Pritzker-Preis für KI in der Wissenschaft 2026 geht an Persson, Collins und Barzilay

Was der Preis würdigt

Der Preis wurde auf der dritten Konferenz zu AI+Science der University of Chicago und des Caltech verliehen. Nach Angaben der Universität würdigt er herausragende akademische Beiträge, die künstliche Intelligenz und Naturwissenschaften oder Ingenieurwesen gemeinsam voranbringen. Er wurde 2024 gestiftet und steht akademischen Forschenden und Forschungsteams offen. Jede Auszeichnung ist mit 50.000 Dollar dotiert.

Eric Horvitz, Chief Scientific Officer bei Microsoft und Mitglied des Auswahlkomitees, sagte: „Der Preis würdigt außergewöhnliche Arbeiten, die KI nutzen, um Entdeckungen in Wissenschaft und Technik voranzubringen.“ Die Vorsitzende des Preiskomitees, Rebecca Willett, Worah Family Professor of Statistics and Computer Science in der Wallman Society of Fellows, sagte, „KI und Wissenschaft prägen sich gegenseitig neu“.

Kristin Persson und das Materials Project

Persson, die am Department of Materials Science and Engineering der University of California, Berkeley, arbeitet, wurde für ihre Pionierarbeit im datengetriebenen Materialdesign ausgezeichnet. Ihre Methoden verbinden computergestützte Verfahren auf Basis erster Prinzipien mit maschinellem Lernen. Die Universität würdigte zudem ihre Rolle als Gründerin und Leiterin des Materials Project, das sie als transformative globale Open-Science-Ressource beschreibt.

Laut der Mitteilung kommt Persson auf mehr als 350 begutachtete Veröffentlichungen und über 82.000 Zitate. Das Materials Project gründete sie 2011 als frei zugängliche Plattform für berechnete Materialdaten, Analysen und maschinelles Lernen. Nach Angaben der Universität ist es heute die weltweit meistgenutzte Materialdatenquelle mit mehr als 800.000 registrierten Nutzern. Täglich liefert es weltweit Terabytes an Daten, und jede Woche kommen rund 3.000 neue Forschende hinzu.

Die Rolle der KI in ihrer Arbeit beschreibt Persson so: „KI macht nicht einfach eine bestehende Berechnung schneller. Sie erlaubt uns, wissenschaftliche Fragen zu stellen, die rechnerisch bislang unzugänglich waren.“

Erste Teamauszeichnung für Antibiotika-Forschung

Regina Barzilay vom Department of Electrical Engineering and Computer Science des MIT und James J. Collins vom Department of Biomedical Engineering des MIT wurden gemeinsam für ihre Zusammenarbeit ausgezeichnet, in der sie Deep Learning für die Entdeckung von Antibiotika und das Wirkstoffdesign einsetzen. Die Universität nannte dies eine der folgenreichsten Demonstrationen des Potenzials von KI, eine globale Gesundheitskrise anzugehen.

Die beiden haben mit Deep Learning strukturell neuartige Antibiotika-Verbindungen entdeckt und entworfen, die gegen einige der gefährlichsten arzneimittelresistenten Erreger der Welt wirksam sind. Ihr Antibiotics-AI Project am MIT, das gemeinsam mit der gemeinnützigen Organisation Phare Bio betrieben wird, soll sieben neue Antibiotikaklassen gegen sieben der tödlichsten bakteriellen Krankheitserreger der Welt hervorbringen. Die Mitteilung weist darauf hin, dass antimikrobielle Resistenzen bis 2050 voraussichtlich jährlich 10 Millionen Todesfälle verursachen werden.

Collins sagte, KI habe es Forschenden ermöglicht, „völlig neue Substanzklassen zu suchen, ihre Wirkweise viel schneller zu verstehen und sogar neue Antibiotika von Grund auf zu entwerfen“.

Was das bedeutet

Die beiden Auszeichnungen zeigen unterschiedliche Stärken von KI in der Forschung: gemeinsam genutzte Infrastruktur für eine große Community von Materialforschenden auf der einen Seite, gezielte Entdeckungsarbeit gegen eine konkrete medizinische Bedrohung auf der anderen. Laut Universität bringen die Arbeiten der Preisträger ihre jeweiligen Fachgebiete, den Einsatz von KI in der wissenschaftlichen Forschung und die Gesellschaft voran. Dass erstmals ein Team ausgezeichnet wird, deutet zudem darauf hin, dass der Preis kollaborative Projekte würdigt, die KI-Expertise mit einem wissenschaftlichen Fachgebiet verbinden. Das passt zu Willetts Bemerkung, Fortschritt setze voraus, dass Forschende beide Felder gut genug verstehen, um die Grenzen beider zu verschieben.