Die Wissenschaft schreitet oft nicht durch einen einzelnen, brillanten Geistesblitz voran, sondern durch einen langsamen, repetitiven Zyklus aus Vermuten, Testen und dem Lernen aus Fehlern. Ein Forscher schlägt eine Idee vor, baut ein Werkzeug, um sie zu testen, sieht, wo sie scheitert, und verfeinert dann die Idee basierend auf diesen spezifischen Fehlentwicklungen. Dies ist die wissenschaftliche Methode, ein Prozess, der die menschliche Entdeckung seit Jahrhunderten vorantreibt. Lange Zeit waren Computer exzellent darin, Zahlen zu verarbeiten oder strikten Anweisungen zu folgen, aber sie hatten Schwierigkeiten, diesen menschenähnlichen Denkprozess nachzuahmen. Sie konnten zwar Millionen von zufälligen Variationen ausprobieren, um eine bessere Lösung zu finden – eine Methode, die als evolutionäre Suche bekannt ist –, aber es mangelte ihnen oft an der Fähigkeit zu verstehen, warum ein bestimmter Versuch fehlgeschlagen war oder den gesamten Ansatz zu ändern, wenn sie feststeckten. Die Frage, die sich Forscher gestellt haben, war, ob ein Computerprogramm darauf trainiert werden könnte, wie ein Wissenschaftler zu denken: Hypothesen aufzustellen, sie zu testen und aus den Ergebnissen zu lernen, genau wie ein Mensch es tun würde.

Eine aktuelle Studie mit dem Titel „The Little Scientist“ beantwortet diese Frage mit einem entschiedenen Ja. Die Forscher entwickelten ein System, bei dem ein KI-Agent als Wissenschaftler agiert und in einem digitalen Labor komplexe biologische Probleme löst. Anstatt blind Millionen von zufälligen Codeänderungen auszuprobieren, folgt dieser Agent einem strengen, schrittweisen Prozess: Er stellt eine Hypothese darüber auf, wie eine Lösung verbessert werden kann, schreibt den Code, um diese Idee zu testen, führt den Test aus und vergleicht das Ergebnis dann sorgfältig mit seiner ursprünglichen Vorhersage. Wenn das Ergebnis schlechter als erwartet ausfällt, verwirft der Agent den Versuch nicht einfach; er analysiert die spezifischen Gründe für das Scheitern, um eine neue, bessere Hypothese zu formulieren. Wenn der Agent in einer lokalen Schleife kleiner Verbesserungen stecken bleibt, greift ein zweiter, spezialisierter Agent ein, um einen völlig neuen Denkansatz vorzuschlagen, was das System dazu zwingt, aus seinem Trott auszubrechen und neues Terrain zu erkunden.

Die Forscher testeten dieses System an zwei sehr unterschiedlichen Herausforderungen in der Biologie. Die erste bestand darin, verborgene Muster in DNA-Sequenzen zu finden, eine Aufgabe, die entscheidend für das Verständnis der Genregulation ist. Die zweite bestand darin, vorherzusagen, wie Änderungen an der Struktur eines Proteins dessen Funktion beeinflussen – ein Problem, das für die Medikamentenentwicklung und das Verständnis von Krankheiten von zentraler Bedeutung ist. In beiden Fällen wurde dem System lediglich die Rohdaten und die Regeln des Spiels gegeben, ohne Vorwissen über die besten existierenden Lösungen. Das Ergebnis war die Entdeckung zweier neuer Methoden, die die aktuellen State-of-the-Art-Werkzeuge, die von menschlichen Experten verwendet werden, übertrafen. Für die Aufgabe der DNA-Musterextraktion erfand das System einen neuen Algorithmus von Grund auf, der nicht nur genauer, sondern auch elfmal schneller war als das heute von Wissenschaftlern verwendete Standardwerkzeug. Für die Proteinvorhersageaufgabe entdeckte es eine ausgeklügelte Strategie zur Kombination der Vorhersagen mehrerer bestehender Modelle und erreichte dabei eine Genauigkeit, die eine globale Bestenliste von über neunzig konkurrierenden Modellen anführte.

