Künstliche Intelligenz in der Forschung

Die Forschung an Künstlicher Intelligenz erfuhr in den letzten Jahren eine hohe Dynamik. Die Technologie entwickelt sich auch weiterhin rasant und bietet enormes Potenzial, die Analyse großer Datenmengen zu beschleunigen bzw. den Anwendungsbereich zu vergrößern. Dafür sind jedoch enorme Ressourcen in der Rechenleistung, in der Datenqualität und -quantität, aber auch für die Sicherheit der KI-Systeme nötig.

Die Fähigkeit Künstlicher Intelligenz, große Datenmengen schnell zu analysieren, darin Muster zu erkennen sowie Parallelen und Abweichungen festzustellen, eröffnet in nahezu allen Forschungsgebieten neue Wege des Erkenntnisgewinns bzw. eine Beschleunigung der Forschung. Doch auch hier gilt: Mögliche Fehlinterpretationen oder Verzerrungen müssen durch den Menschen beachtet und kontrolliert werden.

In der Medizin ergeben sich durch den Einsatz von KI zahlreiche Möglichkeiten in der Analyse von medizinischen Bildern, der Krankheitsdiagnose, im Verständnis der Krankheitsentstehung, aber auch der Medikamentenentwicklung oder der Entwicklung personalisierter Medizin.

Ein breites Anwendungsfeld bietet sich durch die KI-gestützte Bildanalyse, beispielsweise in der Segmentierung. Bei der Segmentierung werden bestimmte Strukturen oder Regionen in medizinischen Bildern (wie CT, MRT, Röntgen oder Ultraschall) automatisch erkannt und abgegrenzt. Ziel ist es, relevante anatomische Bereiche oder pathologische Befunde (z. B. Organe, Tumore, Blutgefäße) aus dem Bild zu isolieren. In der klinischen Praxis kann KI bei dieser Analyse unterstützen. Neuronale Netze lernen dabei, Muster in Bilddaten zu erkennen – so wie ein geschultes menschliches Auge z. B. auf einem Röntgenbild eine Lungenentzündung erkennen kann. 

Auch wenn die Technologie immer besser wird – bei der Anwendung der KI in der Medizin ist menschliche Kontrolle weiterhin entscheidend. Die Ergebnisse der KI müssen von Menschen geprüft und kritisch hinterfragt werden. Erste Ansätze, um das Vertrauen in die KI zu stärken, gibt es über die sogenannte erklärbare KI, also KI, die in der Interaktion mit dem Menschen aufzeigen kann, wie sie zu bestimmten Einschätzungen gekommen ist (siehe dazu auch Kapitel „Technologische Entwicklungen in Künstlicher Intelligenz“). Besonders in der medizinischen Anwendung hat erklärbare KI großes Potenzial, um Diagnosen oder die Auswertung von medizinischen Bildern zu verbessern.

Die Fähigkeit der KI, große Datenmengen zusammenzuführen und zu analysieren, bietet auch großes Potenzial für die personalisierte Medizin. Bei diesem Ansatz sollen maßgeschneiderte Therapien für einzelne Patientinnen und Patienten entwickelt werden. Dafür werden individuelle Faktoren einbezogen, bspw. genetische, molekulare und klinische Daten, Umwelteinflüsse und der jeweilige Lebensstil. KI kann dabei unterstützen, diese Vielzahl an Daten und Einflussfaktoren auszuwerten und miteinander in Beziehung zu setzen. Durch die Auswertung großer Datenmengen, beispielsweise von Multi-Omics-Daten (also kombinierte biologische Daten aus verschiedenen Ebenen wie DNA, RNA und Proteinen) und klinischen Daten können auch Biomarker – etwa für Alzheimer oder seltene genetische Erkrankungen – gefunden werden. Zudem erhoffen sich Wissenschaftlerinnen und Wissenschaftler neue Ansätze für die Medikamentenentwicklung.

In den Lebenswissenschaften haben neue KI-Tools wie AlphaFold die Forschung an Proteinen enorm vorangebracht. Proteine sind große, komplexe Moleküle, die in allen lebenden Organismen vorkommen. Sie übernehmen eine Vielzahl lebenswichtiger Aufgaben im Körper – als Baustoff für Zellen und Gewebe, für den Transport, die Regulierung des Stoffwechsels, aber auch als Enzyme oder in der Bekämpfung von Krankheiten. Proteine bestehen aus langen Ketten von Aminosäuren, die durch sogenannte Peptidbindungen miteinander verknüpft sind. Die Reihenfolge dieser Aminosäuren (die Primärstruktur) bestimmt, wie sich das Protein faltet und welche Funktion es hat. Die Möglichkeit, diese dreidimensionale Struktur der Proteine zu verstehen und vorherzusagen, bietet völlig neue Erkenntnisse zu den Prozessen des Lebens und der Entstehung von Krankheiten.

KI bietet für die Biologie als datengetriebene Wissenschaft zahlreiche Chancen, gleichzeitig stellen die Aufgaben der lebenswissenschaftlichen Forschung die KI auch vor besondere Herausforderungen. Biologische Fragestellungen erfordern oft die Arbeit mit relativ kleinen Datensätzen und setzen hohe Maßstäbe an Nachvollziehbarkeit, Interpretierbarkeit und Effizienz. Die Auseinandersetzung mit diesen Herausforderungen kommt daher nicht nur der Biologie zugute, sondern treibt auch die Weiterentwicklung der KI selbst voran – mit dem Ziel, insgesamt robustere und vertrauenswürdigere Systeme zu schaffen.

