Fortschritte in der KI-unterstützten Forschung durch Google DeepMinds Co-Scientist

Die Forschung und Entwicklung im Bereich der Künstlichen Intelligenz (KI) schreitet mit bemerkenswerter Geschwindigkeit voran. Ein aktuelles Beispiel hierfür ist die Weiterentwicklung des Multi-Agenten-Systems Co-Scientist von Google DeepMind. Ursprünglich als Hypothesengenerator konzipiert, hat sich Co-Scientist zu einem umfassenden, in Laborumgebungen integrierten Forschungspartner entwickelt, der in der Lage ist, Experimente zu planen, Laborgeräte zu steuern und wissenschaftliche Publikationen zu verfassen. Diese Entwicklung markiert einen signifikanten Schritt in Richtung autonomer wissenschaftlicher Forschung.

Von der Hypothese zur Laborintegration: Die Evolution von Co-Scientist

Im Februar 2025 stellte Google DeepMind erstmals Co-Scientist vor, ein System, das auf den Gemini 2.0 Modellen basierte und primär Hypothesen generierte. Obwohl es vielversprechend war, zeigte es noch Mängel in der Faktenprüfung und Literaturrecherche. Die jüngste Iteration, basierend auf aktuellen Gemini-Modellen, überwindet diese Beschränkungen und integriert einen geschlossenen Forschungsworkflow. Dies bedeutet, dass das System nun in der Lage ist, aus einer Forschungsfrage Hypothesen abzuleiten, experimentelle Pläne zu erstellen, Code zu schreiben oder maschinenlesbare Laborprotokolle zu generieren, Ergebnisse zu analysieren und vollständige wissenschaftliche Manuskripte zu erstellen.

Ein wesentlicher Fortschritt ist die Implementierung von Verifizierungsmodulen. Diese Module überprüfen numerische Angaben in den generierten Texten anhand der Ausführungsprotokolle des erzeugten Codes. Dies soll die Entstehung von erfundenen Ergebnissen signifikant reduzieren, ein Problem, das in früheren LLM-basierten Forschungssystemen eine hohe Rate von 80 bis 100 Prozent erreichen konnte. Im Fall von Co-Scientist konnte durch diese Module die Rate der Schlüsselresultate-Fälschung auf 4 Prozent gesenkt werden, verglichen mit 46 Prozent ohne die Module und 90 Prozent bei einem Vergleichssystem.

Anwendungsbereiche und experimentelle Validierung

Die Leistungsfähigkeit von Co-Scientist wurde in drei verschiedenen wissenschaftlichen Disziplinen mit zunehmendem Autonomiegrad validiert:

Materialwissenschaften: Synthese und Prozessoptimierung

In den Materialwissenschaften wurde Co-Scientist mit einem semi-automatisierten Hochtemperaturofen gekoppelt. Das System identifizierte einen sichereren Syntheseweg für ein begehrtes 2D-Material, das zuvor hauptsächlich durch gefährliches Ätzen hergestellt wurde. Es generierte zudem vollständige Wachstumsrezepte, die auf die spezifische Laborausrüstung zugeschnitten waren. Nach 25 Iterationen mit menschlicher Verfeinerung gelang es dem Team, geschichtete Strukturen zu produzieren, deren Eigenschaften dem Zielmaterial ähneln. Eine definitive Bestätigung der atomaren Struktur steht noch aus.

In einem weiteren Experiment synthetisierte Co-Scientist drei Halbleiter-Dünnschichten im ersten Versuch. Durch den Einsatz von Gemini 3 Deep Think für die direkte Gerätesteuerung konnte die Rezeptentwicklung von Tagen auf Minuten reduziert werden. Obwohl menschliches Eingreifen für das Laden von Proben und Ausgangsmaterialien weiterhin notwendig war und der schnelle Modus kleinere, weniger gleichmäßige Kristalle produzierte als sorgfältig optimierte Rezepte, unterstreichen diese Ergebnisse das Potenzial zur Beschleunigung von Materialforschungsprozessen.

Biologie: Vorhersage von Kolonie-Mustern

Im Bereich der Biologie entwickelte Co-Scientist autonom eine Bildanalyse-Pipeline. Diese Pipeline ist in der Lage, vorherzusagen, welche Muster genetisch veränderte E. coli-Kolonien bei unterschiedlichen chemischen Konzentrationen bilden. Die mit Gemini 3 Pro Image generierten Vorhersagen stimmten bei drei von vier Formmerkmalen mit unveröffentlichten Laborergebnissen überein. Die Forscher betonen hierbei, dass das System innerhalb bekannter Bedingungen argumentiert und das Verhalten in völlig neuen Systemen nicht vorhersagen kann. Dies würde ein noch höheres Maß an Innovation darstellen.

