LongChang testet autonome Suche nach Naturgesetzen – die Ergebnisse bleiben begrenzt
Mindverse News
KI-gestützt erstellt 3 Quellen Arbeitsweise
Das Wichtigste in Kürze
- LongChang lässt Sprachmodelle in simulierten Welten mit veränderter Physik eigene Untersuchungen und Werkzeuge entwickeln, ohne ihnen eine Forschungsfrage vorzugeben. [1]
- Laut der Paperseite erreichte unter zwölf getesteten Modellen nur GPT-6-Astra eine Entdeckungsrate von 16,7 Prozent; die übrigen elf kamen auf null Prozent. [1]
- Die dokumentierten Erkundungen weisen auf nicht untersuchte Anomalien und eine nur teilweise Identifikation der veränderten Gesetze hin. [1]
- Ein separates Benchmark-Projekt bewertet Gesetzesentdeckung anhand realer Daten und abgefragter Simulationen. Seine Resultate ergänzen die Einordnung, sind aber kein direkter Vergleich mit LongChang. [2][3]
// Inhalt · 7 Abschnitte
- Ein Test ohne vorgegebene Forschungsfrage
- Ein Erfolg unter zwölf getesteten Modellen
- Ein automatisierter Kreislauf aus Szenen, Werkzeugen und Bewertung
- Was die Entdeckungsrate aussagt – und was nicht
- Warum Vorhersage und wissenschaftliche Gültigkeit getrennt werden müssen
- Bedeutung für Forschungs- und Entwicklungsteams
- Ein Prüfrahmen, noch kein Nachweis autonomer Wissenschaft
- Quellen
Ein Test ohne vorgegebene Forschungsfrage
Können Sprachmodelle ein Naturgesetz entdecken, wenn ihnen niemand sagt, wonach sie suchen sollen? Diese Frage untersucht LongChang, ein automatisiertes Framework für Experimente in simulierten Welten, in denen mindestens ein physikalisches Gesetz gegenüber der gewöhnlichen Physik verändert ist. Die Paperseite nennt Zhen Yang, Wen Wang, Xander Xu und Ying-Cong Chen als Autoren. [1]
Die Modelle übernehmen darin die Rolle von Explorern. Sie können Objekte manipulieren und Werkzeuge für ihre Untersuchungen entwickeln, erhalten aber weder eine konkrete Forschungsaufgabe noch Hinweise darauf, welches Gesetz verändert wurde. Als Beispiel für ein unerwartetes Verhalten nennt die Zusammenfassung schwerere Objekte, die langsamer fallen. [1]
Der Ansatz unterscheidet sich damit von Aufgaben, bei denen ein Modell eine bekannte Formel aus einer vorgegebenen Tabelle rekonstruieren soll. LongChang lässt das System zunächst selbst entscheiden, ob eine Beobachtung überhaupt auffällig genug ist, um sie weiterzuverfolgen. Anschließend muss es geeignete Experimente durchführen und seine Beobachtungen zu einer Erklärung verbinden. Diese Zerlegung beschreibt die Anforderungen, die sich aus dem von den Autoren geschilderten Versuchsaufbau ergeben; sie ist keine separate Messung einzelner Fähigkeiten. [1]
Ein Erfolg unter zwölf getesteten Modellen
Die auf der Paperseite berichtete Bilanz fällt zurückhaltend aus: Von zwölf Sprachmodellen erreichte GPT-6-Astra eine Entdeckungsrate von 16,7 Prozent. Die übrigen elf Modelle kamen auf null Prozent. Die Zusammenfassung bezeichnet auch das Resultat des führenden Modells als begrenzten Erfolg. [1]
Die Erkundungsprotokolle zeigen zudem, dass nicht jede beobachtete Anomalie untersucht wurde. Die Autoren berichten, dass die veränderten physikalischen Gesetze nur teilweise identifiziert wurden. Ein ungewöhnlicher Mess- oder Beobachtungseffekt führt demnach nicht automatisch zu einer vollständigen Regel, die diesen Effekt erklärt. [1]
