DeepMind erweitert Co-Scientist zu einem Forschungssystem, das im Labor arbeitet

DeepMind treibt Co-Scientist über die Ideenfindung hinaus

Google DeepMind sagt, dass sein KI-Forschungssystem Co-Scientist sich von der Generierung von Hypothesen zu einer Beteiligung an einem größeren Teil des wissenschaftlichen Workflows entwickelt hat, darunter die Planung von Experimenten, das Schreiben von Code, die Bedienung einiger Laborgeräte, die Analyse von Ergebnissen und das Verfassen wissenschaftlicher Manuskripte. Google beschreibt dieses Update als einen geschlossenen Forschungsprozess und sieht darin eine bemerkenswerte Erweiterung gegenüber der Version von Co-Scientist, die das Unternehmen im Februar 2025 vorgestellt hat.

Laut dem bereitgestellten Bericht basiert das neue System auf aktuellen Gemini-Modellen und ist darauf ausgelegt, eine Forschungsfrage aufzunehmen, Hypothesen abzuleiten, diese in Versuchspläne oder maschinenlesbare Protokolle zu überführen, die entstehenden Daten zu analysieren und anschließend eine Ausgabe in Artikelumfang zu erzeugen. Google sagt außerdem, dass das System Verifikationsmodule enthält, die numerische Behauptungen im generierten Text mit Ausführungsprotokollen des erzeugten Codes abgleichen, um erfundene oder inkonsistente Ergebnisse zu reduzieren.

Das ist wichtig, weil eine der zentralen Schwächen von KI-Systemen in der Wissenschaft die Lücke zwischen plausibler Sprache und belastbarer Evidenz ist. Ein System, das verknüpfen kann, was es schreibt, mit dem, was es tatsächlich ausgeführt hat, adressiert selbst innerhalb eines begrenzten Workflows einen der offensichtlichsten Fehlermodi maschinell erzeugter Forschungsergebnisse. Das löst das Vertrauensproblem nicht unmittelbar, zeigt aber, wo Entwickler glauben, dass praktische wissenschaftliche Autonomie zuerst besser werden muss.

Drei Felder, drei Autonomiestufen

Der Bericht beschreibt Validierungsarbeiten in der Materialwissenschaft, Biologie und Informatik, wobei jede Domäne ein anderes Maß an maschineller Unabhängigkeit zeigt. In der Materialforschung schlug Co-Scientist Synthesevorschläge vor, die von Menschen umgesetzt werden sollten. In der Biologie baute das System eine Vorhersage-Pipeline mit Expertenfeedback. In der Informatik, so Google, arbeitete das System vollständig eigenständig.

Diese gestufte Struktur ist bedeutsam. Statt einen universellen autonomen Wissenschaftler zu behaupten, scheint Google ein Spektrum darzustellen: menschlich geführte Nutzung in Umgebungen, in denen physische Experimente teuer und sensibel sind, kollaborative Nutzung, bei der fachliche Aufsicht zentral bleibt, und höhere Autonomie dort, wo die experimentelle Umgebung bereits software-nativ ist. Diese Einteilung spiegelt die Realität wider, dass KI-Systeme in digitalen Bereichen meist schneller vorankommen als in Nasslaboren oder fortgeschrittenen Materiallabors, wo Timing, Kontamination, Hardware-Variabilität und Sicherheitsauflagen die Automatisierung begrenzen.

Das Materialbeispiel zeigt sowohl das Potenzial als auch die Grenzen. Co-Scientist wurde laut Bericht mit einem halbautomatischen Hochtemperaturofen gekoppelt und identifizierte einen sichereren Weg zu einem begehrten zweidimensionalen Material, das zuvor hauptsächlich durch gefährliches Ätzen hergestellt wurde. Nach 25 Runden menschlicher Verfeinerung erzeugte das Team Schichtstrukturen mit Eigenschaften, die dem Zielmaterial ähneln. Der Bericht merkt jedoch auch an, dass die endgültige Bestätigung der atomaren Struktur noch aussteht.

Diese Einschränkung ist wichtig. Das System mag die Rezeptgenerierung beschleunigt und den Suchraum verkleinert haben, aber die stärkste Form der wissenschaftlichen Behauptung ist noch nicht belegt. Anders gesagt: Das Ergebnis ist als Prozessdemonstration vielversprechend, aber kein endgültiger Beweis dafür, dass das Zielmaterial wie beabsichtigt vollständig realisiert wurde.

Geschwindigkeitsgewinne haben praktische Kompromisse

In einem zweiten Materialexperiment, so der Bericht, wurden drei Halbleiter-Dünnschichten beim ersten Versuch synthetisiert. Co-Scientist nutzte Gemini 3 Deep Think zur direkten Gerätesteuerung, und Google sagt, dass dies die Rezeptentwicklung von Tagen auf Minuten verkürzt hat. Wenn dieser Zeitvergleich in breiterer Anwendung Bestand hat, weist er auf eines der klarsten kommerziellen Argumente für KI in Forschung und Entwicklung hin: teure Iterationszyklen in Laborumgebungen zu komprimieren, in denen Forschende oft viel Zeit mit dem Feintuning von Verfahren verbringen.

