Autonome KI‑Forscher: Wie Systeme bald eigene Experimente planen

Wer schon einmal etwas Neues ausprobiert hat, kennt das Gefühl. Man folgt einem Rezept, aber die Zutaten sind anders als erwartet. Das Ergebnis schmeckt nicht, also ändert man eine Kleinigkeit und versucht es erneut. Genau so läuft viel Forschung, nur mit deutlich höheren Einsätzen und oft mit viel mehr möglichen Stellschrauben.

In Laboren und Entwicklungsabteilungen sind es häufig nicht die großen Ideen, die Zeit kosten, sondern die vielen kleinen Entscheidungen dazwischen. Welche Variante teste ich als Nächstes. Welche Messung ist aussagekräftig. Welche Daten sind nur Rauschen. Und wann ist ein Ergebnis wirklich belastbar.

Autonome Systeme versprechen, diesen Alltag zu entlasten. Damit ist nicht gemeint, dass eine Maschine plötzlich „wie ein Mensch“ denkt. Gemeint ist ein praktischer Arbeitsmodus. Software schlägt Experimente vor, automatisierte Geräte führen sie aus, und das System passt die nächsten Schritte an. Menschen bleiben beteiligt, aber eher als Aufsicht, als Prüfer und als diejenigen, die den Rahmen setzen. In den nächsten Minuten wird klar, welche Bausteine dafür nötig sind, wo es heute schon funktioniert und warum Vertrauen in der Forschung immer auch mit Nachvollziehbarkeit zu tun hat.

Der Begriff klingt nach Science-Fiction, beschreibt aber eine recht konkrete Kombination aus Software und Hardware. Ein Baustein sind Large Language Models, oft kurz LLM. Das sind Sprachmodelle, die aus vielen Beispielen gelernt haben, wie Texte und Code typischerweise aufgebaut sind. Allein daraus wird noch keine Wissenschaft, aber es hilft beim Lesen von Fachtexten, beim Strukturieren von Ideen und beim Formulieren von Versuchsanleitungen.

Der zweite Baustein ist ein Agent. Damit ist ein Programm gemeint, das nicht nur antwortet, sondern Ziele verfolgt, Zwischenschritte plant und Werkzeuge nutzt. Werkzeuge können Datenbanken, Rechenprogramme oder Messgeräte sein. Der dritte Baustein ist die Automatisierung im Labor, etwa Robotik für Pipettieren, Probenhandling oder Messungen. Zusammengenommen entsteht ein Regelkreis. Das System plant, führt aus, bewertet und plant neu.

Autonomie in der Forschung bedeutet vor allem, dass der nächste sinnvolle Versuch nicht mehr jedes Mal von Hand gewählt werden muss.

Wie greifbar das ist, zeigen „Self‑driving Laboratories“. In einer Nature‑Studie von 2023, die damit älter als zwei Jahre ist, lief ein autonomes Labor für anorganische Materialien über 17 Tage und führte 353 Experimente aus. Das System erreichte 36 von 57 anvisierten Zielmaterialien, also rund 63 %. Solche Zahlen sind keine allgemeine Garantie, aber sie zeigen, dass der Kreislauf aus Planung und Ausführung in einer eng definierten Umgebung stabil funktionieren kann.

Damit sich das Prinzip einprägt, hilft eine einfache Aufteilung der Rollen.

Menschen planen Experimente oft mit Intuition, Erfahrung und Bauchgefühl. Autonome Systeme brauchen stattdessen klare Regeln, was „gut“ bedeutet, und eine Methode, wie sie aus Daten lernen. In vielen Projekten läuft das als Optimierung. Das System soll möglichst schnell herausfinden, welche Kombination aus Parametern das beste Ergebnis liefert, ohne alles ausprobieren zu müssen.

