Was sind Self-driving Labs? Wenn KI selbst Experimente plant

Kurz gesagt: Ein Self-driving Lab ist ein Labor, das in einer Schleife arbeitet: Software schlägt ein Experiment vor, Roboter führen es aus, Messgeräte liefern ein Ergebnis, und daraus wählt die Software den nächsten Versuch. Das Herzstück ist meist kein großes Sprachmodell, sondern ein Suchverfahren wie die Bayes'sche Optimierung, das mit wenigen Versuchen auskommen will. Es gibt echte Systeme, die tagelang allein arbeiten. Ihre Schwachstelle liegt aber seltener beim Roboterarm als bei der Frage, ob die Maschine ihre eigenen Messungen richtig deutet.

Wer schon einmal eine Serverkonfiguration „nach Gefühl“ optimiert hat, kennt das Grundproblem: Man ändert einen Wert, misst, ändert den nächsten, misst wieder — und irgendwann fehlt die Zeit, alle Kombinationen auszuprobieren. In der Chemie und Materialforschung ist das dieselbe Situation, nur dass ein einzelner Messpunkt nicht Sekunden dauert, sondern Stunden, und Chemikalien kostet. Self-driving Labs setzen genau hier an.

Einen ersten Überblick, wie KI Forschung insgesamt beschleunigt, mit AlphaFold und GNoME als Beispielen, gibt Wie beschleunigt KI die Forschung?. Dieser Artikel geht einen Schritt weiter: ins Labor selbst.

Der Kreislauf: planen, ausführen, messen, lernen #

Eine Übersichtsarbeit in Chemical Reviews beschreibt Self-driving Labs als Verbindung aus automatisierten Arbeitsabläufen und autonomer Versuchsplanung — mit sehr unterschiedlichen Automatisierungsgraden je nach FachgebietBelegt. Egal wie weit ein System automatisiert ist, der Ablauf hat immer dieselben vier Schritte:

1. Planen: Die Software entscheidet, welche Zusammensetzung, Temperatur oder Rezeptur als Nächstes getestet wird.
2. Ausführen: Roboter wiegen Pulver ab, dosieren Flüssigkeiten, mischen, erhitzen oder bestrahlen Proben.
3. Messen: Ein Analysegerät bestimmt das Ergebnis — etwa wie viel Gas entstanden ist oder welche Kristallstruktur sich gebildet hat.
4. Lernen: Das Ergebnis fließt in ein Modell ein, das den nächsten Plan verbessert.

Klassische Laborautomatisierung kennt Schritt 2 und 3 seit Langem: Ein Pipettierroboter arbeitet eine feste Liste ab. „Self-driving“ wird ein Labor erst, wenn Schritt 4 den Schritt 1 steuert — wenn also nicht ein Mensch nach jeder Runde die nächste Liste schreibt.

Bayes'sche Optimierung, einfach erklärt #

Warum braucht es dafür eine besondere Planungsmethode? Weil die Zahl der Möglichkeiten schnell explodiert.

Rechenbeispiel (eigene Rechnung, keine Angabe aus einem Paper): Ein Experiment hat zehn Stellschrauben, und jede davon darf nur fünf Stufen annehmen. Das ergibt 5¹⁰ = 9.765.625 Kombinationen. Ein Labor, das rund 86 Versuche pro Tag schafft, bräuchte für alle etwa 113.500 Tage — gut 300 Jahre. Ausprobieren von allem ist also keine Option.

Bayes'sche Optimierung löst das, indem sie sich beim Suchen zwei Dinge merkt:

• Eine Schätzung, welches Ergebnis an jeder noch ungetesteten Stelle zu erwarten ist. Dafür baut sie aus den bisherigen Messungen ein Ersatzmodell (englisch surrogate model), eine billige Näherung des teuren Experiments.
• Eine Unsicherheit zu dieser Schätzung. Wo schon viel gemessen wurde, ist das Modell sicher; in unerforschten Ecken weiß es wenig.

Aus beidem berechnet eine Auswahlregel (die Akquisitionsfunktion), wo sich der nächste Versuch am meisten lohnt. Sie wägt ab zwischen Ausnutzen — dort testen, wo das Modell ein gutes Ergebnis erwartet — und Erkunden — dort testen, wo es besonders unsicher ist, weil sich dort eine Überraschung verstecken könnte. Nach jeder Messung wird das Ersatzmodell aktualisiert, und die Rechnung beginnt von vorn.

Ein Alltagsvergleich: Wer in einer fremden Stadt ein gutes Restaurant sucht, geht nicht in jedes. Man kehrt in die Straße zurück, in der es schon gut war, probiert aber ab und zu eine Gegend, über die man noch nichts weiß. Bayes'sche Optimierung macht diese Abwägung mathematisch und nachvollziehbar.