Die Prozentzahl ist ohne weitere Angaben nur eingeschränkt einzuordnen. Im bereitgestellten Seitenauszug werden weder die genaue Definition der Entdeckungsrate noch die Zahl der Versuche je Modell oder statistische Unsicherheiten erläutert. Deshalb lässt sich aus dem Wert nicht ableiten, wie stabil die Leistung über unterschiedliche Szenen hinweg ist oder wie groß der Abstand zwischen den Modellen unter gleichen Bedingungen ausfällt. Das ist eine Grenze der verfügbaren Ergebnisbeschreibung, nicht der Nachweis, dass solche Angaben im vollständigen Paper fehlen. [1]
Ein automatisierter Kreislauf aus Szenen, Werkzeugen und Bewertung
LongChang verteilt verschiedene Aufgaben auf mehrere Sprachmodell-Agenten. Separate Agenten erzeugen und überprüfen Szenen, begutachten Werkzeugentwürfe und beurteilen die Berichte der erkundenden Modelle. Bei der Bewertung sollen sie berücksichtigen, welche Gesetze in der simulierten Welt gelten und ob die Schlussfolgerungen durch die aufgezeichneten Experimente gestützt werden. [1]
Die Erkundungsprotokolle dienen außerdem dazu, die weitere Entwicklung der Szenen zu steuern. Laut Paperseite kann der vollständige Ablauf ohne menschliches Eingreifen ausgeführt werden. Das beschreibt den Automatisierungsgrad des Frameworks; es ist nicht gleichbedeutend mit einer unabhängigen Bestätigung der Ergebnisse oder einer menschlichen Prüfung der Bewertungen. [1]
Für die Interpretation ist diese Unterscheidung relevant: Ein automatisierter Ablauf kann Experimente systematisch ausführen, doch seine Resultate hängen auch davon ab, wie Szenen gestaltet, Werkzeuge geprüft und Berichte bewertet werden. Die Zusammenfassung nennt zwar Prüfungen auf Korrektheit und experimentelle Unterstützung, legt im vorliegenden Auszug aber nicht detailliert dar, nach welchen Schwellen eine Entdeckung zählt oder wie die Bewertungsagenten mit uneindeutigen Fällen umgehen. Deshalb bleibt offen, wie stark die berichtete Erfolgsrate von diesen konkreten Bewertungsregeln abhängt. [1]
Was die Entdeckungsrate aussagt – und was nicht
LongChang prüft eine anspruchsvolle Form der Exploration: Das Modell erhält keine Forschungsfrage und muss die Untersuchungsrichtung selbst finden. Ein Ergebnis von null Prozent bedeutet im Rahmen der angegebenen Auswertung, dass die betreffenden Modelle die festgelegte Entdeckungsbedingung nicht erfüllten. Es beweist nicht, dass sie in jeder wissenschaftlichen Aufgabe scheitern oder keine nützlichen Beobachtungen liefern können. [1]
Auch die umgekehrte Lesart wäre zu weitgehend. Die 16,7 Prozent für GPT-6-Astra belegen einen begrenzten Erfolg innerhalb dieses Frameworks, aber für sich genommen weder eine verlässliche Fähigkeit zur Gesetzesentdeckung noch eine Übertragbarkeit auf reale Forschung. Die bereitgestellte Zusammenfassung beschreibt simulierte Welten; sie berichtet keine Versuche in Laboren oder industriellen Entwicklungsprozessen. [1]
Als Analyse lässt sich der Test in mindestens zwei kritische Übergänge aufteilen: Zuerst muss ein Agent eine relevante Abweichung wahrnehmen und priorisieren; danach muss er Experimente so wählen, dass sich eine Gesetzmäßigkeit von Zufall oder unvollständiger Beobachtung unterscheiden lässt. Die von den Autoren dokumentierten ununtersuchten Anomalien betreffen bereits den ersten Übergang, während die nur teilweise identifizierten Gesetze auf Schwierigkeiten bei der vollständigen Erklärung hinweisen. Der Auszug weist allerdings keine separaten Kennzahlen für diese beiden Schritte aus. [1]
Warum Vorhersage und wissenschaftliche Gültigkeit getrennt werden müssen