Ein typischer Ablauf beginnt damit, dass ein Ziel messbar definiert wird. Danach sammelt das System Vorwissen, etwa aus früheren Laborbüchern, Datenbanken oder aus Fachliteratur, die per Such- und Abrufsystem bereitgestellt wird. Anschließend schlägt der Agent eine kleine Menge Experimente vor, die besonders informativ sein sollen. Dieses Prinzip heißt oft „active learning“ oder „Bayesian optimization“. Es ist weniger kompliziert, als es klingt. Man kann es sich wie ein sehr diszipliniertes Raten vorstellen, das aus jedem Versuch nicht nur ein Ergebnis, sondern auch eine Einschätzung der eigenen Unsicherheit ableitet.

Wie weit das geht, hängt stark vom Gebiet ab. Bei reinen Rechenexperimenten ist die Hürde niedriger. Ein Beispiel ist „The AI Scientist“, ein 2024 vorgestelltes System, das Ideen vorschlägt, Code schreibt und Experimente in Machine Learning ausführt. Die Autoren berichten Kosten von unter 15 US‑Dollar pro erzeugtem Paper in ihren Demonstrationen. Das ist beeindruckend, sagt aber noch nichts über wissenschaftliche Reife aus. In den gleichen Unterlagen werden auch typische Fehler genannt, etwa falsche Implementierungen oder unfaire Vergleiche, die erst durch menschliche Kontrolle auffallen.

In physischer Forschung wird die Kette länger, aber auch wertvoller. In einer Studie aus 2024 wurde ein selbstfahrendes Labor für Proteinengineering gezeigt, das die Stabilität eines Proteins um mindestens 12 Grad Celsius steigern konnte, während es nur einen kleinen Teil des Suchraums testen musste. Und in 2025 wurde ein autonomes System in der Nanophotonik beschrieben, das mit rund 300 geschlossenen Experimentrunden Designregeln für optische Strukturen lernte und in einem Messwert bis zu 67 % erreichte. Solche Beispiele sind ein Hinweis darauf, wie ein „autonomer Forscher“ entsteht. Nicht, weil er alles kann, sondern weil er in einem klaren Rahmen schnell und sauber iterieren kann.

Die offensichtliche Chance ist Tempo. Wenn ein Labor Tag und Nacht Experimente fahren kann, wird aus einer langen Suchphase manchmal eine Woche. Dazu kommt ein stiller Vorteil. Maschinen protokollieren, wenn man es richtig aufsetzt, viel konsequenter als Menschen. Das kann Reproduzierbarkeit verbessern, also die Chance, dass andere das Ergebnis später bestätigen.

Gleichzeitig entstehen neue Risiken, die weniger spektakulär sind, aber entscheidend. Ein autonomer Regelkreis kann falsche Annahmen schneller verstärken. Wenn die Messung systematisch verzerrt ist, lernt das System genau diese Verzerrung. Deshalb betonen Übersichtsarbeiten zu Self‑driving Labs, dass Metadaten, Kalibrierung und Versionierung nicht „Papierkram“ sind, sondern Sicherheitsgurt.

Ein zweites Risiko liegt in der Sicherheit von Laboren selbst. Autonomie bedeutet, dass Geräte ohne dauernde Hand am Schalter laufen. In chemischen und biologischen Umgebungen kann das nur funktionieren, wenn Grenzwerte, Freigaben und Notabschaltungen fest eingebaut sind. Eine 2025 veröffentlichte Perspektive in Nature Reviews Chemistry diskutiert genau diese Frage und fordert Sicherheit schon beim Design. Das passt zu einer einfachen Regel. Je mehr ein System selbständig tun darf, desto kleiner muss der erlaubte Spielraum pro Schritt sein.

Drittens geht es um Verantwortung. Wer haftet, wenn ein System eine falsche Hypothese elegant begründet, aber am Ende ein irrelevantes oder nicht replizierbares Ergebnis produziert. Und wem gehören Entdeckungen, wenn ein großer Teil des Weges automatisiert war. Policy‑Analysen weisen darauf hin, dass Patent- und Autorschaftsfragen hier noch nicht überall sauber geklärt sind. Für die Forschungspraxis heißt das, dass Protokolle, menschliche Freigaben und klare Rollen nicht nur Formalität sind. Sie entscheiden darüber, ob Ergebnisse später akzeptiert werden.

