KI-Beschleunigung: Probleme, die jahrelang ungelöst blieben und heute gelöst werden

In den letzten Jahren ist künstliche Intelligenz nicht mehr nur ein Werkzeug zum Schreiben von Texten oder Zusammenfassen von Dokumenten. In einigen Wissenschaftsbereichen liefert sie Antworten auf Probleme, die seit Jahrzehnten offen waren. Das ist kein Versprechen: Es sind veröffentlichte Ergebnisse mit überprüfbaren Daten. In diesem Artikel stellen wir fünf davon vor und nennen jeweils, was gezeigt wurde und was nicht.

Proteine: ein fünfzig Jahre altes Problem

Ein Protein ist eine Kette von Aminosäuren, die sich zu einer dreidimensionalen Form faltet, und diese Form bestimmt seine Funktion. Seit den 1970er-Jahren versuchten Forschende, diese Form allein aus der Sequenz vorherzusagen, mit geringem Erfolg. 2020 stellten Demis Hassabis und John Jumper AlphaFold2 vor. Laut der Königlich Schwedischen Akademie der Wissenschaften ermöglichte das Modell die Vorhersage der Struktur von praktisch allen rund 200 Millionen bekannten Proteinen; es wurde von mehr als zwei Millionen Menschen in 190 Ländern genutzt. Für diese Arbeit erhielten die beiden den Nobelpreis für Chemie 2024, verkündet am 9. Oktober 2024 gemeinsam mit David Baker.

Antibiotika: dort suchen, wo bisher niemand suchte

Antibiotikaresistenz ist ein bekanntes Problem, und wirklich neue Moleküle zu finden ist langsam und teuer. Ein Team am MIT trainierte ein neuronales Netz darauf, Moleküle mit antibakterieller Wirkung zu erkennen. 2020 berichtete es in Cell über die Entdeckung von Halicin: Das Modell hatte mehr als 107 Millionen Moleküle geprüft, und von 23 im Labor getesteten Vorhersagen erwiesen sich acht als antibakteriell und strukturell weit von bekannten Antibiotika entfernt. 2023 führte derselbe Ansatz zu Abaucin, wirksam gegen Acinetobacter baumannii, einen oft mehrfachresistenten Krankenhauskeim. Die Ergebnisse sind präklinisch: Reagenzglas und, bei Abaucin, ein Wundmodell an der Maus. Es sind keine zugelassenen Medikamente.

Wetter: zehn Tage in unter einer Minute

Klassische Wettervorhersagen benötigen enorme Rechenressourcen. GraphCast, ein Modell von Google DeepMind, beschrieben 2023 in Science, sagt Hunderte atmosphärische Variablen zehn Tage im Voraus voraus, mit 0,25 Grad Auflösung, in weniger als einer Minute auf einem einzelnen Chip. Laut den Autoren übertraf es das operative deterministische System des europäischen Zentrums (ECMWF) bei rund 90 % von 1380 Prüfzielen, mit besseren Ergebnissen auch bei der Zugbahn tropischer Wirbelstürme. Das ist ein Vergleich anhand historischer Daten: Er ersetzt keine operativen Systeme, zeigt aber, dass ein datengetriebener Ansatz mit deutlich rechenintensiveren Methoden mithalten kann.

Materialien: Millionen zusätzlicher Kandidaten

Einen neuen stabilen Kristall zu finden, nützlich für Batterien oder Halbleiter, war lange eine Sache des Ausprobierens. Mit GNoME nutzte DeepMind Graph-Neuronale-Netze, um die Stabilität neuer Materialien vorherzusagen. Laut dem Artikel in Nature aus dem Jahr 2023 identifizierte das System mehr als 2,2 Millionen Strukturen, die relativ zu früheren Daten stabil sind, davon 381.000 neue Einträge auf der aktualisierten Stabilitätsgrenze, insgesamt 421.000 bekannte stabile Kristalle. Wichtig: Es sind berechnete Vorhersagen. Jedes Material muss noch synthetisiert und im Labor gemessen werden, bevor man von Anwendungen sprechen kann.

Mathematik: von der Maschine geprüfte Beweise

Am 25. Juli 2024 gab Google DeepMind bekannt, dass AlphaProof und AlphaGeometry 2 vier der sechs Aufgaben der Internationalen Mathematik-Olympiade jenes Jahres gelöst hatten, mit 28 von 42 Punkten, dem Niveau einer Silbermedaille. Darunter war die schwierigste Aufgabe des Wettbewerbs, die nur fünf Teilnehmende lösten. Zwei Einschränkungen, auch von den Autoren genannt: Die Aufgaben wurden von Hand in eine formale Sprache übersetzt, und einige erforderten bis zu drei Tage Rechenzeit, gegenüber neun Stunden für die Schülerinnen und Schüler. Der Vorteil der formalen Sprache (Lean) ist, dass jeder Beweis automatisch überprüft werden kann.

Was diese Fälle gemeinsam haben

In allen fünf arbeitet die KI an einem klar definierten Problem, mit eindeutigen Daten oder Regeln und einer objektiven Messung des Ergebnisses. Sie beschleunigt die Suche, ersetzt aber nicht die Überprüfung: Experimente, wissenschaftliche Begutachtung, menschliche Jurys. Genau deshalb sind diese Ergebnisse glaubwürdig.

Was das für Unternehmen bedeutet

Für ein kleines Unternehmen ist die Lehre praktisch, nicht wissenschaftlich. KI beschleunigt Arbeit dort, wo es ein präzises Ziel und eine Kontrolle des Ergebnisses gibt: klassifizieren, vergleichen, vorhersagen, unter vielen Optionen suchen. Weniger gut funktioniert sie, wo verlässliche Daten oder klare Verantwortung fehlen. Vor der Einführung eines Werkzeugs lohnt die Frage, welches wiederkehrende Problem beschleunigt werden soll und wer das Ergebnis prüft. Wenn Sie das für Ihren Fall durchdenken möchten, kann ElaraTeq helfen, einzuschätzen, wo KI sinnvoll ist.

Quellen

• Königlich Schwedische Akademie der Wissenschaften, Pressemitteilung zum Nobelpreis für Chemie 2024, 9. Oktober 2024: https://www.nobelprize.org/prizes/chemistry/2024/press-release/
• Stokes et al., A Deep Learning Approach to Antibiotic Discovery, Cell 180, 2020: https://www.cell.com/cell/fulltext/S0092-8674(20)30102-1
• Liu et al., Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii, Nature Chemical Biology, 2023: https://www.nature.com/articles/s41589-023-01349-8
• Lam et al., Learning skillful medium-range global weather forecasting, Science 382, 2023: https://www.science.org/doi/10.1126/science.adi2336
• Merchant et al., Scaling deep learning for materials discovery, Nature, 2023: https://www.nature.com/articles/s41586-023-06735-9
• Google DeepMind, AI achieves silver-medal standard solving International Mathematical Olympiad problems, 25. Juli 2024: https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/