Der Co-Wissenschaftler von Google steigert die Forschung mit fortgeschrittener "Test-Time Scaling" -Technik

Am Mittwoch kündigte Google ein spannendes Update für sein Gemini 2.0 Großsprachmodell an, das es in einen KI-Mitwissenschaftler verwandelt, der in der Lage ist, neuartige wissenschaftliche Hypothesen in bemerkenswert kurzer Zeit im Vergleich zu traditionellen, von Menschen geführten Forschungsteams zu generieren. Dieses innovative Werkzeug ist darauf ausgelegt, Wissenschaftlern zu helfen und den Entdeckungsprozess zu beschleunigen, indem es neben Menschen als hilfreicher Kollaborator arbeitet.

Google preist den KI-Mitwissenschaftler als einen bedeutenden Fortschritt in der KI-gestützten Technologie und verspricht, die Durchführung wissenschaftlicher Forschung zu revolutionieren. Das System ist so konzipiert, dass es mit einem Menschen „in der Schleife“ verwendet wird, um sicherzustellen, dass die Operationen der KI, von Literaturübersichten bis zur Hypothesenbildung, durch menschliche Eingaben geleitet werden.

In einem mutigen Schritt veröffentlichten Googles Forscher eine technische Arbeit zusammen mit einer Gruppe vom Imperial College London, die beide dieselbe Hypothese untersuchen, wie Bakterien zu neuen Pathogenen evolvieren. Der KI-Mitwissenschaftler generierte seine Hypothese in nur zwei Tagen, ein krasser Gegensatz zu dem jahrzehntelangen Aufwand der menschlichen Forscher.

Hypothesenformulierungsmaschine

Google beschreibt den KI-Mitwissenschaftler als eine „Hypothesenformulierungsmaschine“, die mehrere spezialisierte Agenten nutzt. Sobald ein Wissenschaftler sein Forschungsziel in natürlicher Sprache eingibt, springt das System in Aktion und generiert Hypothesen, Forschungsübersichten und experimentelle Protokolle. Die beteiligten Agenten umfassen Generierung, Reflexion, Rangfolge, Evolution, Nähe und Meta-Review, die alle zusammenarbeiten, um die Grenzen wissenschaftlicher Forschung zu erweitern.

Das System geht über die bloße Überprüfung bestehender Literatur hinaus; es zielt darauf ab, originelles Wissen zu entdecken und neuartige Forschungshypothesen zu formulieren, die auf spezifische Ziele zugeschnitten sind.

Testzeit-Skalierung auf Steroiden

Die Anpassung von Gemini 2.0 zur Schaffung des KI-Mitwissenschaftlers stützt sich stark auf „Testzeit-Skalierung“, eine Technik, bei der KI-Agenten zunehmend mehr Rechenleistung nutzen, um ihre Ausgaben iterativ zu verfeinern. Dieser Ansatz wurde auch in anderen Reasoning-Modellen wie OpenAI's o1 und DeepSeek AI verwendet, aber Googles Anwendung hebt ihn auf ein neues Niveau.

In ihrer technischen Arbeit heben Google-Forscher, einschließlich Juraj Gottweis, hervor, wie ihre Arbeit auf den Fortschritten basiert, die von DeepSeek's R1-Modell eingeleitet wurden. Sie schlagen eine erhebliche Skalierung der Testzeit-Rechenleistung vor, indem sie induktive Verzerrungen verwenden, die aus der wissenschaftlichen Methode abgeleitet sind, und schaffen so ein Multi-Agenten-Framework für wissenschaftliches Denken und Hypothesengenerierung.

Der KI-Mitwissenschaftler greift auf externe Ressourcen zu und interagiert mit Werkzeugen wie Web-Suchmaschinen und spezialisierten KI-Modellen über APIs. Ein Hauptmerkmal dieses Systems ist das „Turnier“-Konzept, bei dem Hypothesen verglichen und mit Elo-Scores bewertet werden, ähnlich wie in Schach und Sport. Der Rangfolge-Agent orchestriert diese Turniere und erleichtert simulierte wissenschaftliche Debatten, um Hypothesen zu bewerten und zu priorisieren.

Übertrifft Modelle und nicht unterstützte menschliche Experten

Laut einer Überprüfung durch fünfzehn menschliche Experten verbessert sich die Leistung des KI-Mitwissenschaftlers, je mehr Zeit er in die Formulierung und Bewertung von Hypothesen investiert. Je mehr Rechenaufwand das System betreibt, desto mehr übertrifft die Qualität seiner Ergebnisse die von unangepassten Modellen wie Gemini 2.0 und OpenAI's o1 sowie nicht unterstützten menschlichen Experten.

Diese Experten stellten fest, dass die Ausgaben des KI-Mitwissenschaftlers ein höheres Potenzial für Neuheit und Wirkung zeigten und oft anderen Modellen vorgezogen wurden. Obwohl die genauen Rechenressourcen, die vom KI-Mitwissenschaftler verwendet werden, nicht offengelegt wurden, deutet Google an, dass die sinkenden Kosten für Rechenleistung, wie von Modellen wie DeepSeek R1 demonstriert, solche KI-Systeme bald für Forschungslabore weithin zugänglich machen könnten.