Viele Erwartungen rund um autonome Systeme hängen an einem Missverständnis. Nicht ein einziges Superprogramm wird plötzlich alles können. Wahrscheinlicher ist ein Baukasten aus spezialisierten Komponenten, die besser zusammenspielen. Ein Agent liest Literatur und formuliert Hypothesen. Ein zweiter prüft, ob die Hypothese testbar ist. Ein dritter bewertet, welche Experimente in das vorhandene Budget und die Sicherheitsregeln passen. Das erinnert an Teamarbeit und genau so wird es in mehreren Projekten auch beschrieben.

Ein Beispiel aus 2025 ist ein „AI co‑scientist“, der als Multi‑Agent‑System vorgestellt wurde und Hypothesen für biomedizinische Fragestellungen vorschlägt. In einer zugehörigen Studie wird unter anderem ein Effekt von 91 % Reduktion bestimmter chromatinbezogener Veränderungen in einem Modell beschrieben. Solche Werte klingen stark, sie brauchen aber wie immer eine zweite und dritte Bestätigung. Gerade im Gesundheitsbereich ist Replikation keine Höflichkeit, sondern Pflicht.

Parallel werden die Werkzeuge für den Alltag wichtiger. Ein Grund, warum Automatisierung in manchen Laboren stockt, ist nicht die Robotik, sondern das Orchestrieren. Welche Version des Codes steuerte welches Gerät. Welche Probe gehört zu welchem Datensatz. 2025 wurde mit IvoryOS eine Web‑Oberfläche für Python‑basierte Self‑driving Labs publiziert, die genau diese Lücke adressiert. Solche Infrastruktur ist nicht glamourös, aber sie entscheidet, ob Autonomie zuverlässig skaliert.

Für dich als Leser heißt das vor allem, dass „autonom“ in absehbarer Zeit ein abgestuftes Wort bleibt. In klaren Optimierungsaufgaben wird es häufiger funktionieren. In offenen Forschungsfragen, die neue Messmethoden, neue Theorie oder kreative Umdeutungen brauchen, wird der Mensch länger der Taktgeber bleiben. Der wahrscheinlichste Wandel ist daher ein Rollenwechsel. Forscherinnen und Forscher verbringen weniger Zeit mit Routine und mehr Zeit mit guten Fragen, sauberen Kontrollen und der Interpretation dessen, was die Maschine herausgearbeitet hat. Das klingt abstrakt, ist aber sehr konkret, sobald Ergebnisse schneller kommen als man sie prüfen kann.

Autonome KI‑Forscher sind keine einzelnen Maschinen, die plötzlich wissenschaftliche Genies ersetzen. Es sind Systeme, die in einem eng definierten Rahmen den Kreislauf aus Planen, Ausführen und Lernen selbständig durchlaufen. Die besten Belege kommen heute aus Bereichen, in denen Ziele klar messbar sind und Labore stark automatisiert werden können. Beispiele aus Materialien, Proteinen und Photonik zeigen, dass das Prinzip funktioniert, manchmal über viele Tage und Hunderte Experimente hinweg.

Gleichzeitig bleibt die zentrale Währung der Forschung unverändert. Vertrauen entsteht durch Nachvollziehbarkeit, saubere Messungen und unabhängige Bestätigung. Genau hier müssen autonome Systeme besonders gut sein, weil sie schnell werden. Wer Autonomie ernst meint, muss daher Protokolle, Sicherheitsgrenzen, Datenpflege und menschliche Freigaben von Anfang an mitdenken. Dann kann aus „KI im Labor“ etwas werden, das nicht nur schneller ist, sondern auch zuverlässiger.