MIT-Forscher Rakhlin: Universitäten müssen sich auf eine KI einstellen, die in den meisten intellektuellen Aufgaben klüger ist als wir

Warum sich die Forschung so schnell wandelt

Rakhlin, Distinguished Professor in Data, Systems, and Society, IDSS und Brain and Cognitive Sciences, hat einen neuen Essay mit dem Titel „AI and Academia“ verfasst. Darin bündelt er aktuelle Diskussionen und Lektüre dazu, wie KI die Wissenschaft verändert, insbesondere Mathematik, Statistik, maschinelles Lernen und Ingenieurwissenschaften. Das Interview konzentriert sich vor allem auf Forschung und Ausbildung auf Graduiertenebene.

Als Beispiel für das Tempo des Wandels nennt er die Mathematik. Laut Rakhlin erreichte ein Modell im vergangenen Jahr bei der Internationalen Mathematik-Olympiade Goldmedaillen-Niveau. Ein Jahr später liefern Modelle neue Forschungsergebnisse, darunter eine kürzlich vorgeschlagene Lösung für eines der Millennium-Probleme.

Ein zentraler Faktor dafür, wie schnell KI in einer Disziplin voranschreitet, sei die Geschwindigkeit und Verlässlichkeit der Überprüfung. Formalisierte Beweise lassen sich automatisch prüfen, Programme lassen sich ausführen und testen. Wo die Bewertung schnell und verlässlich ist, können Systeme Kandidaten erzeugen, aus Ergebnissen lernen und sich verbessern. Das gelte auch für die KI-Forschung selbst: Bessere Modelle können zur nächsten Entwicklungsrunde beitragen und so einen sich selbst verstärkenden Prozess in Gang setzen.

Für erfahrene Forscherinnen und Forscher sieht Rakhlin die Chance, Fragen anzugehen, die aus technischen Gründen bisher unerreichbar waren. Zugleich werde der Unterschied schärfer zwischen dem Erhalt einer Lösung und dem Verständnis, warum sie funktioniert, was sich verallgemeinern lässt und was als Nächstes zu fragen ist. Er warnt davor, anzunehmen, dass Abstraktion, Urteilsvermögen oder Problemformulierung für KI dauerhaft außer Reichweite bleiben.

Anerkennung und Doktorandenausbildung neu denken

Rakhlin argumentiert, dass eine ausgefeilte Veröffentlichung in immer mehr Fachgebieten ein schwächeres Signal für individuelle Expertise wird. Institute sollten jetzt damit beginnen, ihre Bewertungskriterien zu überdenken, sagt er, ohne wertvolle Arbeit einfach als das zu definieren, was KI noch nicht kann. Er regt an, dass gute Fragestellungen, Replikation, die Synthese von Ideen, aussagekräftige negative Ergebnisse und gemeinsam genutzte Datensätze mehr Anerkennung verdienen könnten.

Die Bewertung sollte aus seiner Sicht klären, was eine Forscherin oder ein Forscher beigetragen hat und wofür sie oder er die intellektuelle Verantwortung übernimmt, auch dann, wenn wesentliche Teile der Arbeit von KI erledigt wurden. Diese Erwartungen sollten Berufungen, Beförderungen und Förderentscheidungen leiten und für aktuelle wie künftige Doktorandinnen und Doktoranden klar benannt werden.

Das schwierigere Problem sei die Ausbildung, so Rakhlin. Routineberechnungen, Programmieren, gescheiterte Ansätze und kleine Entdeckungen haben Studierenden lange geholfen, Intuition und Urteilsvermögen aufzubauen. Wer diese Arbeit delegiert, kann prägende Erfahrungen verlieren, selbst wenn KI es Studierenden ermöglicht, ehrgeizigere Projekte anzugehen. Er fordert, überflüssige Reibung von Arbeit zu unterscheiden, durch die sich Expertise entwickelt.