Ein separates Projekt, SciLaws-Bench, untersucht verwandte Fragen mit einem anderen Versuchsdesign. Der Benchmark umfasst nach den vorliegenden Beschreibungen 118 Probleme aus sechs Disziplinen, 381 wissenschaftliche Arbeiten, 291 Kandidatengesetze und rund acht Millionen reale Datenpunkte. Diese Zahlen gehören zu SciLaws-Bench, nicht zu LongChang. [2][3]
SciLaws-Real stellt Modellen feste reale Beobachtungen bereit und bewertet vorgeschlagene Gesetze sowohl nach ihrer Vorhersageleistung auf zurückgehaltenen Daten als auch nach wissenschaftlichen Kriterien, die aus der jeweiligen Fachliteratur abgeleitet werden. SciLaws-Parallel lässt Modelle dagegen Messungen in einem Simulator auswählen und daraus eine verborgene, neu erzeugte strukturelle Variante einer veröffentlichten Formel rekonstruieren. Damit trennt der Benchmark die Arbeit mit bereits erhobenen Daten von aktiver Abfrage in einer kontrollierten Welt. [2][3]
Die Autoren von SciLaws-Bench berichten, dass eine gute numerische Anpassung nicht zuverlässig mit wissenschaftlicher Gültigkeit übereinstimmt. Ein Modell kann demnach Daten gut beschreiben und dennoch fachliche Anforderungen verletzen. Außerdem identifiziert die Arbeit die Auswahl eines geeigneten Kandidaten als Engpass: Mehrere erzeugte Formeln zu haben bedeutet nicht automatisch, die beste davon verlässlich auszuwählen. [2][3]
Bei einer Detailangabe weichen die bereitgestellten Darstellungen allerdings voneinander ab: Der Textauszug des Papers nennt neun bewertete Sprachmodelle, während die AlphaXiv-Darstellung von 14 spricht. Für die Einordnung der hier relevanten Befunde wird deshalb keine Modellzahl herangezogen. Unabhängig davon sind die qualitativen Ergebnisse von SciLaws-Bench nicht als Replikation von LongChang zu verstehen: Aufgaben, Daten und Bewertungskriterien unterscheiden sich. [2][3]
Bedeutung für Forschungs- und Entwicklungsteams
Für Unternehmen und Forschungseinrichtungen ist LongChang vor allem als Test autonomer Exploration interessant. Das Framework untersucht, ob ein Modell selbstständig eine Auffälligkeit verfolgen kann, statt lediglich eine vorgegebene Analyseaufgabe auszuführen. Zugleich zeigen die berichteten Resultate, dass diese Offenheit mit erheblichen Schwierigkeiten verbunden ist: Die meisten getesteten Modelle erfüllten die angegebene Entdeckungsbedingung nicht, und selbst die Erkundungsprotokolle des Tests weisen auf Lücken hin. [1]
Daraus folgt als Analyse eine praktische Trennung zwischen Ideengenerierung und Validierung. Ein KI-Agent kann in einem Forschungsprozess mögliche Anomalien oder Erklärungen hervorbringen; ob eine Erklärung Bestand hat, muss anhand von Experimenten und fachlichen Kriterien separat beurteilt werden. Die getrennten Bewertungsdimensionen von SciLaws-Bench – Vorhersage, wissenschaftliche Gültigkeit und Wiedergewinnung verborgener Struktur – verdeutlichen, warum eine einzelne Leistungskennzahl diese Unterschiede verdecken kann. [2][3]
Die Ergebnisse begründen jedoch keine Aussage über konkrete Produktivitätsgewinne oder über den wirtschaftlichen Nutzen eines bestimmten Agentensystems. Die bereitgestellte LongChang-Zusammenfassung enthält keine Evaluation in realen Entwicklungsabläufen. Für Entscheider ist der belastbare Schluss daher enger: Der Aufbau zeigt, wie freie Exploration in simulierten Welten geprüft werden kann, und macht zugleich sichtbar, dass autonomes Untersuchen nicht mit zuverlässiger Entdeckung gleichzusetzen ist. [1]
Ein Prüfrahmen, noch kein Nachweis autonomer Wissenschaft
