiminütige Videos ihrer Projekte – manche kamen fast wie professionelle Pixar-Trailer daher. Alle Beiträge werden in einer wissenschaftlichen Publikation zusammengefasst, die das breite Anwendungsspektrum von KI zeigt: von Hypothesengenerierung und Datenmanagement bis hin zur Vorhersage von Materialeigenschaften. Ein zentrales Hindernis bleibt jedoch die Notwendigkeit, spezialisierte Datenpipelines zu entwickeln, um die Rohdaten zu sammeln, zu standardisieren und für LLMs nutzbar zu machen. Pepe Márquez, Materialwissenschaftler an der Humboldt-Universität, der den Berliner Standort organisiert hatte, betont, dass das Event als kreativer Impuls für Forschende wirkt: „Es ist eine Gelegenheit, aus dem Alltag auszubrechen und mit neuen Werkzeugen zu experimentieren.“ LLMs sind zwar leistungsfähig, können aber ohne Anpassung an wissenschaftliche Daten unzuverlässig sein. Blaiszik unterstreicht, dass sie „Daten, die in wissenschaftlichen Papieren gefangen sind, freisetzen“ können – doch ihre Nutzung erfordert interdisziplinäre Zusammenarbeit. Daniel Speckhard, Physik-PhD-Studierender an der Humboldt-Universität, der zuvor keine Erfahrung mit LLMs hatte, arbeitete mit einem Datenwissenschaftler, einem Informatiker und einem Mathematiker zusammen. Gemeinsam feinjustierten sie das Google-Modell T5 mit kristallographischen Daten, um die Energieniveaus von Kristallstrukturen vorherzusagen. Obwohl nur eine kleine Datenmenge zur Verfügung stand, zeigten die Ergebnisse vielversprechende Ansätze. Besonders beeindruckt war Speckhard von der Effizienz: Mit Hilfe anderer LLMs, die Code schrieben, um Daten zu importieren und zu verarbeiten, schafften sie in zwei Tagen, was er allein Monate gebraucht hätte. „Ich dachte, KI nehme die Freude am Forschen weg – jetzt bin ich voll überzeugt“, sagt er. Andere Teams entwickelten spezialisierte KI-Agenten, etwa zur Rückverfolgbarkeit von Wirkstoffen in der Pharmaindustrie, indem sie Dokumente analysierten, um digitale Tags für die Lieferkette zu erstellen. Andere nutzten offene LLMs, um neue Moleküle zu entwerfen, indem sie 3D-Strukturen und chemische Eigenschaften als Input gaben. Eine weitere Gruppe baute einen „Co-Pilot“-Chatbot, der bestehende chemische KI-Tools nutzt, um Forschende bei der Hypothesenbildung zu unterstützen. Márquez sieht in Plattformen wie NOMAD, einem zentralen Repository für Materialwissenschaftsdaten mit über 19 Millionen Einträgen, eine Schlüsselressource. An der Hackathon-Veranstaltung in Berlin entwickelten Teams Chatbots zur Navigation durch NOMAD und automatisierte Datenextraktionswerkzeuge, um Labordaten direkt in die Datenbank zu laden. Ana Velázquez vom Helmholtz-Zentrum Berlin, als „Data Steward“ tätig, unterstützt Wissenschaftler dabei, KI in ihre Arbeitsabläufe zu integrieren. „Wenn alles eingerichtet ist, ziehen sie einfach eine Datei rein – und es funktioniert wie Magie“, sagt sie. 32 Experten aus Wissenschaft und Industrie bewerten die Projekte. Blaiszik plant, die Gewinner mit Mentoren und Investoren zu verbinden, um Prototypen zu Produktionsreife zu bringen. Doch das wahre Ergebnis ist nicht nur die Technologie, sondern die Wiederbelebung der Zusammenarbeit. „Die Gefahr von KI ist, dass man alles allein erledigen kann – ohne zu kooperieren“, sagt Kutlualp Tazefidan, Softwareentwickler am Bundesinstitut für Materialforschung, der an der Qualitätssicherungs-App mitarbeitete. Als eine Teammitglied nach einem Zuckerschock nicht mehr klar denken konnte, sagte er: „Kein Problem, ich frag einfach ChatGPT.“ Die Hackathon-Veranstaltung zeigt, dass KI zwar leistungsstark ist, aber ihre volle Wirkung erst durch menschliche Kreativität, Kooperation und spezifische Dateninfrastrukturen entfaltet wird.