Wie beschleunigt KI die Forschung? Was belegt ist und was nicht

Kurz gesagt: KI beschleunigt Forschung heute vor allem an einer Stelle: beim Suchen in riesigen Möglichkeitsräumen — welche Form ein Protein annimmt, welche Kristalle stabil sein könnten, welcher Rechenweg kürzer ist. Dafür gibt es belastbare Beispiele in Fachzeitschriften. Das Experiment, die Messung und die Prüfung, ob ein Ergebnis wirklich stimmt, nimmt KI der Wissenschaft bisher nicht ab. Genau dort entscheidet sich, ob aus einer schnellen Vorhersage auch eine echte Entdeckung wird.

Schlagzeilen wie „KI entdeckt Millionen neuer Materialien“ oder „KI löst 50 Jahre altes Problem“ klingen, als würde Forschung gerade auf Knopfdruck ablaufen. Wer genauer hinschaut, findet ein differenzierteres Bild: einige Erfolge, die unabhängig bestätigt sind, einige, die Fachleute bestreiten, und ein wiederkehrendes Muster, warum das so ist. Dieser Artikel geht vier Beispiele durch — jeweils mit der Originalarbeit — und leitet daraus ab, wo KI tatsächlich hilft und wo nicht.

Wo in der Forschung überhaupt Zeit verloren geht #

Stark vereinfacht besteht Forschung aus drei Schritten, die sich wiederholen:

1. Kandidaten finden: Welche Hypothese, welches Molekül, welcher Algorithmus ist einen Versuch wert?
2. Prüfen: Experiment, Messung, Beweis oder Benchmark.
3. Einordnen: Stimmt das Ergebnis, ist es neu, ist es nützlich?

Klassisch ist schon Schritt 1 teuer. Ein Chemiker kann nicht Millionen Verbindungen ausprobieren, ein Mathematiker nicht jede mögliche Rechenvorschrift durchgehen. Hier setzt KI an: Ein trainiertes Modell (ein Programm, das aus Beispieldaten Muster gelernt hat) schlägt in Sekunden vor, wofür Menschen Wochen bräuchten — oder durchsucht Räume, die für Menschen schlicht zu groß sind.

Die Frage ist also nicht „Kann KI forschen?“, sondern: Welcher Schritt wird schneller — und bleibt der nächste Schritt mithalten?

Beispiel 1: Proteinstrukturen — Vorhersage statt monatelanger Messung #

Proteine sind lange Ketten aus Aminosäuren, die sich zu einer dreidimensionalen Form falten. Diese Form bestimmt, was das Protein tut. Sie experimentell zu bestimmen — etwa per Röntgenkristallographie — ist aufwendig. Laut dem AlphaFold-Paper waren durch enormen experimentellen Aufwand die Strukturen von rund 100.000 verschiedenen Proteinen bekannt, ein kleiner Bruchteil der Milliarden bekannter Proteinsequenzen; eine einzelne Struktur kostet Monate bis Jahre ArbeitBelegt.

Genau diese Lücke adressiert AlphaFold. Im Blindtest CASP14 — die Strukturen waren den Teilnehmern vorher nicht bekannt — erreichte AlphaFold in der Mehrzahl der Fälle eine Genauigkeit, die mit experimentellen Strukturen konkurriert, und übertraf andere Methoden deutlichBelegt. Das Wort „Blindtest“ ist hier entscheidend: Die Vorhersagen wurden gegen Messungen geprüft, die niemand vorher kannte. Das macht diesen Erfolg so belastbar.

Und trotzdem ersetzt die Vorhersage die Messung nicht. Eine spätere Auswertung verglich AlphaFold-Vorhersagen direkt mit experimentellen Daten: Oft passten sie bemerkenswert genau, in anderen Fällen wichen selbst sehr sichere Vorhersagen deutlich ab — etwa in der Ausrichtung ganzer Proteinbereiche. Die Autoren empfehlen, Vorhersagen als außergewöhnlich nützliche Hypothesen zu behandeln und Details experimentell zu verifizierenBelegt, vor allem dort, wo andere Moleküle binden, die das Modell gar nicht kennt.

Was hier schneller wurde: der erste Entwurf einer Struktur. Was bleibt: die Bestätigung im Labor, wenn es auf Details ankommt.

Beispiel 2: Materialien — Millionen Kandidaten, strittige Entdeckungen #

Neue Materialien für Akkus, Solarzellen oder Chips zu finden ist klassisches Ausprobieren. Googles GNoME-Projekt versuchte, diesen Schritt per KI zu skalieren. Ein Graph-Netz (ein neuronales Netz, das Kristalle als Netz aus Atomen und Bindungen verarbeitet) schlug Kandidaten vor, die anschließend mit quantenmechanischen Simulationen auf Stabilität geprüft wurden.

Das Paper meldet 2,2 Millionen Kristallstrukturen unterhalb der bisherigen „konvexen Hülle“ — also rechnerisch energetisch günstiger als bekannte Konkurrenzverbindungen — und spricht von einer Erweiterung der bekannten stabilen Materialien um eine GrößenordnungSimuliert. Die Stufe simuliert ist bewusst gewählt: Die Stabilität ist berechnet, nicht im Labor gezeigt. Als Hinweis auf die Qualität nennt das Paper, dass 736 der stabilen Strukturen bereits unabhängig experimentell hergestellt worden warenBelegt — 736 von 2,2 Millionen.

