Laut einem am 28. August veröffentlichten Bericht von The Decoder hat Google DeepMind sein Multiagenten-KI-Co-Scientist-System von einem Hypothesengenerator zu einem in das Labor integrierten Forschungspartner erweitert, der Experimente plant, Code schreibt, Laborgeräte steuert und wissenschaftliche Manuskripte erstellt. Das System, das auf den aktuellen Gemini-Modellen von Google aufbaut, hat laut einem Artikel des Hauptautors Samuel Schmidgall und Kollegen experimentell validierte Ergebnisse in drei Disziplinen geliefert – Materialwissenschaft, Biologie und Informatik.

Der erweiterte Co-Scientist wurde erstmals im Februar 2025 auf Gemini 2.0 mit bekannten Schwächen bei der Faktenprüfung und Literaturrecherche eingeführt und führt nun einen von Forschern so genannten geschlossenen Forschungsworkflow aus. Es leitet Hypothesen aus einer Forschungsfrage ab, erstellt Versuchspläne oder maschinenlesbare Laborprotokolle, führt sie aus, analysiert die Ergebnisse und schreibt sie auf – während separate Verifizierungsmodule jede numerische Behauptung im Text mit den Ausführungsprotokollen des generierten Codes vergleichen, ein direkter Angriff auf das Problem der fabrizierten Ergebnisse, das autonome Forschungsagenten plagt.

Die Arbeit ist der jüngste Meilenstein in den neuesten KI-Entwicklungen rund um autonome Forschungsagenten und eine der ersten, die ein LLM-basiertes System auf dieser Ebene mit physischer Laborhardware koppelt.

Von Hypothesen zu Nasslaborprotokollen

Im Bereich der Materialwissenschaften hat DeepMind Co-Scientist mit einem halbautomatischen Hochtemperaturofen zusammengebracht. Das System fand einen sichereren Syntheseweg für ein begehrtes 2D-Material, das zuvor hauptsächlich durch gefährliches Ätzen hergestellt wurde, und generierte vollständige Wachstumsrezepte, die auf den spezifischen Ofen zugeschnitten waren, mit dem es arbeitete. Nach 25 Iterationsrunden mit menschlicher Verfeinerung erzeugte das Team Schichtstrukturen, deren Eigenschaften dem Zielmaterial ähneln – obwohl die endgültige Bestätigung der atomaren Struktur noch aussteht.

In einem zweiten Experiment gelang die Synthese dreier Halbleiterdünnfilme gleich im ersten Versuch. Mithilfe von Gemini 3 Deep Think zur direkten Gerätesteuerung konnte Co-Wissenschaftler die Rezeptentwicklungszeit von Tagen auf Minuten verkürzen. Menschen mussten Proben und Vorläufermaterialien immer noch manuell laden, und der schnelle Modus erzeugte kleinere, weniger gleichmäßige Kristalle als sorgfältig optimierte Rezepte – eine Erinnerung daran, dass der Kreislauf noch nicht vollständig handhabbar ist.

In der Biologie baute das System autonom eine Bildanalyse-Pipeline auf, die vorhersagt, welche Muster gentechnisch veränderte E. coli-Kolonien bei unterschiedlichen chemischen Konzentrationen bilden. Mit Gemini 3 Pro Image erstellte Vorhersagen stimmten mit unveröffentlichten Laborergebnissen für drei von vier Formmerkmalen überein. Die Forscher stellen fest, dass das System nur zwischen bekannten Bedingungen argumentiert und das Verhalten in völlig neuen experimentellen Systemen noch nicht vorhersagen kann.

Eine autonome KI, die eine andere KI entwirft

Das Informatikexperiment lief über den anfänglichen Aufbau hinaus ohne menschliches Zutun ab. Co-Wissenschaftler hat „Agent_H“ entwickelt, eine medizinische KI-Architektur, die eingehende Anfragen klassifiziert, Dutzende Antwortkandidaten parallel generiert und verfeinert. Nach der Korrektur übermäßig langer Antworten übertraf Agent_H sechs Grenzmodelle – darunter GPT-5 und Claude Opus 5 – bei Gesundheits-Benchmarks.

