Was wäre, wenn Sie an einem einzigen Wochenende ein Problem lösen könnten, auf dessen Lösung Wissenschaftler ein halbes Jahrhundert gewartet haben? Genau das ist bei der Vorhersage von Proteinstrukturen geschehen. Und das ist erst der Anfang von weitaus größeren Entwicklungen.
KI-Labore – von Proteinen bis zu den Sternen
Die Wissenschaft stützte sich über Jahrhunderte auf einen langsamen, aber verlässlichen Rhythmus. Hypothese, Experiment, Ergebnis, Veröffentlichung. Doch dann kam die künstliche Intelligenz, und das Tempo beschleunigte sich dramatisch.
Das bekannteste Beispiel ist AlphaFold von Google DeepMind. Dieses Modell löste das sogenannte „Proteinfaltungsproblem“, über das sich Wissenschaftler fünfzig Jahre lang den Kopf zerbrochen hatten. Proteine sind die grundlegenden Bausteine des Lebens, und ihre dreidimensionale Struktur bestimmt ihre Funktion. Diese Struktur mit klassischen Methoden zu ermitteln, dauerte Monate, manchmal Jahre, und kostete Hunderttausende Dollar. AlphaFold schafft dies innerhalb von Minuten und mit bemerkenswerter Genauigkeit.
Professor John McGeehan brachte es treffend auf den Punkt: „Wofür wir Monate und Jahre brauchten, das schaffte AlphaFold an einem Wochenende.“ Heute enthält die AlphaFold-Datenbank mehr als 200 Millionen vorhergesagte Proteinstrukturen und wird von über 3 Millionen Wissenschaftlern aus 190 Ländern genutzt. Mehr als 30 Prozent der zitierenden Arbeiten befassen sich mit der Erforschung von Krankheiten. Für diese Leistung erhielten Demis Hassabis und John Jumper im Oktober 2024 den Nobelpreis für Chemie.
Das Hubble-Archiv voller Schätze
Astronomen stehen vor einem etwas anderen Problem. Das Hubble-Weltraumteleskop sammelt seit über 35 Jahren Daten, und in seinem Archiv verbergen sich Millionen von Aufnahmen, die noch nie jemand gründlich untersucht hat. Die menschlichen Kapazitäten reichen dafür schlichtweg nicht aus.
Wissenschaftler der ESA entwickelten deshalb ein Werkzeug namens AnomalyMatch, ein neuronales Netz, das fast 100 Millionen Bildausschnitte aus dem Hubble-Archiv untersuchte. In nur zweieinhalb Tagen identifizierte es mehr als 1.300 astronomische Anomalien, von denen über 800 bislang nicht in der wissenschaftlichen Literatur dokumentiert waren. Dazu gehörten verschmelzende Galaxien, Gravitationslinsen, Galaxien, deren Form an Quallen erinnert, sowie Objekte, die in keine bestehende Klassifikation passen.
Das ist eine Leistung, für die ein Team von Astronomen Jahrzehnte benötigt hätte. Und dabei handelt es sich nur um einen Bruchteil dessen, was mit neuen Teleskopen wie dem Nancy Grace Roman Space Telescope oder dem Vera C. Rubin Observatory auf uns zukommt, die Daten in einem bislang ungekannten Umfang erzeugen werden.
Gehirn-MRT in Sekundenschnelle ausgewertet
Vom Weltraum zurück zur Erde, genauer gesagt direkt in die neurologische Praxis. Forscher der University of Michigan haben ein Modell namens Prima entwickelt, das MRT-Aufnahmen des Gehirns auswerten und innerhalb von Sekunden eine Diagnose stellen kann.
Das Modell wurde anhand von mehr als 200.000 MRT-Untersuchungen und 5,6 Millionen Sequenzen aus einem Jahrzehnt digitalisierter Aufzeichnungen trainiert und erreichte bei mehr als 50 neurologischen Diagnosen eine diagnostische Genauigkeit von bis zu 97,5 Prozent. Dabei kann es die Dringlichkeit eines Falls beurteilen und automatisch den zuständigen Spezialisten benachrichtigen, etwa einen auf Schlaganfälle spezialisierten Neurologen.