Genau hier setzt die Kritik an. Zwei Festkörperchemiker haben die Behauptung in Chemistry of Materials geprüft: Sie fanden kaum Belege für Verbindungen, die das Dreifach-Kriterium aus Neuheit, Glaubwürdigkeit und Nutzen erfüllen, halten die Methoden aber für vielversprechend und fordern mehr Fachwissen aus Synthese und KristallographieBelegt.

Der Streit dreht sich also weniger um die KI als um das Wort „Entdeckung“. Rechnerisch stabil heißt nicht automatisch: neu, herstellbar und für irgendetwas brauchbar. Diese drei Fragen beantwortet nur das Labor — und das arbeitet nicht in Millionen-Stückzahlen. Um ein autonomes Syntheselabor gab es einen ganz ähnlichen Streit — dazu weiter unten mehr.

Was hier schneller wurde: die Kandidatensuche. Was bleibt: die Frage, welche Kandidaten real, neu und nützlich sind — und die ist langsam.

Beispiel 3: Algorithmen — wenn sich das Ergebnis beweisen lässt #

Eine Matrixmultiplikation (das Rechnen mit Zahlentabellen, das auch jedes neuronale Netz ständig ausführt) lässt sich auf verschiedene Weisen zerlegen. Je weniger Einzelmultiplikationen ein Rechenweg braucht, desto schneller kann er bei großen Matrizen sein. AlphaTensor behandelte die Suche nach solchen Rechenwegen als Spiel und fand per Reinforcement Learning (Lernen durch Versuch und Belohnung) neue Varianten.

Für 4×4-Matrizen in einem endlichen Körper — einem Zahlensystem, in dem nur mit Resten gerechnet wird — verbesserte AlphaTensor erstmals seit 50 Jahren Strassens zweistufigen Algorithmus; die gefundenen Algorithmen sind beweisbar korrektBelegt. Die Einschränkung „endlicher Körper“ ist wichtig: Der Rekord gilt für dieses spezielle Zahlensystem, nicht allgemein für das Rechnen mit gewöhnlichen Kommazahlen, wie es auf einer GPU läuft. Das Paper zeigt zusätzlich, dass sich Rechenwege gezielt auf bestimmte Hardware zuschneiden lassen.

Aufschlussreich ist, was danach geschah: Als direkte Antwort auf das Nature-Paper legten zwei Forscher noch im Oktober 2022 für 5×5-Matrizen im selben Zahlensystem einen Algorithmus mit 95 statt der von AlphaTensor gemeldeten 96 Multiplikationen vorBelegt. Die KI hat also nicht das letzte Wort gesprochen — sie hat ein Feld wieder in Bewegung gebracht.

Ähnlich bei AlphaDev, das die Suche nach kurzen Sortierroutinen ebenfalls als Spiel formulierte: Die gefundenen Routinen für kleine Sortieraufgaben übertrafen bisherige menschliche Bestwerte und wurden in die C++-Standardbibliothek von LLVM übernommenBelegt. Das ist eines der wenigen Beispiele, bei denen ein KI-Ergebnis unmittelbar in Software gelandet ist, die viele Menschen täglich nutzen — ohne es zu merken.

Was hier schneller wurde: die Suche nach Rechenwegen. Warum es so gut funktioniert: Ob ein Algorithmus korrekt und schneller ist, lässt sich beweisen oder messen. Die Prüfung ist billig.

Beispiel 4: Fusionsplasma — KI steuert ein echtes Experiment #

In einem Tokamak, einem ringförmigen Fusionsexperiment, wird extrem heißes Plasma von Magnetfeldern in Form gehalten. Die Spulen müssen dafür in hoher Frequenz nachgeregelt werden — bisher mit aufwendig von Hand entworfenen Reglern pro Plasmaform.

Am Tokamak TCV (Tokamak à Configuration Variable) steuerte ein per Reinforcement Learning trainierter Regler sämtliche Magnetspulen und erzeugte und hielt verschiedene Plasmaformen, darunter ungewöhnliche Konfigurationen und zwei getrennte Plasmen gleichzeitig im selben GefäßDemonstriert. Das geschah an der echten Anlage — deshalb demonstriert, nicht nur simuliert.

Der Gewinn liegt laut den Autoren vor allem darin, dass der Entwurfsaufwand für neue Plasmakonfigurationen deutlich sinktDemonstriert. Das ist eine Beschleunigung der Forschungsarbeit, keine der Fusionsenergie selbst: Ein besserer Regler macht aus einem Experiment noch kein Kraftwerk.

Was hier schneller wurde: der Entwurf von Steuerungen für neue Experimente. Was bleibt: die Physik, die das Experiment klären soll.