Auch in der Astrophysik hat KI durch die Analyse großer Datenmengen zu neuen Ansätzen und Erkenntnissen geführt. KI unterstützt zum Beispiel bei der Erforschung des Universums. In den letzten zehn Jahren gab es eine Revolution in der Gravitationswellenastronomie: Hunderte von Signalen wurden entdeckt, die von der Verschmelzung von Doppelsternsystemen im Universum stammen, also beispielsweise durch die Verschmelzung zweier Sterne oder Schwarzer Löcher.

Da die Entdeckungsrate in Zukunft mit neuen Einrichtungen am Boden (wie dem geplante Einstein-Teleskop in der Lausitz) und im Weltraum (wie die ESA-Mission LISA) voraussichtlich stark ansteigen wird, wird der Bedarf an effizienten Analysemethoden und präzisen Modellen immer dringender. Deep-Learning-Methoden können dabei helfen, die Analyse von Gravitationswellendaten zu beschleunigen.

Nicht nur in der Erforschung des Weltalls, auch in der Erdbeobachtung werden durch KI Fortschritte erzielt. Nur wenige Jahre nach dem Aufkommen der ersten einfachen KI-Modelle betreiben Wetterdienste weltweit inzwischen KI-gestützte Modelle parallel zu konventionellen, physikalisch-numerischen Wettervorhersagemodellen. Diese neuen Modelle reduzieren die Rechenzeiten drastisch und übertreffen herkömmliche Ansätze in mehreren wichtigen Evaluierungsmetriken. Es bleibt jedoch die Frage offen, wie sich diese mit historischen Wetterdaten trainierten Modelle unter zukünftigen Klimabedingungen verhalten werden. Hier könnte KI ein besseres Verständnis physikalischer Prozesse ermöglichen: Wenn Modelle die umfangreichen Erdbeobachtungsdaten analysieren, könnten sie darin charakteristische Merkmale, die das Klima beeinflussen, identifizieren. So könnten sie potenziell neue Einblicke ermöglichen, welche physikalischen Vorgänge Wetter und Klima beeinflussen.

In den Naturwissenschaften bietet auch die Kombination von Quantenmechanik und Künstlicher Intelligenz ganz neue Forschungsansätze. Durch quantenmechanische Modelle wollen Forschende die Gesetze der Quantenwelt auf reale chemische und physikalische Systeme anwenden. Durch diese Modelle können beispielsweise Molekülstrukturen vorhergesagt, chemische Reaktionen verstanden, aber auch neue Materialien entworfen oder Wirkstoffe in der Medizin erforscht werden. Auch hier basierten die dafür notwendigen Rechnungen auf der angenäherten numerischen Lösung der betreffenden physikalischen Differentialgleichungen (hier der Schrödingergleichung), was extrem aufwändig und nur für Systeme mit wenigen Teilchen durchführbar ist. Und auch hier umgeht der neue auf Maschinellem Lernen basierende Ansatz die grundlegenden physikalischen Formeln und extrahiert die Lösung aus Daten über bereits gelöste oder gemessene Systeme. Das führt zu extremen Rechenbeschleunigungen.

Die Anwendung von KI beschränkt sich nicht auf Naturwissenschaften. Auch in den Geisteswissenschaften bietet KI neue Ansätze zur Forschung. So wird sie für die automatisierte Erkennung von Bildern und Motiven in der digitalen Kunstgeschichte ebenso eingesetzt wie zur Transkription von Handschriften – beispielsweise in den Briefwechseln historischer Persönlichkeiten – oder der Klassifikation von literarischen Textphänomenen. Wie in anderen Bereichen ist die Entwicklung auch hier sehr dynamisch. KI-Methoden und Tools werden jedoch nicht nur angewendet. Ihr wissenschaftlicher Einsatz und die gesellschaftlichen Folgen ihrer Verbreitung sind Gegenstand kontinuierlicher Reflexion. Konkret geht es um die Grenzen der KI und beispielsweise um die Frage, ob die großen Sprachmodelle als „stochastische Papageien“ in der Lage sein können, ein Musikstück zu interpretieren oder den Sinn eines Gedichtes zu verstehen.

In der Archäologie kann KI die Analyse historischer Funde erleichtern. Wissenschaftlerinnen und Wissenschaftler erstellen beispielsweise 3D-Scans von Keilschriften und nutzen KI bei der Analyse dieser 3D-Modelle. Die KI hilft die – oft schwer unterscheidbaren – Keile zu entziffern oder auch Beschädigungen zu erkennen und digital zu ersetzen. 3D-Modelle von Scherben lassen sich durch KI-Tools schneller und präziser zuordnen und digital zusammensetzen.

Durch die rasante Entwicklung von Künstlicher Intelligenz lassen sich auch Rückschlüsse auf die menschliche Intelligenz ziehen. Die Fortschritte in der Entwicklung der Large Language Models lassen interessante Vergleiche mit neurowissenschaftlichen Erkenntnissen zu Sprachentwicklung und Assoziationsmustern des menschlichen Gehirns zu. Die Fortschritte in der Künstlichen Intelligenz stellen insbesondere die Annahme in Frage, dass die Architektur des menschlichen Gehirns die einzige Lösung für den Bau von Systemen mit allgemeiner, d. h. nicht auf spezifische Themenbereiche fokussierter Intelligenz darstellt. Jedoch haben KI-Systeme die Energie- und Dateneffizienz des menschlichen Denkens bisher bei weitem nicht erreicht.

Veröffentlicht: September 2025