LongChang verschiebt die Evaluation von der Frage, ob ein Modell eine Formel anwenden oder aus bekannten Daten ableiten kann, hin zu der Frage, ob es selbst eine Untersuchung anstößt. Genau darin liegt der methodische Wert des Ansatzes: Er setzt die Fähigkeit, relevante Beobachtungen zu finden, in Beziehung zu Experimenten und zur Begründung einer Gesetzmäßigkeit. Die berichteten ununtersuchten Anomalien und nur teilweise identifizierten Regeln zeigen zugleich, dass diese Schritte nicht zuverlässig zusammenfallen. [1]
Wie weit sich die Ergebnisse verallgemeinern lassen, bleibt anhand der bereitgestellten Zusammenfassung offen. Dafür wären unter anderem eine ausführlichere Beschreibung der Entdeckungsdefinition, der Versuchsverteilung und der Absicherung automatischer Bewertungen wichtig. Bis diese Details vorliegen, trägt die Evidenz eine begrenzte Schlussfolgerung: LongChang bietet einen Test für offene, simulierte Exploration; der berichtete Vergleich zeigt dabei nur einen begrenzten Erfolg eines von zwölf Modellen und keine nachgewiesene Übertragbarkeit auf reale wissenschaftliche Forschung. [1]
Quellen
- [1] Paper page - Can LLMs Uncover Hidden Physical Laws through Free Exploration? — https://huggingface.co/papers/2610.37649 (abgerufen am 2026-10-28)
- [2] Can LLMs Discover Scientific Laws in Real and Parallel Worlds? — https://arxiv.org/html/2609.01552v1 (abgerufen am 2026-10-28)
- [3] Can LLMs Discover Scientific Laws in Real and Parallel Worlds? | alphaXiv — https://www.alphaxiv.org/abs/2609.01552 (abgerufen am 2026-10-28)
//Nächster Artikel
Robotik
Klagen gegen Lieferroboter: Streit um biometrische Daten in ChicagoZwei Klagen in Chicago werfen Coco Robotics und Serve Robotics die unzulässige Erfassung biometrischer Daten vor. Beide Unternehmen bestreiten die Vorwürfe.
// Artikel teilen
Mehr zu KI-Regulierung & Recht
Alle Regulierung-News- US-Anklage nach mutmaßlichem Abhörgerät in OpenAI-Konferenzraum
Ein OpenAI-Mitarbeiter ist in den USA wegen eines mutmaßlich versteckten Aufnahmegeräts angeklagt. Was bekannt ist – und welche Fragen offenbleiben.
- Koordinierte US-Klagewelle: Acht Bundesstaaten verklagen OpenAI wegen Sicherheitsrisiken von ChatGPT
Acht US-Bundesstaaten verklagen OpenAI wegen ChatGPT-Risiken.
- Debatte um KI-Regulierung: Nvidia-CEO Jensen Huang lehnt Kartellrechts-Ausnahmen für Entwicklungsbremsen ab
Nvidia-Chef Jensen Huang weist den Vorstoß von Anthropic für Kartellrechts-Ausnahmen zur Verlangsamung der KI-Entwicklung als unnötig zurück.
- Autonome KI-Agenten, Sicherheitsvorfälle und neue Spitzenmodelle: Strategische Analyse zu Muse Wonder, OpenAI und globaler Regulierung
Analyse aktueller KI-Entwicklungen: Metas Muse Wonder, Sicherheitsvorfälle bei OpenAI, selbstreplizierende Agenten, Chip-Strategien und KI-Regulierung.
// Dranbleiben
Mindverse News folgen
Neue Meldungen erhalten Sie über unseren RSS-Feed oder auf LinkedIn.
Passend dazu in Mindverse Studio
- KI-Chat mit allen führenden ModellenGPT, Claude und Gemini in einer Oberfläche — mit Websuche und Quellenangaben.
- Dokumente und Daten analysierenAuswerten, vergleichen und Abweichungen automatisch erkennen.
- Prozesse mit KI-Workflows automatisierenVisuelle Automatisierung wiederkehrender Abläufe — mit Freigabeschritten.
Recherchieren Sie KI-News wie diese selbst — mit Mindverse Studio.
7 Tage kostenlos testen — ohne Kreditkarte, mit 200 Credits. Für Fragen zur Umsetzung buchen Sie eine persönliche Demo.
//Chronik