Funktioniert das besser als menschliche Intuition? Für klar umrissene Aufgaben gibt es einen direkten Vergleich: Bei der Optimierung chemischer Reaktionen erreichte Bayes'sche Optimierung im Mittel effizienter und gleichmäßiger das Ziel als die Entscheidungen der beteiligten Chemikerinnen und ChemikerBelegt. Das ist ein wichtiger Befund, aber ein begrenzter: Verglichen wurde die Suche in einem vorgegebenen Raum, nicht die Frage, welcher Raum überhaupt der richtige ist.

Beispiel 1: Der Roboter, der durchs Labor fährt #

Eines der bekanntesten frühen Systeme ist ein mobiler Roboterchemiker. Die Zahlen daraus werden oft zitiert (sie stehen auch im Cornerstone Was kommt nach CPU und GPU?). Spannender als die Zahl der Versuche ist, wie das System gebaut ist: Ein frei fahrender Roboter bediente normale Laborgeräte und suchte in einem Raum aus zehn Variablen per Bayes'scher Suche in Stapeln nach besseren Photokatalysatoren für die Wasserstofferzeugung; das Ergebnis waren Mischungen, die sechsmal aktiver waren als die AusgangsrezepturenDemonstriert.

Zwei Punkte sind daran lehrreich:

• Automatisiert wurde der Mensch, nicht das Gerät. Die Autoren beschreiben ihren Ansatz ausdrücklich so. Statt ein Speziallabor mit festen Förderbändern zu bauen, bewegt sich ein Roboter zwischen den vorhandenen Stationen — Feststoffdosierung, Flüssigkeiten, Bestrahlung, Gaschromatograph. Das ist näher an einem gewöhnlichen Labor als viele Visionen vom vollautomatischen Labor.
• Die Suche war gestapelt. Die Software schlug nicht einzeln vor, sondern jeweils mehrere Versuche auf einmal, damit die Geräte ausgelastet blieben. Das ist der Normalfall in der Praxis: Ein Algorithmus, der nach jedem Einzelversuch auf das Ergebnis warten muss, verschenkt Laborzeit.

Das Rechenbeispiel oben zeigt, warum die Zahl der Versuche eigentlich klein ist: Im Verhältnis zu allen denkbaren Kombinationen hat der Roboter nur einen winzigen Ausschnitt getestet. Der Gewinn liegt nicht in der Masse, sondern darin, gezielt zu suchen und dabei rund um die Uhr zu arbeiten.

Was das System nicht getan hat: die Forschungsfrage stellen, die zehn Variablen auswählen oder entscheiden, dass Wasserstoff aus Wasser das lohnende Ziel ist. Diese Schritte lagen bei den Menschen.

Beispiel 2: Das A-Lab — und was seine Korrektur zeigt #

Das A-Lab geht weiter: Es soll anorganische Pulver herstellen, die vorher nur am Computer vorhergesagt wurden. Das System schlägt Syntheserezepte mit Sprachmodellen vor, die auf Fachliteratur trainiert wurden, verbessert sie per aktivem Lernen auf thermodynamischer Grundlage und wertet die Röntgenbeugungsdaten der Produkte mit Machine Learning aus; es lief 17 Tage ohne UnterbrechungDemonstriert.

Hier ist der Kreislauf komplett — und genau deshalb zeigt sich an diesem Beispiel, wo er reißt. Das Messverfahren ist Pulver-Röntgenbeugung (XRD): Man schießt Röntgenstrahlen auf das Pulver und erhält ein Muster aus Linien, das einer Kristallstruktur zugeordnet werden muss. Diese Zuordnung ist keine reine Ablesung, sondern eine Interpretation.

Aus der Festkörperchemie kam Widerspruch: Eine Gegenanalyse in PRX Energy kam zu dem Schluss, dass keine neuen Materialien entdeckt wurden; die automatisierte Auswertung der Röntgendaten sei noch nicht zuverlässig, und rund zwei Drittel der gemeldeten Erfolge seien vermutlich bereits bekannte Varianten mit ungeordneter AtomverteilungBelegt. „Ungeordnet“ heißt: Die Vorhersage nahm an, dass jedes Element seinen festen Platz im Kristall hat. In echten Kristallen teilen sich Elemente oft Plätze — und dann ist das vermeintlich neue Material eine längst bekannte Mischphase.

Die Autoren haben inzwischen reagiert: In einer Korrektur von 2026 werteten sie die Beugungsdaten von Hand neu aus; nur 36 der bisher 40 gemeldeten Erfolge wurden bestätigt, vier blieben unklar, eine Verbindung wurde gestrichen, weil sie versehentlich in den Trainingsdaten stand, und „neu“ sollte neu für die Vorhersageplattform bedeuten, nicht zwingend neu für die WissenschaftBelegt.

