Google DeepMind stellt Co-Scientist vor – eine KI zur Generierung wissenschaftlicher Hypothesen basierend auf Self-Play
Ein Multi-Agenten-System, das auf Gemini basiert, hat autonom mehrere biomedizinische Hypothesen vorgeschlagen und validiert: Es fand einen IRE1-Inhibitor zur Behandlung von Leukämie und entdeckte in nur zwei Tagen Rechenzeit einen Mechanismus der bakteriellen Resistenzgenübertragung wieder.
Der Artikel in Nature vom 19. Mai 2026 ist nicht nur eine Demonstration der Fähigkeiten von Gemini. Er ist ein Schlüsselelement einer breiteren architektonischen Auseinandersetzung um die Kontrolle darüber, wie wissenschaftliches Wissen generiert wird. Während die Öffentlichkeit über neue Medikamentenkandidaten für Leukämie staunt, vollzieht sich in den Laboren eine tektonische Verschiebung: Multi-Agenten-Systeme, die auf Sprachmodellen basieren, wechseln von passiven Informationsabrufern zu Schiedsrichtern der wissenschaftlichen Wahrheit. Googles DeepMind Co-Scientist ist kein Werkzeug für Wissenschaftler; es ist der Versuch, ein neues Betriebssystem für den gesamten Forschungsprozess zu schaffen, das nicht nur Hypothesen generieren, sondern sie auch bewerten, kritisieren und evolutionär verbessern kann.
Der Kern: Vom Textgenerator zum Simulator der wissenschaftlichen Methode
Das System ist eine Koalition von sieben spezialisierten KI-Agenten, die in drei Phasen unterteilt sind: Generierung, Debatte und Evolution. Die Architektur unterscheidet sich grundlegend von herkömmlichen Chatbots. Agenten geben nicht einfach auf Anfrage Text aus – sie führen eine asynchrone Interaktion durch, bei der ein „Generator“ Ideen vorschlägt, ein „Reflektor“ als virtueller Gutachter fungiert und ein „Ranker“ Ideenturniere nach einem von AlphaGo entlehnten Prinzip durchführt. Anstatt Go zu spielen, führt das System wissenschaftliche Debatten und optimiert Wetten nicht auf den Gewinn des Bretts, sondern auf die Neuheit und Überprüfbarkeit der Hypothese.
Die entscheidende Neuerung ist die Skalierung der Testzeit-Berechnung. Das System verwendet den Großteil der Ressourcen nicht für die Generierung, sondern für die Hypothesenverifikation, indem es jede Behauptung mit wissenschaftlicher Literatur und Datenbanken wie ChEMBL und UniProt abgleicht und in einigen Fällen sogar AlphaFold zur strukturellen Validierung aufruft. Co-Scientist „erfindet“ nicht nur – es verifiziert, und das ist sein grundlegender Unterschied zu halluzinierenden Vorgängern.
Zeitplan und Kontext: Das Rennen der wissenschaftlichen Agenten
Die Ankündigung von Co-Scientist fiel mit der Veröffentlichung eines konkurrierenden Systems, Robin, von FutureHouse zusammen. Nature hat die Veröffentlichung beider Arbeiten bewusst synchronisiert, um dem Markt die Bildung einer neuen Produktklasse zu signalisieren. Dahinter steckt monatelange Vorbereitung: Erste Tests von Co-Scientist wurden im geschlossenen Modus mit dem Imperial College London durchgeführt, wo das System unter der Leitung von Professor José Penadés einen Mechanismus des horizontalen Gentransfers bei Bakterien wiederentdeckte, den Penadés‘ Team experimentell entdeckt, aber noch nicht veröffentlicht hatte. Der Legende nach fragte der Wissenschaftler, als er das Ergebnis von Co-Scientist sah, ob die KI in seine Entwürfe geschaut habe – so genau reproduzierte das System in nur zwei Tagen Rechenzeit die Logik der menschlichen Entdeckung.
Wer gewinnt und wer verliert
Der Hauptgewinner ist Google Cloud. Die Einführung von Co-Scientist für die breite Masse über die Google Labs-Plattform ist eine klassische Markteroberungsstrategie durch Infrastrukturabhängigkeit. Forscher, die sich daran gewöhnen, „Hypothesenturniere“ auf Googles TPUs durchzuführen, werden wahrscheinlich nicht zu einer anderen Cloud wechseln.
Auch große Pharmaunternehmen mit bestehenden Verträgen mit DeepMind gewinnen. Wie die Übernahme des Startups Reliant AI durch Cohere zur Vertikalisierung von KI in der Pharmaindustrie zeigt, ist die Branche bereit, hohe Summen für Systeme zu zahlen, die Forschung und Entwicklung beschleunigen.
Postdocs und Nachwuchswissenschaftler, deren Arbeit zu 70% aus Literaturrecherche und Hypothesengenerierung bestand, verlieren. Ihre Funktion wird nun zu Grenzkosten von null automatisiert. Auch Unternehmen wie OpenAI verlieren, da sie noch keine ähnliche Multi-Agenten-Architektur für die Wissenschaft vorgestellt haben und sich auf allgemeines Denken mit o1 beschränken.
Was die Medien nicht sagen
Der erste blinde Fleck ist das Reproduzierbarkeitsproblem KI-generierter Hypothesen. Wenn Co-Scientist einen anderen Agenten, der auf demselben Gemini-Modell basiert, als „Gutachter“ verwendet, wird die Kritik zu einem geschlossenen Kreislauf: Ein Modell überprüft ein Modell nach Regeln, die von einem Modell geschrieben wurden.
Der zweite nicht offensichtliche Punkt ist das strategische Schweigen über die „Wiederentdeckung“ des Resistenzmechanismus. Ein System, das auf einem Korpus wissenschaftlicher Literatur trainiert wurde, nimmt zwangsläufig statistische Muster auf, selbst wenn ein bestimmter Artikel unter Embargo stand. Der Erfolg des Systems könnte nicht auf Kreativität zurückzuführen sein, sondern auf die Fähigkeit von Gemini, schwache Signale aus verwandten Publikationen aufzunehmen.
Prognose: Die nächsten 30 Tage und 90 Tage
In den nächsten 30 Tagen erwarte ich eine Welle von Registrierungen auf labs.google/science und die ersten unabhängigen Versuche, die berichteten Ergebnisse zu replizieren. Innerhalb von 90 Tagen wird sich die wissenschaftliche Gemeinschaft in diejenigen spalten, die Co-Scientist als Koautor akzeptieren (und von KI geschriebene Förderanträge einreichen) und diejenigen, die ein vollständiges Verbot der Verwendung solcher Systeme im Peer-Review fordern, aufgrund des Risikos einer Kontamination des intellektuellen Umfelds mit synthetischen Hypothesen. Der Markt für wissenschaftliche KI-Agenten wird bis zum Jahresende 2 Milliarden Dollar erreichen – und Google beabsichtigt, einen bedeutenden Anteil zu erobern.
— Editorial Team
