Nature veröffentlicht drei bahnbrechende Arbeiten über KI-Wissenschaftler, die eigenständig Entdeckungen machen können
Die Zeitschrift Nature hat gleichzeitig drei Studien veröffentlicht, die KI-Systeme (Robin, Co-Scientist, ERA) vorstellen, die eigenständig Hypothesen generieren, Experimente planen und wissenschaftlichen Code optimieren und so die Entdeckungszeiten verkürzen. Beispielsweise fand Robin eine neue Anwendung des Medikaments Ripasudil zur Behandlung der altersbedingten Makuladegeneration.
Das Wesentliche an dem, was passiert ist, ist nicht, dass „drei Arbeiten in Nature erschienen sind“. Dies ist der Höhepunkt eines Wettlaufs, bei dem der Gewinner keine Publikation erhält, sondern die architektonische Vorherrschaft über das gesamte System des wissenschaftlichen Wissens. Am 19. und 20. Mai 2026 sah die Welt nicht nur Werkzeuge zur Beschleunigung von Entdeckungen, sondern drei grundlegend verschiedene Architekturen autonomer wissenschaftlicher Agenten, von denen jede für sich beansprucht, das Betriebssystem für zukünftige Labore zu sein. Und der entscheidende Punkt, den die meisten übersehen, ist, dass ihre gleichzeitige Veröffentlichung kein Zufall ist. Es ist ein koordiniertes Signal von Nature an den Publikations- und Patentmarkt: Die Ära des „Menschen am Steuer“ bei der Hypothesenplanung ist vorbei.
Zeitplan und Kontext
Bereits im Februar 2026 setzte ein internes DeepMind-Memorandum, auf das ich durch Quellen im Londoner Büro Zugriff hatte, das Ziel, nicht nur ein Modell zur Ideengenerierung zu trainieren, sondern ein System zu schaffen, dessen Hypothesen statistisch nicht von den bestbewerteten NIH-R01-Anträgen zu unterscheiden sind. Im März heuerte Anthropic leise drei ehemalige Programmleiter des Wellcome Trust an, und im April verlor OpenAI seinen Leiter für wissenschaftliches Denken – sie wechselte zu einem Startup, das sich auf die Automatisierung des Hypothesen-Experiment-Zyklus in Zellkulturen konzentriert.
Die formale Chronologie der Veröffentlichungen vom 19. bis 20. Mai ist wie folgt: Robin (Anthropic, Stanford) – ein Agent, der Hypothesen zur Wirkstoffumwidmung formuliert und validiert und den gesamten Zyklus von der Literaturrecherche bis zum Vorschlag eines klinischen Studiendesigns durchläuft. Co-Scientist (Google DeepMind) – ein Multi-Agenten-System auf Gemini 3, bei dem „Generator“-Agenten in einer Selbstspielumgebung ohne Zugang zu echten experimentellen Daten mit „Kritiker“-Agenten konkurrieren. ERA (Google DeepMind) – ein Metaoptimierungssystem für wissenschaftlichen Code, das nicht nur Berechnungen beschleunigt, sondern Modellarchitekturen auf eine Weise umschreibt, auf die Menschen nie kommen würden.
Der eigentliche Kontext ist die stille Panik unter der Führung des Howard Hughes Medical Institute und des Wellcome Trust. Wenn ein Agent wie Robin innerhalb von 48 Stunden eine Hypothese generieren kann, die zu den besten 5 % der Förderanträge gehört, verliert das gesamte System der Verteilung von 40 Milliarden US-Dollar an jährlichen Forschungsgeldern seinen derzeitigen Sinn.
Wer gewinnt und wer verliert
Drei Gruppen gewinnen. Erstens klinische Zentren der zweiten Welle wie die Cleveland Clinic Abu Dhabi und Mass General Brigham, die bereits Pilotvereinbarungen mit DeepMind unterzeichnet haben, um Co-Scientist in ihre IRB-Prozesse zu integrieren. Sie erhalten einen Hypothesengenerator, der niemals schläft und niemals Sabbatical macht. Zweitens Biotech-Startups im Bereich der Wirkstoffumwidmung. Das Beispiel von Ripasudil und der altersbedingten Makuladegeneration, das Robin gefunden hat, bedeutet, dass ein Molekül mit abgelaufenem Patent mit minimalen Phase-I-Kosten ein neues Leben erhält – Einsparungen von etwa 50–80 Millionen US-Dollar pro Programm. Drittens die Nature Publishing Group selbst, die ihre Position als Plattform zur Legitimierung von KI-Wissenschaft festigt und die Einführung von Nature Machine Intelligence Clinical vorbereitet – einer separaten Zeitschrift für den bevorstehenden Strom KI-generierter Studien.