• Studierende sollten lernen, Probleme zu formulieren.
• Sie sollten Modellausgaben prüfen und Ergebnisse reproduzieren.
• Sie sollten ihre Entscheidungen begründen können.

Grundlagenwissen könne wichtiger werden, weil es die Basis dafür bilde, diese Werkzeuge gut einzusetzen.

Gemeinsame KI-Infrastruktur über Labore hinweg aufbauen

Universitäten sollten in der Lage sein, Fragen über lange Zeiträume zu verfolgen, Ergebnisse offen zu teilen und Behauptungen unabhängig zu überprüfen, sagt Rakhlin. Partnerschaften mit der Industrie seien unverzichtbar, doch kommerzielle Prioritäten deckten möglicherweise nicht die ganze Breite der Wissenschaft ab oder blieben nicht dauerhaft mit ihr im Einklang. Ein gewisses Maß an technologischer Unabhängigkeit sei daher nötig.

Das über die Jahre angesammelte Laborwissen der Hochschulen bezeichnet er als ihr wichtigstes strategisches Gut. Veröffentlichte Aufsätze seien eine selektive Dokumentation, denn gescheiterte Experimente, aufgegebene Richtungen und die Gründe, warum ein Ansatz nicht funktionierte, bleiben oft unveröffentlicht. Dieser fehlende Kontext könne mit erklären, warum Modelle derzeit in manchen Bereichen, vor allem in den empirischen Wissenschaften, Folgen nicht vorhersehen, die für Fachleute klar sind. Rakhlin merkt an, dass diese Grenzen vorübergehend sein könnten und dass die Erfassung negativer Ergebnisse und der Deutungen von Forschenden Modelle für die wissenschaftliche Exploration deutlich besser machen könnte.

Seine Vision ist, dass die Labore des MIT stärker wie ein einziger lebendiger wissenschaftlicher Organismus funktionieren, verbunden durch eine gemeinsame KI-Forschungsinfrastruktur. In seinem Beispiel braucht ein neurowissenschaftliches Labor bessere Methoden, um Neuronen in mikroskopischen Bildern zu segmentieren. Ein KI-Agent könnte einen relevanten Fortschritt einer Computer-Vision-Gruppe erkennen, die Forschenden zusammenbringen, Benchmarks vorschlagen und beim Iterieren helfen. Er könnte außerdem offene Fragen an Studierende und Lehrende herantragen und Erkenntnisse zwischen Laboren weitergeben.

Dafür bräuchte es Arbeitsabläufe, die Hypothesen, Eingriffe, Ergebnisse, Fehlschläge und Deutungen erfassen, sowie gemeinsame Systeme, mit denen Agenten Werkzeuge und Informationen über Labore hinweg mit angemessenen Berechtigungen nutzen können. Rakhlin sagt, dies erfordere jetzt erhebliche öffentliche und institutionelle Investitionen in Rechenleistung, sichere Datensysteme und Fachwissen zur Anpassung und zum Post-Training von KI-Modellen.

Was das für die Universitäten bedeutet

Rakhlin sagt, die Nachverfolgung dieses Prozesses könne die Herkunft von Ideen bewahren und es leichter machen, Beiträge anzuerkennen, auch die von Doktorandinnen und Doktoranden. Mit vereinbarten Regeln für Einwilligung und Anerkennung könnten Forschende offener zusammenarbeiten, mit größerer Zuversicht, dass ihre Arbeit gewürdigt wird. Das könne helfen, die Frage zu beantworten, wie intellektuelle Beiträge anerkannt und belohnt werden.

Er nennt dies einen vielversprechenden Weg, betont aber, dass Universitäten jetzt investieren müssen, um ihn möglich zu machen. Das Interview erwähnt außerdem, dass das MIT in diesem Sommer einen Bericht zu KI und Bildung veröffentlicht hat, ein Zeichen für die Aufmerksamkeit, die das Thema erfährt.