OpenAI zielt auf einen vollständig automatisierten KI-Forscher bis 2028 ab

OpenAIs nächste große Herausforderung

OpenAI hat eine umfassende neue Forschungsambition angekündigt: den Aufbau eines sogenannten KI-Forschers – ein vollständig automatisiertes, agentenbasiertes System, das in der Lage ist, große, komplexe wissenschaftliche Probleme unabhängig anzugehen. In einem exklusiven Interview mit MIT Technology Review beschrieb Chefwissenschaftler Jakub Pachocki die Initiative als OpenAIs Nordstern für die kommenden Jahre, das eine Konvergenz der Arbeiten des Unternehmens an Reasoning-Modellen, Coding-Agenten und Interpretierbarkeit in einem einheitlichen, langfristigen Ziel darstellt.

Der Zeitrahmen ist konkret und kurzfristig in einer Weise, die diese Ankündigung von den diffuseren AGI-Versprechungen unterscheidet, mit denen die Branche seit Jahren gehandelt hat. OpenAI plant, bis September 2026 einen autonomen KI-Forschungspraktikanten zu bauen – ein System, das in der Lage ist, unabhängig tagelang an spezifischen Forschungsproblemen zu arbeiten. Der vollständige Multi-Agent-KI-Forscher, der in der Lage ist, mit Problemen umzugehen, die zu groß oder zu komplex für Menschen sind, soll 2028 debütieren.

Codex als Blaupause

Pachocki verwies auf OpenAIs bestehenden Codex-Agenten sowohl als Beweisgrundlage als auch als frühen Prototyp für die ehrgeizigere KI-Forscher-Vision. Codex, das OpenAI im Januar veröffentlichte, ist ein agentenbasiertes Codiersystem, das Code autonom generieren, ausführen und debuggen kann, um komplexe Programmieraufgaben zu erledigen. Es wurde innerhalb von OpenAI selbst weit verbreitet, wobei Pachocki bemerkt, dass die meisten technischen Mitarbeiter des Unternehmens Codex nun als Kernbestandteil ihres Workflows nutzen.

Der philosophische Sprung, den Pachocki macht, besteht darin, dass wenn ein KI-System komplexe Codierungsprobleme autonom lösen kann – was kreatives Denken, Zerlegung großer Aufgaben in Teilaufgaben, Verfolgung komplexer Zustände über erweiterte Arbeitssitzungen und Fehlerkorrektur erfordert – dann kann dieselbe Capability-Architektur auf wissenschaftliche Problemlösung in Bereichen wie Biologie, Chemie, Physik und Mathematik ausgeweitet werden.

Unsere Jobs sind jetzt völlig anders als noch vor einem Jahr. Niemand bearbeitet mehr ständig Code. Stattdessen verwalten Sie eine Gruppe von Codex-Agenten, sagte Pachocki gegenüber MIT Technology Review. Die Vision ist, dass dieselbe Managementbeziehung – Mensch lenkt, KI führt aus – irgendwann auch auf die Forschung selbst angewendet werden könnte, wobei Wissenschaftler KI-Agenten lenken, die unabhängig experimentelle Hypothesen verfolgen, Literatur überprüfen, Analysen entwerfen und Ergebnisse generieren.

Warum jetzt: Der Durchbruch des Reasoning-Modells

Die erneuerte Ambition für autonome Forschungsfähigkeit ist in der Entstehung sogenannter Reasoning-Modelle verwurzelt – KI-Systeme, die trainiert wurden, nicht nur Ergebnisse zu produzieren, sondern Probleme Schritt für Schritt zu durchdenken und sich zurückzuziehen, wenn sie auf Sackgassen stoßen. Reasoning-Modelle haben KI-Systeme bei erweiterter autonomer Arbeit qualitativ verbessert: Sie können einen kohärenten Kontext über längere Problemlösungssitzungen hinweg beibehalten und ihre eigenen Fehler auf Weise erfassen und korrigieren, die frühere Sprachmodelle nicht konnten.