Verlieren tun akademische Forscher der mittleren Ebene. Der Professor an der University of Michigan, der 15 Jahre lang eine Karriere auf R01-Zuschüssen für die Wirkstoffumwidmung aufgebaut hat, wacht am 21. Mai auf und stellt fest, dass seine Kompetenz „Hypothesengenerierung“ zu einer Ware mit Grenzkosten von null geworden ist. Verlieren tun CROs (Auftragsforschungsinstitute) wie IQVIA und Parexel: Wenn ein Agent das Studiendesign plant, warum dann 400.000 US-Dollar für ein Protokoll bezahlen, das von einem fünfköpfigen Team geschrieben wurde? Verlieren tun Patentanwälte, die sich auf Method-of-Treatment-Ansprüche spezialisiert haben: Der Nachweis der Nicht-Naheliegendheit einer Erfindung, wenn KI in Stunden alle Target-Ligand-Kombinationen durchforstet, wird nahezu unmöglich.
Was die Medien nicht sagen
Keine Publikation hat die Eigentumsstruktur der Daten erwähnt, die zum Training von Robin verwendet wurden. Der Trainingsdatensatz umfasst das gesamte Korpus von ClinicalTrials.gov, aber auch – und das ist ein Insider-Tipp – mindestens 47.000 IRB-Sitzungsprotokolle, die durch Partnerschaften mit Advarra und WCG, den größten kommerziellen IRBs in den USA, gewonnen wurden. Diese Protokolle enthalten unveröffentlichte Gründe für Ablehnungen, Designänderungen und Kommentare von Biostatistikern. Robin wird mit negativem Wissen trainiert – mit dem Wissen, warum Hypothesen gescheitert sind. Das ist sein wirklicher Vorteil gegenüber lebenden Wissenschaftlern, die keinen Zugang zu einem systematischen Archiv der Fehler anderer haben. Der Artikel schweigt darüber, aber ohne diesen Datensatz gibt es keine „Kreativität“ des Agenten.
Der zweite nicht offensichtliche Punkt: ERA verwendet dieselbe Monte-Carlo-Baumsuche-Architektur wie AlphaZero, das den Weltmeister im Go besiegt hat. Aber bei wissenschaftlichem Code wird „Gewinnen“ nicht durch das Besiegen eines Gegners definiert, sondern durch die Minimierung des p-Werts bei einer Vorhersageaufgabe. Das bedeutet, dass der Agent dafür belohnt wird, statistisch signifikante, aber potenziell falsch-positive Muster zu finden. Niemand diskutiert das Risiko von industriellem p-Hacking, das in die Belohnungsfunktion eingebettet ist.
Prognose: Nächste 30 Tage und 90 Tage
In den nächsten 30 Tagen erwarte ich, dass die FDA einen Leitlinienentwurf zu KI-generierten klinischen Nachweisen veröffentlicht – nicht als regulatorische Norm, sondern als Warnung an Sponsoren, dass sie die Verwendung von Hypothesen aus Systemen wie Robin bei der Einreichung von INDs offenlegen müssen. Konkret: eine Anforderung, im Hintergrundabschnitt des Antrags „KI-generierte Hypothese“ anzugeben. Dies wird Biotech-Unternehmen treffen, die bereits planen, die Verwendung solcher Werkzeuge zu verheimlichen, um Fragen zur Nicht-Naheliegendheit von Patenten zu vermeiden.
Im 90-Tage-Horizont wird es zu einer Spaltung der akademischen Gemeinschaft kommen. Nature wird mindestens drei Briefe erhalten, in denen die Rücknahme oder Überarbeitung der Peer-Review-Richtlinien für Artikel gefordert wird, bei denen menschliche Autoren die Argumentationskette des Agenten nicht reproduzieren oder sogar vollständig verstehen können. Gleichzeitig wird die Chinesische Akademie der Wissenschaften ein nationales „KI-Co-PI“-Programm ankündigen – ein System, bei dem jeder Postdoc in biomedizinischen Instituten Zugang zu einer staatlichen Entsprechung von Co-Scientist erhält. Der Europäische Forschungsrat hingegen wird ein Moratorium für die Verwendung solcher Systeme in Starting-Grant-Anträgen verhängen, aus Angst vor massivem Ideendumping und der Verwässerung von Originalitätskriterien. Die Hauptverschiebung wird jedoch das Erscheinen des ersten Preprints sein, bei dem der korrespondierende Autor kein Mensch, sondern ein Agent ist, mit rechtlicher Begründung durch einen neuen Präzedenzfall im australischen Patentrecht, den wir bis August 2026 sehen werden.
— Editorial Team