Was diese Errungenschaft besonders bemerkenswert macht, ist die Effizienz des Prozesses. Das gesamte Forschungsprogramm, das tausende Iterationen von Hypothesenbildung und Tests umfasste, wurde auf einem einzigen Standard-Computerserver durchgeführt, ohne dass spezielle, teure Grafikkarten benötigt wurden. Das System verbrauchte im Vergleich zu anderen jüngsten Versuchen der automatisierten Entdeckung, die oft massive, verteilte Computernetzwerke erfordern, eine relativ geringe Menge an Rechenleistung. Die Forscher fanden heraus, dass das System deutlich weniger Versuche benötigte, um eine Lösung zu finden, als Methoden, die auf reinem Ausprobieren basieren, indem sie die KI dazu zwangen, ihre Argumentation zu erklären und aus spezifischen Fehlern zu lernen. Dies deutet darauf hin, dass es ein weitaus mächtigerer Weg sein könnte, die Entdeckung zu automatisieren, Maschinen beizubringen, der wissenschaftlichen Methode zu folgen – anstatt sie nur raten und prüfen zu lassen.

Das System, das der Autor als „The Little Scientist“ bezeichnet, arbeitet durch eine Partnerschaft zwischen zwei unterschiedlichen Rollen. Die erste ist der „Scientist“-Agent, der als primärer Forscher fungiert. Er schreibt Code, führt Experimente durch und führt ein detailliertes Protokoll über seine Gedanken und Ergebnisse. Die zweite ist der „Kuhn“-Agent, benannt nach einem berühmten Wissenschaftsphilosophen, der beschrieb, wie wissenschaftlicher Fortschritt manchmal einen radikalen Perspektivwechsel erfordert. Wenn der „Scientist“-Agent keine Fortschritte mehr macht und feststeckt, greift der „Kuhn“-Agent ein. Er betrachtet die Historie der Misserfolge und schlägt einen völlig neuen Rahmen für das Problem vor, wobei er oft Inspirationen aus einem anderen wissenschaftlichen Fachgebiet zieht. Dies zwingt das System, seinen aktuellen Pfad zu verlassen und einen fundamental anderen Ansatz zu versuchen, ganz ähnlich wie ein menschlicher Wissenschaftler, der erkennt, dass seine aktuelle Theorie fehlerhaft ist und beschließt, mit einer neuen Perspektive neu anzufangen.

Bei der Herausforderung der DNA-Musterentdeckung war das System damit beauftragt, kurze DNA-Sequenzen zu finden, die als Bindestellen für Proteine namens Transkriptionsfaktoren dienen. Diese Stellen sind entscheidend für das An- und Ausschalten von Genen, aber das Finden ist schwierig, da die Muster subtil sein können und variierende Längen aufweisen. Das System begann mit einem grundlegenden Ansatz und verbesserte seine Methode im Laufe weniger Wochen iterativ. Es entdeckte, dass es effektiver war, Muster basierend darauf zu suchen, wie oft sie vorkommen und wie konsistent sie über verschiedene DNA-Proben hinweg auftreten, als dies bei bisherigen Methoden der Fall war. Der endgültige Algorithmus, den das System produzierte und den die Forscher DALE nannten, war in der Lage, diese Muster genauer als die besten existierenden Werkzeuge zu identifizieren. Dabei arbeitete er signifikant schneller und verarbeitete die Daten in Sekunden, während ältere Werkzeuge Minuten oder Stunden benötigten. Das System erreichte dies, ohne über diese spezifischen Strategien informiert worden zu sein; es entdeckte sie vollständig eigenständig durch den Zyklus von Hypothese und Test.

Die zweite Herausforderung beinhaltete die Vorhersage, wie Mutationen in Proteinen deren Fitness, also ihre Funktionsfähigkeit, beeinflussen würden. Dies ist ein komplexes Problem, da Proteine aus langen Ketten von Bausteinen bestehen und die Änderung auch nur eines einzelnen Bausteins unvorhersehbare Auswirkungen haben kann. Dem System wurden Vorhersagen von fünf verschiedenen bestehenden Modellen gegeben, mit der Aufgabe, diese in einer einzigen, besseren Vorhersage zu kombinieren. Anstatt die Ergebnisse einfach zu mitteln, entwickelte das System eine Strategie namens Delta V. Es lernte, das Gewicht der Vorhersage eines Modells basierend darauf anzupassen, wie sicher dieses Modell war und wie die spezifische Mutation die Proteinstruktur beeinflusste. Es entwickelte zudem eine Methode, um Informationen zwischen benachbarten Teilen des Proteins auszutauschen, wobei es erkannte, dass, wenn ein Modell bei einem Teil falsch lag, es wahrscheinlich auch bei den benachbarten Teilen falsch liegen würde. Dieser Ansatz ermöglichte es dem System, alle anderen Modelle in einem großen globalen Benchmark zu übertreffen und das zweitbeste Modell mit deutlichem Abstand zu schlagen.