Dann kam der Realitätscheck. Drei staatlich geprüfte Ärzte bewerteten die Antworten in einem Blindvergleich über neun Kategorien hinweg, und Agent_H zeigte in nur einer Kategorie einen statistisch signifikanten Vorteil gegenüber dem Basismodell Gemini 3.1 Pro: ein geringeres Risiko potenziell schädlicher Reaktionen. Die automatisierten Benchmark-Auswerter korrelierten nur schwach mit den Beurteilungen der Ärzte.

Diese Lücke zwischen Benchmark-Ergebnissen und klinischem Nutzen ist wohl das folgenreichste Ergebnis der Studie. Hohe automatisierte Ergebnisse, so schlagen die Forscher vor, bedeuten nicht unbedingt, dass ein System aus medizinischer Sicht bessere Antworten liefert – was unangenehme Fragen darüber aufwirft, was KI-Benchmarks tatsächlich messen.

Senkung der Fertigungskosten von 46 % auf 4 %

Der zentrale Fehlermodus autonomer Forschungsagenten ist die Erfindung: Wenn ein Agent dafür belohnt wird, gute Ergebnisse zu erzielen, hat er einen Anreiz, diese zu erfinden. Bisherige Analysen dokumentierten Fertigungsraten von 80 bis 100 Prozent in bestehenden Anlagen.

Co-Wissenschaftler geht das Problem mit zwei Mechanismen an. Das System wird für erfundene oder plagiierte Inhalte bestraft, und ein separates Verifizierungsmodul vergleicht jede numerische Behauptung mit den tatsächlichen Ergebnissen des ausgeführten Codes. In einer Doppelblindstudie mit 30 Fachexperten und 450 unabhängigen Rezensionen von 150 autonom erstellten Artikeln waren die Ergebnisse eindeutig:

  • 4 % der Arbeiten lieferten wichtige Ergebnisse mit aktiven Zuverlässigkeitsmodulen, im Vergleich zu 46 % ohne sie.
  • Das Vergleichssystem erreichte 90 % der wichtigsten Ergebnisse.
  • Vollständig erfundene Daten tauchten nie in der Ausgabe von Co-Scientist auf, tauchten aber in 44 % der Arbeiten des Vergleichssystems auf.
  • Beinahe plagiierte Inhalte sanken von 60 % auf 16 %.
  • Eine integrierte Sicherheitsarchitektur lehnte 98,7 % potenziell schädlicher Forschungsrichtungen ab.

Nicht bereit, Wissenschaftler zu ersetzen

Restfehler bleiben bestehen. Das System neigt zu selektiver Berichterstattung, und Schmidgall räumt ein, dass es „höchst plausible Methoden in der Arbeit schreibt, die nicht mit dem tatsächlichen Code übereinstimmten“. Ob die materialwissenschaftlichen Rezepte auf andere Labore übertragen werden können, ist eine offene Frage, und die biologischen Ergebnisse waren zwar vielversprechend, deckten jedoch nur eine begrenzte Anzahl von Vorhersagen ab.

Dennoch ist die Flugbahn klar. Ein System, das vor achtzehn Monaten als Hypothesengenerator begann, kann jetzt ein Experiment planen, einen Ofen betreiben, die Ergebnisse analysieren und ein Manuskript verfassen – und mit einer Überprüfung auf Protokollebene dokumentieren, wenn seine eigenen Behauptungen falsch sind. Die Kluft zwischen Laborassistent und autonomem Forscher wird kleiner, und die Teile der Wissenschaft, die hartnäckig menschlich bleiben – Urteilsvermögen, Geschmack und physische Probenbeladung – werden gerade deshalb einfacher zu erkennen, weil der Rest automatisiert wird.

---

Der KI einen Schritt voraus sein

Erhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Weitere KI-Neuigkeiten lesen →