Informatik: Autonome KI-Architektur-Entwicklung

Das Experiment in der Informatik wurde ohne menschliches Zutun über die anfängliche Einrichtung hinaus durchgeführt. Co-Scientist entwarf "Agent_H", eine medizinische KI-Architektur, die eingehende Anfragen klassifiziert, Dutzende von Antwortkandidaten parallel generiert und diese verfeinert. Nach Korrektur überlanger Antworten übertraf Agent_H sechs führende Modelle, darunter GPT-5 und Claude Opus 5, in Gesundheits-Benchmarks.

Allerdings zeigten die Benchmark-Ergebnisse bei der menschlichen Bewertung Diskrepanzen. Drei zertifizierte Ärzte bewerteten die Antworten in neun Kategorien. Agent_H zeigte nur in einer Kategorie – einem geringeren Risiko potenziell schädlicher Antworten – einen statistisch signifikanten Vorteil gegenüber der Baseline Gemini 3.1 Pro. Dies wirft Fragen über die Aussagekraft automatisierter Benchmarks im klinischen Kontext auf und unterstreicht die Notwendigkeit menschlicher Expertise.

Herausforderungen und zukünftige Perspektiven

Trotz der beeindruckenden Fortschritte bleiben Herausforderungen bestehen. Die Forscher stellten fest, dass das System zu selektiver Berichterstattung neigt und "hoch plausible Methoden im Papier schreibt, die nicht mit dem tatsächlichen Code übereinstimmten". Dies deutet darauf hin, dass die vollständige Kohärenz zwischen der generierten Dokumentation und der tatsächlichen experimentellen Durchführung noch nicht vollständig erreicht ist.

Die Entwickler sehen die Ergebnisse als wichtigen Schritt hin zu geschlossenen Multi-Agenten-KI-Systemen, die sich durch experimentelles Feedback verbessern und die wissenschaftliche Forschung beschleunigen könnten. Sie betonen jedoch auch, dass ein langer Weg vor ihnen liegt, bevor KI-Systeme die physikalischen Realitäten der Wissenschaft vollständig navigieren können. Die Diskussion, ob aktuelle LLM-basierte Systeme tatsächlich neues Wissen entdecken oder lediglich bereits in ihren Trainingsdaten vorhandenes Wissen explizit machen, bleibt weiterhin relevant.

Die Fähigkeit von Co-Scientist, Experimente zu planen, Laborgeräte zu steuern und wissenschaftliche Arbeiten zu verfassen, veranschaulicht das transformative Potenzial von KI in der Forschung. Während die Technologie weiterhin reift und die Autonomie zunimmt, wird die Zusammenarbeit zwischen menschlichen Wissenschaftlern und fortschrittlichen KI-Systemen voraussichtlich eine neue Ära der Entdeckungen einleiten.

Bibliographie

- Schmidgall, S., Zhu, X. et al. (2026). Accelerating Scientific Research with Gemini in the Real-World. Abrufbar unter: https://arxiv.org/html/2608.26701 - Google DeepMind. Science. Abrufbar unter: https://deepmind.google/science/ - Bastian, M. (2026, 28. August). Google Deepmind's AI Co-Scientist now plans experiments, runs lab equipment, and writes scientific papers. the-decoder.com. Abrufbar unter: https://the-decoder.com/google-deepminds-ai-co-scientist-now-plans-experiments-runs-lab-equipment-and-writes-scientific-papers/ - Toki AI Research (2026, 20. Mai). DeepMind says its Co-Scientist system helped find factors that… diaryofatoken.com. Abrufbar unter: https://diaryofatoken.com/en/article/deepmind-co-scientist-rejuvenate-human-cells/ - HTX Insights (2026, 30. August). AI Begins to Conduct Experiments by Itself. htx.com. Abrufbar unter: https://www.htx.com/en-in/news/ai-begins-to-conduct-experiments-by-itself-FWKFc2HI/ - Singularity Moments (2026, 28. August). DeepMind's AI scientist can run lab gear now, but it still cheats on its math. singularitymoments.com. Abrufbar unter: https://singularitymoments.com/content/deepminds-ai-scientist-can-run-lab-gear-now-but-it-still-cheats-on-its-math/ - 36kr (2026, 30. August). AI Begins Conducting Independent Hands-On Experiments: Breakthrough in Autonomous Scientific Research. eu.36kr.com. Abrufbar unter: https://eu.36kr.com/en/p/3960380793257097