Das Muster: Wo KI hilft und wo nicht #

Legt man die vier Beispiele nebeneinander, zeigt sich eine gemeinsame Linie:

KI hilft, wo ein riesiger Suchraum systematisch durchkämmt werden muss, wo aus vorhandenen Daten eine Vorhersage abgeleitet werden kann oder wo eine aufwendige Steuerung automatisiert wird.

KI hilft wenig, wo es um das Experiment selbst, die Messung und die Validierung geht — also um genau die Schritte, die klären, ob ein Ergebnis stimmt.

Daraus folgt eine Faustregel, die sich aus den Beispielen ergibt, aber nicht systematisch untersucht ist: Je billiger ein Ergebnis nachprüfbar ist, desto unstrittiger ist der KI-Erfolg. Wo die Prüfung teuer ist, entsteht eine Lücke zwischen dem, was vorhergesagt, und dem, was bestätigt istEvidenz: Theorie — und in dieser Lücke entstehen die strittigen Schlagzeilen. Algorithmen liegen am einen Ende, neue Materialien am anderen.

Wer eine KI-Forschungsmeldung einordnen will, kann drei Fragen stellen:

1. Was genau wurde vorhergesagt oder gefunden? Eine Struktur, ein Kandidat, ein Algorithmus — oder eine fertige Anwendung?
2. Wie wurde geprüft? Blindtest, Beweis, Experiment — oder nur weitere Simulation?
3. Wer hat geprüft? Die Autoren selbst oder unabhängige Fachleute?

Und wenn das Labor selbst automatisch wird? #

Die naheliegende Antwort auf den Prüf-Engpass lautet: Dann automatisiert man eben auch das Experiment. Genau das versuchen Self-driving Labs — Roboterlabore, in denen eine Software Versuche plant, ausführt, auswertet und den nächsten Versuch selbst auswählt. Erste Systeme laufen, ihre Ergebnisse sind teils ebenfalls umstritten; einige Beispiele und die zugehörige Kritik stehen im Cornerstone Was kommt nach CPU und GPU?.

Ob daraus ein sich selbst verstärkender Kreislauf wird — KI schlägt vor, Roboter prüfen, die KI lernt aus den Ergebnissen —, ist offen.Evidenz: Spekulation Die bisherigen Belege zeigen einzelne leistungsfähige Werkzeuge, keinen Selbstläufer.

In Vorbereitung: Self-driving Labs · Der KI-Forschungs-Loop.

Reality Check (Stand: September 2026) #

Belegt: AlphaFold sagt Proteinstrukturen im Blindtest oft mit experimenteller Genauigkeit vorher; KI-gefundene Algorithmen sind beweisbar korrekt und teils produktiv im Einsatz. Demonstriert: KI-Regelung eines realen Fusionsplasmas. Simuliert und umstritten: Millionen „neuer“ Materialien, deren Neuheit und Nutzen Fachleute bezweifeln.

Zwei Dinge sollte man daraus nicht schließen. Erstens: Einzelerfolge sind kein Trend. Die bekanntesten Beispiele betreffen Probleme mit guten Daten und klarer Bewertung — also genau die Fälle, in denen KI am leichtesten glänzt. Daraus folgt nicht, dass es in anderen Feldern genauso läuft. Zweitens: „Schneller vorhergesagt“ ist nicht „schneller verstanden“. Selbst beim bestbelegten Beispiel, AlphaFold, bleibt das Experiment der Maßstab.

Und dieser Fortschritt hat einen Preis, der in Forschungsmeldungen selten auftaucht: Rechenleistung und Energie. Wie groß der Energiebedarf von KI insgesamt ist, ordnet der Guide Warum braucht KI so viel Energie? ein. Ob statt KI bald Quantencomputer die Forschung beschleunigen, klärt ein eigener Artikel, der auch dort Belegtes von Erwartetem trennt (In Vorbereitung: Was kann ein Quantencomputer wirklich?).

Was heißt das fürs eigene Homelab? #

Direkt: wenig. Die Werkzeuge aus diesem Artikel stammen von großen Forschungsteams, und ihre eigentliche Arbeit — Proteine kristallisieren, Materialien synthetisieren, Plasma zünden — findet nicht im Keller statt.

Indirekt lässt sich eine Lektion mitnehmen, die für jedes lokal betriebene Sprachmodell genauso gilt: Eine Vorhersage ist eine Hypothese. Wer mit Ollama ein Modell betreibt, erlebt das Muster im Kleinen. Wo sich die Antwort billig prüfen lässt — Code, der kompiliert und Tests besteht, ein Befehl mit überprüfbarer Ausgabe —, beschleunigt das Modell die Arbeit spürbar. Wo man die Antwort nicht leicht nachprüfen kann, spart man Zeit beim Schreiben und verliert sie beim Kontrollieren. Warum Sprachmodelle plausibel klingende, aber falsche Antworten erzeugen können, erklären die LLM-Grundlagen.

Wer tiefer einsteigen will, wie ein Modell überhaupt aus Daten lernt, kann das im Homelab selbst ausprobieren: Das LAB Reservoir Computing vs. neuronales Netz vergleicht zwei Lernverfahren auf gewöhnlicher Hardware — mit eigenen Messwerten statt Schlagzeilen.