Für die Einordnung ist das wichtiger als jede Erfolgsquote. Der Roboter hat die Pulver hergestellt, das ist unstrittig. Strittig war die Frage, was er hergestellt hat — und die Korrektur kam durch Menschen zustande, die die Messdaten von Hand prüften. Der Schritt „messen“ ist also nicht dasselbe wie der Schritt „verstehen, was man gemessen hat“.

Beispiel 3: Ein Sprachmodell als Laborplaner #

Eine andere Spielart ersetzt nicht den Optimierer, sondern den planenden Menschen durch ein großes Sprachmodell. Das System Coscientist nutzt GPT-4, durchsucht Internet und Gerätedokumentation, schreibt Code und steuert Laborautomatisierung; die Autoren zeigen damit unter anderem die Optimierung palladiumkatalysierter Kreuzkupplungen und sprechen selbst von „(teil-)autonomer“ VersuchsplanungDemonstriert.

Der Unterschied zur Bayes'schen Optimierung ist grundsätzlich: Ein Optimierer sucht in einem fest definierten Zahlenraum. Ein Sprachmodell kann Versuchsprotokolle formulieren, Anleitungen lesen und Geräte ansteuern, die es vorher nicht kannte. Das macht es flexibler — aber auch schwerer zu prüfen. Ob Sprachmodelle als Planer zuverlässig genug sind, um ohne menschliche Kontrolle Chemikalien zu handhaben, ist bisher nicht gezeigtEvidenz: Theorie; die bisherigen Demonstrationen sind Einzelfälle mit überschaubaren Aufgaben.

Was sich automatisieren lässt — und was nicht #

Aus den drei Beispielen lässt sich eine grobe Arbeitsteilung ablesen:

Die Tabelle ist unsere Einordnung der hier besprochenen Arbeiten, keine Übersicht aus einer Quelle. Die Übersichtsarbeit in Chemical Reviews betont ebenfalls, dass jedes Fachgebiet eigene Herausforderungen und Automatisierungsgrade hat.

Auffällig ist: Die Handarbeit ist nicht das eigentliche Problem. Heikel wird es dort, wo aus Messdaten eine Aussage wird. Ein Roboter, der ein Pulver herstellt, und eine Software, die das Beugungsmuster falsch deutet, ergeben zusammen einen sehr schnellen Weg zu einem falschen Ergebnis. Je schneller die Schleife läuft, desto wichtiger wird eine unabhängige Kontrolle der AuswertungEvidenz: Theorie — sonst lernt das System aus eigenen Fehlinterpretationen weiter.

Und die Kosten? Belastbare, vergleichbare Zahlen zu Anschaffung und Betrieb solcher Labore haben wir in den geprüften Quellen nicht gefunden. Deshalb nennen wir hier keine.

Reality Check (Stand: September 2026) #

Belegt: Bayes'sche Optimierung findet in klar definierten chemischen Suchräumen im Mittel schneller gute Bedingungen als menschliche Intuition. Demonstriert: Roboter, die tagelang allein Experimente planen, ausführen und messen — mit echten Verbesserungen wie beim Photokatalysator. Umstritten und korrigiert: Die Behauptung, ein autonomes Labor habe reihenweise neue Materialien entdeckt. Die Korrektur beim A-Lab zeigt, dass die Deutung der Messdaten der schwächste Teil der Schleife ist. Ein Labor, das eigenständig Forschungsfragen wählt und Entdeckungen ohne menschliche Nachprüfung liefert, ist derzeit eine Vision, kein Stand der Technik.Evidenz: Spekulation

Was heißt das fürs eigene Homelab? #

Ein Self-driving Lab steht in keinem Keller — und das wird so bleiben. Die Idee dahinter ist aber übertragbar: Wer etwas mit wenigen, teuren Versuchen optimieren muss, sollte nicht blind alle Kombinationen testen, sondern messen, ein Modell der Ergebnisse führen und gezielt den nächsten Versuch wählen.

Im Homelab ist der teure Versuch oft ein Benchmark-Lauf. Wer lokale Sprachmodelle einstellt — Quantisierung, Kontextlänge, Anzahl Threads —, sucht in einem kleinen Raum aus Stellschrauben, und jede Messung kostet Minuten. Wie man dabei überhaupt sauber misst, erklärt Tokens pro Sekunde: Was der Wert bei lokalen LLMs wirklich bedeutet. Bei drei oder vier Parametern reicht meist systematisches Ausprobieren; Bayes'sche Optimierung lohnt sich erst, wenn Kombinationen und Messdauer zusammen unpraktisch werden.

Und die wichtigste Lehre aus dem A-Lab gilt im Kleinen genauso: Eine schnelle Messschleife ist nur so gut wie die Auswertung am Ende. Wer automatisiert misst, sollte stichprobenartig selbst nachsehen, ob die Zahl auch das bedeutet, was man glaubt.

In Vorbereitung: Der KI-Forschungs-Loop.