Der Erfolg von „The Little Scientist“ verdeutlicht einen Wandel in der Art und Weise, wie wir Künstliche Intelligenz nutzen könnten. Anstatt KI lediglich als ein Werkzeug zu behandeln, das Instruktionen ausführt oder Muster in Daten sucht, behandelt dieser Ansatz die KI als einen Junior-Forscher. Ihr wird die Freiheit gegeben, zu argumentieren, Fehler zu machen und aus diesen Fehlern auf strukturierte Weise zu lernen. Die Forscher stellten fest, dass die Fähigkeit des Systems, explizite Vorhersagen zu treffen und diese dann mit den tatsächlichen Ergebnissen abzugleichen, der Schlüssel zu seinem Erfolg war. Wenn das System vorhersagte, dass eine Änderung das Ergebnis verbessern würde, dies aber nicht geschah, verworf es den Versuch nicht einfach, sondern analysierte die Diskrepanz, um zu verstehen, was schiefgelaufen war. Dieser Prozess des Lernens aus dem Scheitern, anstatt es nur zu verwerfen, ermöglichte es dem System, ein tiefes Verständnis des Problems aufzubauen, das durch reine Zufallssuchmethoden nicht erreichbar gewesen wäre.

Die Studie zeigte auch, dass dieser Ansatz mit sehr begrenzten Ressourcen funktionieren kann. Das gesamte Projekt wurde auf einer einzigen virtuellen Maschine mit Standard-Rechenleistung durchgeführt, was insgesamt weniger als fünfhundert Dollar kostete. Dies steht in starkem Kontrast zu anderen jüngsten Systemen zur automatisierten Entdeckung, die massive Computercluster und Millionen von Dollar an Rechenkosten erfordern. Die Forscher vermuten, dass die Effizienz aus der Qualität des Feedbacks resultiert, das das System erhält. Anstatt nur zu hören „das ist gut“ oder „das ist schlecht“, erhielt das System detaillierte Berichte darüber, an welchen Stellen der Test genau fehlgeschlagen ist und warum. Dies ermöglichte gezielte Verbesserungen anstelle von Zufallsraten.

Obwohl die Ergebnisse beeindruckend sind, betonen die Forscher vorsichtig die Grenzen ihrer Arbeit. Das System wurde an zwei spezifischen Arten biologischer Probleme getestet, bei denen die Daten gut organisiert sind und die Ergebnisse präzise gemessen werden können. Es ist noch unklar, ob dieser Ansatz auch bei Problemen funktioniert, bei denen die Daten unordentlich sind, die Evaluierung teuer ist oder die Antwort nicht leicht quantifizierbar ist. Die Forscher weisen zudem darauf hin, dass ihr System menschliche Wissenschaftler nicht ersetzt, sondern mit ihnen zusammenarbeitet. Ein menschlicher Forscher war nötig, um das digitale Labor einzurichten, die Regeln zu definieren und die initialen Daten bereitzustellen. Der Mensch griff auch einmal ein, um dem System zusätzliche Datenquellen zur Verfügung zu stellen, was dem System einen signifikanten Leistungssprung ermöglichte. Dies deutet darauf an, dass die Zukunft der wissenschaftlichen Entdeckung in einer Partnerschaft liegen könnte, in der Menschen die strategische Richtung vorgeben und die KI die schnelle, unermüdliche Iteration von Experimenten übernimmt.

Die Erkenntnisse dieser Studie bieten einen Ausblick auf eine Zukunft, in der Künstliche Intelligenz mehr tun kann, als nur Informationen zu verarbeiten; sie kann aktiv am kreativen Prozess der Entdeckung teilhaben. Indem sie die wissenschaftliche Methode nachahmt, können diese Systeme komplexe Probleme auf eine Weise erforschen, die sowohl effizient als auch effektiv ist. Sie können neue Algorithmen und Strategien entdecken, auf die menschliche Experten vielleicht nicht gekommen wären, und dies mit einem Grad an Transparenz tun, der es uns ermöglicht, genau nachzuvollziehen, wie sie zu ihren Schlussfolgerungen gelangt sind. Mit fortschreitender Technologie könnten wir diese Systeme bei einer breiteren Palette wissenschaftlicher Herausforderungen einsetzen, vom Design neuer Materialien bis hin zum Verständnis der Komplexität des menschlichen Gehirns. „The Little Scientist“ ist nicht nur ein Werkzeug zur Problemlösung; es ist ein Beweis dafür, dass der Prozess der wissenschaftlichen Entdeckung selbst automatisiert werden kann, was die Tür zu einer neuen Ära beschleunigter Forschung öffnet.