Projektleiter Todd Hollon verglich es mit einem „ChatGPT für die medizinische Bildgebung“. Für Patienten in ländlichen Gebieten oder in Krankenhäusern mit einem Mangel an Radiologen könnte ein solches Werkzeug einen entscheidenden Unterschied machen. Heute wartet man auf ein MRT-Ergebnis nämlich durchaus mehrere Tage.
Vor- und Nachteile von KI in der Wissenschaft
Doch hier nimmt die Geschichte eine unerwartete Wendung. Eine Studie, die im Januar 2026 in der Zeitschrift Nature veröffentlicht und in Science beschrieben wurde, analysierte mehr als 41 Millionen wissenschaftliche Artikel aus den Jahren 1980 bis 2025 und kam zu einer beunruhigenden Erkenntnis.
Wissenschaftler, die künstliche Intelligenz einsetzen, sind deutlich erfolgreicher. Sie veröffentlichen dreimal so viele Artikel, erhalten fast fünfmal so viele Zitationen und erreichen Führungspositionen etwa anderthalb Jahre früher als ihre Kollegen ohne KI. Junge Wissenschaftler, die KI nutzen, verlassen die akademische Welt seltener. Doch die Wissenschaft als Ganzes zahlt dafür einen Preis. KI-gestützte Forschung deckt 4,6 Prozent weniger Themenbereiche ab als klassische Studien. KI-Artikel erzeugen außerdem 22 Prozent weniger gegenseitige Verweise zwischen den Arbeiten. Die wissenschaftliche Literatur wird dadurch weniger vernetzt.
Warum? Es entsteht eine Rückkopplungsschleife. Populäre Themen ziehen große Datenmengen an, große Datenmengen locken KI-Werkzeuge an, KI-Werkzeuge liefern schnelle Ergebnisse, und so drängen alle in dieselben Forschungsfelder. James Evans von der University of Chicago brachte es treffend auf den Punkt: „Wir sind wie Tiere in einer Herde. Wenn wir alle auf dieselben Berge steigen, bleiben viele Gebiete unerforscht.“
Inmitten all der Begeisterung ist auch eine nüchterne Warnung zu hören. Ein Biologe der University of Calgary, dessen Team erforscht, wie Rentiere ihr Geweih regenerieren und was sich daraus für die Behandlung von Verbrennungen beim Menschen lernen lässt, weist auf ein grundlegendes Problem der heutigen KI hin: Modelle lernen Korrelationen, keine Kausalzusammenhänge. Das ist ein großer Unterschied. Ein statistisches Modell kann feststellen, dass zwei Dinge gleichzeitig geschehen. Doch es genügt nicht zu wissen, was geschieht, man muss auch verstehen, warum. Und die Biologie ist in dieser Hinsicht außerordentlich kompliziert. Die Systeme im Körper sind mehrdimensional und voller Kompensationsmechanismen und biologischer Variabilität.
Deshalb arbeiten Wissenschaftler an sogenannten hybriden Berechnungsansätzen, die strukturiertes biologisches Wissen mit riesigen Mengen mehrdimensionaler Daten kombinieren. Ziel ist es, die KI an einen Punkt zu bringen, an dem sie nicht nur Muster erkennt, sondern die tatsächlichen Ursachen biologischer Veränderungen versteht. „Wissenschaft ist ein gemeinschaftliches Unterfangen. Wir müssen ernsthaft darüber nachdenken, wie wir mit einem Werkzeug umgehen, das Einzelnen nützt, aber der Wissenschaft als Ganzes schadet.“ Das sagte die Anthropologin Lisa Messeri von Yale.
Wissenschaft und künstliche Intelligenz stehen erst am Anfang ihres gemeinsamen Weges. Und wohin dieser genau führt, weiß bislang niemand.