Gleichzeitig nennt der Bericht mehrere Einschränkungen, die verhindern, die Ankündigung als einfachen Durchbruch in der Laborautomatisierung zu lesen. Menschen mussten Proben und Ausgangsmaterialien weiterhin manuell laden. Der schnellere Betriebsmodus erzeugte kleinere und weniger gleichmäßige Kristalle als sorgfältig optimierte Rezepte. Und die Übertragbarkeit der Rezepturen auf andere Labore ist weiterhin ungeklärt.

Diese Details sind wichtig, weil Reproduzierbarkeit ein definierender Standard in der Forschung ist. Ein System, das in einem bestimmten Gerätesetup, mit einer bestimmten Laborumgebung und unter Aufsicht eines bestimmten Teams gut funktioniert, hat noch nicht gezeigt, dass es verallgemeinerbar ist. Wissenschaftliche Automatisierung wird wertvoller, wenn Verfahren Änderungen bei Geräten, Bedienern und Umgebungsbedingungen überstehen. Indem der Bericht die Übertragbarkeit von Rezepten als offene Frage kennzeichnet, macht er indirekt deutlich, wie viel Ingenieursarbeit noch zwischen einer überzeugenden Demonstration und einer breit einsetzbaren Plattform liegt.

Warum dieser Schritt für die Forschungsinfrastruktur der KI wichtig ist

Der folgenreichste Teil des Updates ist möglicherweise nicht ein einzelnes Experiment. Es ist die Idee, Hypothesengenerierung, Ausführungsplanung, Gerätesteuerung, Analyse und Manuskripterstellung in einem zusammenhängenden System zu verbinden. Diese Architektur deutet darauf hin, wie Frontier-AI-Entwickler die nächste Phase wissenschaftlicher Werkzeuge sehen: nicht als Chatbot, der Forschende bei isolierten Schritten unterstützt, sondern als Orchestrator, der Arbeit durch mehrere Phasen bewegen kann und dabei einen internen Verlauf dessen behält, was vorgeschlagen, ausgeführt und beobachtet wurde.

Wenn solche Systeme ausreifen, könnten sie die Ökonomie der Forschung in Bereichen verändern, in denen der Suchraum groß und die Iteration teuer ist. Materialentdeckung, biologische Vorhersage und Modellentwurf sind alles Bereiche, in denen Forschende mit zu vielen möglichen Kombinationen konfrontiert sind, um sie manuell zu testen. Ein Werkzeug, das Optionen schnell eingrenzt, ausführbare Verfahren schreibt und eine strukturierte Spur von der Behauptung zum Ergebnis erhält, könnte selbst dann wertvoll werden, wenn es nie volle Autonomie erreicht.

Die Ankündigung steht jedoch auch in einem größeren Muster der Berichterstattung über KI in der Wissenschaft: Der Fähigkeitszuwachs überholt oft die unabhängige Validierung. Der bereitgestellte Bericht schreibt die Ergebnisse Google zu und beschreibt Experimente über drei Disziplinen hinweg, liefert hier aber keinen Beleg für externe Replikation. Das entwertet die Arbeit nicht, sollte aber beeinflussen, wie die Behauptungen interpretiert werden. Die stärkste Lesart ist, dass Google einen stärker integrierten Forschungsagenten zeigt, mit einigen experimentell fundierten Erfolgen und sichtbaren Grenzen, nicht dass ein allgemeiner autonomer Wissenschaftler bereits angekommen ist.

• Google sagt, dass Co-Scientist nun mehr vom Forschungszyklus abdeckt, von der Hypothese bis zum Manuskriptentwurf.
• Das System wurde Berichten zufolge in der Materialwissenschaft, Biologie und Informatik mit unterschiedlichen Autonomiestufen getestet.
• Verifikationsmodule sollen numerische Angaben im Text mit Ausführungsprotokollen abgleichen.
• Offene Fragen bleiben bei Reproduzierbarkeit, Übertragbarkeit auf andere Labore und den Qualitätskompromissen schnellerer Abläufe.

Für die KI-Branche stellt das dennoch eine bedeutende Verschiebung dar. Der Wettbewerb dreht sich nicht mehr nur darum, welches Modell Papers zusammenfassen oder Ideen vorschlagen kann. Immer stärker geht es darum, welche Systeme Schlussfolgerungen mit Instrumenten, Datenpipelines und prüfbaren Ausgaben verbinden können. Co-Scientist ist, wie hier beschrieben, ein Schritt in diese Richtung.

Dieser Artikel basiert auf einer Berichterstattung von The Decoder. Den Originalartikel lesen.