In seiner Rede auf der Google I/O Keynote am Dienstag sagte Demis Hassabis, CEO von Google DeepMind, dass wir jetzt „am Fuße der Singularität” stehen. Eine faszinierende Aussage - die Singularität ist der theoretische zukünftige Moment, in dem die KI die menschliche Intelligenz schnell übertreffen und die Welt dramatisch verändern wird. Aber was mir auffiel, als ich im Publikum zuhörte, war der Kontext, in dem er diese Worte sagte.
Er schloss die Sitzung mit einem Beitrag über wissenschaftliche KI auf der Bühne, der sich auf ein Video konzentrierte, in dem gezeigt wurde, wie die Wettervorhersagesoftware des Unternehmens eine Vorwarnung vor dem katastrophalen Hurrikan Melissa vor der Küste Jamaikas im letzten Jahr lieferte - und möglicherweise Leben rettete. Wenn diese Software mit dem Namen WeatherNext irgendjemandem geholfen hat, dem Sturm zu entkommen oder, besser noch, sein Haus zu schützen, dann ist das eine große und bedeutende Leistung. Aber es ist kaum ein Beweis für eine bevorstehende Singularität.
Die Gegenüberstellung von Hassabis' hochtrabender Rhetorik und den realen Ergebnissen von WeatherNext verdeutlichte die Spannung zwischen zwei sehr unterschiedlichen Ansätzen der künstlichen Intelligenz für die Wissenschaft. Der erste konzentriert sich auf KI-Tools wie WeatherNext, die für die Lösung spezifischer wissenschaftlicher Probleme entwickelt und trainiert werden. Der zweite konzentriert sich auf agentenbasierte, LLM-basierte Systeme, die eines Tages Spitzenforschungsprojekte ohne menschliches Zutun durchführen können.
Diese zweite Vision sorgt derzeit für viel Begeisterung in der KI-Branche. Dazu gehört auch die jüngste Begeisterung über die rekursive Selbstverbesserung oder die Idee, dass KI-Systeme mit der Zeit zum Hauptantrieb der KI-Entwicklung werden könnten - ein Prozess, der sich beschleunigen wird, je intelligenter KI-Systeme werden. Und Agentensysteme leisten inzwischen echte Forschungsbeiträge, manchmal mit begrenzter menschlicher Anleitung.
Erst diese Woche veröffentlichte Pushmeet Kohli, Chief Scientist bei Google Cloud, einen Artikel in einer Sonderausgabe der Zeitschrift Daedalus über Künstliche Intelligenz und Wissenschaft und schrieb: „Wir bewegen uns auf eine KI zu, die nicht nur die Wissenschaft voranbringt, sondern die Wissenschaft in Gang setzt.” Mit autonomen Künstliche-Intelligenz-Wissenschaftlern am Horizont wird es schwieriger, die massiven Anstrengungen zur Entwicklung hochspezialisierter Tools zu rechtfertigen - selbst solche wie AlphaFold, für das DeepMind-Wissenschaftler einen Nobelpreis erhielten, oder ein potenziell lebensrettendes System wie WeatherNext. Es ist auch ein Vorgeschmack auf eine viel seltsamere Zukunft für die Wissenschaft, in der Menschen und KI-Systeme zusammenarbeiten - oder KI selbst die Wissenschaft voranbringt.
Der Klarheit halber sei gesagt, dass Google seine Arbeit an fortschrittlichen KI-Wissenschaftstools nicht aufgibt. AlphaGenome und AlphaEarth Foundations, die für genetische bzw. erdwissenschaftliche Anwendungen trainiert werden, wurden im letzten Sommer veröffentlicht, und die neueste Version von WeatherNext wurde im November veröffentlicht.
Außerdem sind solche Geräte bei Wissenschaftlern nach wie vor äußerst beliebt. Letztes Jahr meldete Google zum Beispiel, dass die Proteinstrukturvorhersagen von AlphaFold von mehr als drei Millionen Forschern weltweit genutzt werden. Und Isomorphic Labs, eine Google-Tochtergesellschaft, die AlphaFold und verwandte Technologien für die Entwicklung neuer Medikamente nutzen will, hat gerade eine Serie-B-Finanzierung in Höhe von 2 Milliarden Dollar erhalten.
Letzten Monat berichtete die Los Angeles Times, dass John Jumper, der Google-Stipendiat, der den Nobelpreis für AlphaFold gewonnen hat, jetzt an der Programmierung künstlicher Intelligenz arbeitet, anstatt an wissenschaftsspezifischen KI-Tools. Es ist keine Überraschung, dass Google seine besten Köpfe dem Kodierungsproblem widmet, da das Unternehmen in letzter Zeit für seine Kodierungstools bekannt geworden ist, die derzeit nicht mit den von Anthropic und OpenAI angebotenen mithalten können. Es könnte aber auch ein Hinweis auf Googles Vorliebe für Agent Science sein, da Programmierkenntnisse der Schlüssel zum Erfolg einiger Systeme sind.