OpenAI hat auch seine Trainingspipelines mit komplexen Aufgabenbeispielen – schwierigen Rätseln aus Mathematik- und Programmierwettbewerben – gespeist, die es Modellen ermöglichen, zu lernen, wie man mit sehr großen Kontexten umgeht, Probleme in Teilaufgaben zerlegt und effektives Denken über erweiterte Zeiträume aufrechterhält. Pachocki glaubt, dass dieser Trainingsansatz, kombiniert mit allgemeinen Capability-Verbesserungen zwischen aufeinanderfolgenden Modellgenerationen, das Unternehmen an die Schwelle gebracht hat, wo autonome Forschung innerhalb der aktuellen Entwicklungsbahn erreichbar ist.

Neuere Ergebnisse haben Pachocklís Optimismus empirisch gestützt. OpenAI-Forscher haben GPT-5, das Modell, das Codex antreibt, verwendet, um neue Lösungen für zuvor ungelöste mathematische Probleme zu entdecken und Fortschritte bei spezifischen Rätseln in Biologie und Physik zu erzielen – Leistungen, die, obwohl begrenzt, zeigen, dass das Modell echte neue wissenschaftliche Beiträge generieren kann, anstatt lediglich bestehendes Wissen zusammenzufassen.

Das Sicherheitsproblem an der Grenze

Pachocki machte keinen Hehl aus den Risiken, die in der Vision stecken, die er verfolgt. Ein vollständig autonomer KI-Forscher, der mit minimaler menschlicher Überwachung läuft, stellt eine qualitativ neue Art von KI-Fähigkeit dar – eine, die wissenschaftliche Erkenntnisse in Bereichen wie synthetischer Biologie oder fortgeschrittene Materialien generieren könnte, wo die Ergebnisse bewaffnet oder missbraucht werden könnten. Chain-of-Thought-Überwachung, bei der die Reasoning-Prozesse von KI-Systemen überprüfbar gemacht werden, ist der primäre Sicherheitsansatz, den Pachocki identifizierte, räumte jedoch ein, dass dieser unvollkommen ist.

Es gibt schwierige Fragen darüber, wo die Grenzen gezogen werden sollten, sagte Pachocki gegenüber MIT Technology Review. Ich denke, nicht nur OpenAI, sondern auch Regierungen müssen herausfinden, wo diese Grenzen sind. Die Anerkennung, dass externe Governance notwendig sein wird, ist bedeutsam und reflektiert das breitere Verständnis der Industrie, dass die autonome Forschungsfähigkeitsgrenze Regulierungsrahmen erfordert, die noch nicht existieren.

Wettbewerbskontext und Branchenauswirkungen

OpenAIs Ankündigung kommt zu einer Zeit, in der das Unternehmen mit intensiviertem Wettbewerb von Anthropic und Google DeepMind an mehreren Fronten konfrontiert ist. Anthropic hat erhebliche Fortschritte bei Enterprise-KI-Implementierungen gemacht, und DeepMind produziert weiterhin einflussreiche wissenschaftliche KI-Forschung durch Programme wie AlphaFold. Die Positionierung des autonomen KI-Forschers als OpenAIs nächste definierende Herausforderung ist teilweise eine Wettbewerbsstrategie – die Beanspruchung der ehrgeizigsten und folgenreichsten Capability-Grenze, bevor Konkurrenten den Raum definieren können.

Für die breitere wissenschaftliche Gemeinschaft wirft die Aussicht auf KI-Systeme, die Forschung autonom vorantreiben können, tiefe Fragen über die Zukunft wissenschaftlicher Arbeit, Veröffentlichungsnormen, geistiges Eigentum und die Zuweisung von Verdiensten für Entdeckungen auf. Wenn ein KI-Agent unabhängig einen neuen mathematischen Beweis entdeckt oder ein neuartiges therapeutisches Ziel identifiziert, wird das Ökosystem der akademischen Veröffentlichung, Förderfinanzierung und Forschungskarrieren rund um menschliche wissenschaftliche Leistungen einer grundlegenden Überprüfung bedürfen. OpenAIs Zeitrahmen von 2028 deutet darauf hin, dass diese Fragen möglicherweise früher beantwortet werden müssen, als sich viele in der wissenschaftlichen Gemeinschaft darauf vorbereiten.

Dieser Artikel basiert auf Berichten von MIT Technology Review. Lesen Sie den Originalartikel.