Überall in der Branche zeigen Agentenforschungssysteme echtes Potenzial. Diese Woche gab OpenAI bekannt, dass eines ihrer Modelle eine wichtige mathematische Vermutung widerlegt hat - nach Ansicht einiger Mathematiker vielleicht der bedeutendste Beitrag, den die generative KI bisher zur Mathematik geleistet hat.
Es ist wichtig, darauf hinzuweisen, dass das von OpenAI verwendete Modell weder auf die Lösung mathematischer Probleme noch auf die Forschung spezialisiert ist; nach Angaben des Unternehmens handelt es sich um ein Allzweck-Schlussfolgermodell im Geiste von GPT-5.5. Wenn generalistische Agenten unabhängig zur mathematischen Forschung beitragen können, könnten sie bald in der Lage sein, dasselbe in der Wissenschaft zu tun (obwohl die Tatsache, dass Ideen in der Wissenschaft experimentell validiert werden müssen, den Bereich der KI erschwert).
Google widmet der Zukunft der agentengesteuerten Wissenschaft sicherlich große Aufmerksamkeit. Die große Wissenschaftsankündigung auf der I/O war die neue Gemini for Science Suite, die mehrere LLM-basierte Wissenschaftssysteme des Unternehmens unter einer Marke zusammenfasst.
Dazu gehören die hypothesengenerierende KI Co-Scientist und der Algorithmus-Optimierer AlphaEvolve, die noch nicht öffentlich zugänglich sind - aber jetzt, da Google jedem Forscher erlaubt, sich für Gemini for Science zu bewerben, könnten sie bald in der wissenschaftlichen Gemeinschaft breiter verfügbar sein. Wissenschaftler, die an frühen Tests beteiligt waren, sind von ihrem Potenzial begeistert: In einem Artikel in Nature Medicine verglich der Stanford-Genetiker Gary Peltz die Verwendung von AI Co-Scientist mit der „Konsultation eines Delphi-Wahrsagers”.
Gemini for Science ist nicht unvereinbar mit spezialisierten Werkzeugen; im Gegenteil, Agentensysteme können so entworfen werden, dass sie solche Werkzeuge nutzen, wenn sie nützlich sind. Und kein Agentensystem kann die Struktur, in die sich ein Protein faltet, ohne die Hilfe von AlphaFold vorhersagen (zumindest noch nicht). Aber das Unternehmen scheint sein öffentliches Image - und zumindest einige Ressourcen und Mitarbeiter, wie z. B. Jumpers - von der Entwicklung dieser Art von Werkzeugen weg zu verlagern. Obwohl es erst fünf Jahre her ist, dass AlphaFold das Problem der Proteinfaltung gelöst hat, sind sowohl die Technologie als auch der Diskurs schnell über diese einst revolutionäre Leistung hinausgewachsen.
Google hat darauf geachtet, diese neue Gruppe wissenschaftlicher Agenten als Beschleuniger für menschliche Wissenschaftler zu positionieren, anstatt sie zu ersetzen - die Wahl des Namens KI-Co-Wissenschaftler im Gegensatz zu KI-Wissenschaftler scheint zum Beispiel ganz bewusst zu sein. Hassabis verwendet die gleiche menschenzentrierte Formulierung, wenn er über Veränderungen im wissenschaftlichen KI-Umfeld spricht. „Im nächsten Jahrzehnt müssen wir KI als ein erstaunliches Werkzeug betrachten, das Wissenschaftlern hilft”, sagte Hassabis in einem Interview in der Daedalus-Ausgabe. „Jenseits dieses Zeitrahmens ist es schwer, das mit Sicherheit zu sagen, aber vielleicht werden diese Systeme kollaborativer werden.”
Aber niemand kann ein effektiver Wissenschaftler sein, ohne selbst ein qualifizierter Wissenschaftler zu sein. Und wenn Hassabis Recht hat, wenn er von der „Singularitätskeule” spricht, dann könnten KI-Wissenschaftler ihre menschlichen Kollegen irgendwann übertreffen.
In einem Gespräch mit dem Journalisten Mike Allen auf der I/O sagte Hassabis, dass er ursprünglich inspiriert wurde, sich mit künstlicher Intelligenz zu beschäftigen, als er beobachtete, dass der Fortschritt in der Physik seit den 1970er Jahren stagnierte; er fragte sich, ob der menschliche Verstand in diesem Bereich an seine Grenzen gestoßen war und ob künstliche Intelligenz dazu beitragen könnte, diese Beschränkung zu überwinden. Übermenschliche Agentenwissenschaftler würden diese Zahl sicherlich erreichen. Wir werden vielleicht nie in die Nähe dieser Zahl kommen, aber Google scheint diesen Gipfel anzusteuern.
DigiTrail Strategische Perspektive
A Ungarische Unternehmen Für sie sind technische Schulden keine versteckten Kosten mehr, sondern ein Betriebsrisiko. Infrastrukturen, die den Schwellenwert für die Reaktionszeit von weniger als 2 Sekunden nicht einhalten, werden von den GEO-Algorithmen (Generative Eye-Opening) systematisch nachrangig behandelt.
Geistige Quelle: www.technologyreview.com. Strategische Synthese und GEO-Optimierung durch Digiösvény.