UChicago- und Caltech-Konferenz beleuchtet wachsende Rolle von KI in der Wissenschaft

Neue Rechenunterstützung für wissenschaftliche KI

An der University of Chicago, Caltech Conference on AI+Science nahmen Forschende der beiden gastgebenden Institutionen sowie von Harvard, MIT, Stanford und weiteren Organisationen teil. Während der Veranstaltung kündigten UChicago-Präsident Paul Alivisatos und Stuart Feldman, Präsident von Schmidt Sciences, das Schmidt Science Computing Network sowie eine umfangreiche Förderung von Schmidt Sciences zum Aufbau von UChicagos Plattform AI for Science, kurz AI4S, an.

Nach Angaben von UChicago wird die Initiative die Rechenkapazitäten für die Forschung zu wissenschaftlicher KI deutlich erweitern. Zu den Schwerpunktbereichen zählen Klima- und Wettervorhersagen, Ökologie und biologische Systeme, Astronomie, Quantenforschung, Chemie, KI-gestützte Instrumente sowie Arbeiten an der Schnittstelle von KI, menschlichem Denken und Kreativität.

„Der Zugang zu Rechenleistung ist ein Schlüssel dafür, dass Universitäten Durchbrüche in KI und Wissenschaft erzielen können“, sagte Alivisatos. Feldman erklärte, das Netzwerk werde fortschrittliche Rechenleistung mit fachlicher Unterstützung und langlebiger Software verbinden und Forschenden damit Arbeiten in neuen Größenordnungen ermöglichen.

Warum Universitäten für KI-gestützte Wissenschaft zentral bleiben

In ihren Eröffnungsworten sagte Rebecca Willett, Worah Family Professor of Statistics and Computer Science und Faculty Director für KI am Data Science Institute, dass KI nahezu jedes Feld der Wissenschaft und des Ingenieurwesens neu gestalte. Sie forderte Forschende auf, diese Werkzeuge auf etablierte wissenschaftliche Fragen auszurichten und zugleich Fragen zu entdecken, die Forschende bisher noch nicht in Betracht gezogen haben.

Willett verwies auf DeepMinds Methode AlphaFold zur Schätzung von Proteinstrukturen als Beispiel für Fortschritte, die auf öffentlichen Daten, akademischen Ideen und an Universitäten ausgebildeten Forschenden beruhen. Jinbo Xu von UChicago und seine Gruppe am Toyota Technological Institute at Chicago entwickelten wegweisende Deep-Learning-Methoden zur Vorhersage von Proteinkontakten, auf die sich die Entwickler von AlphaFold später beriefen. John Jumper, der an der UChicago in theoretischer Chemie promoviert hatte, wechselte später zu DeepMind.

In der Diskussion über die Rolle der Hochschulen ging es um überprüfbare Hypothesen, Grundlagenforschung, offene Datensätze und Benchmarks, Methoden zur Ermittlung von Fehlerquellen bei KI-Werkzeugen, die Gründung von Start-ups und die Ausbildung der nächsten Generation von Forschenden im Bereich wissenschaftlicher KI. Alivisatos sagte, Studierende, Auszubildende und Postdoktoranden sollten lernen, „mit KI, ohne KI und über KI“ nachzudenken.

Gemeinsame Herausforderungen in verschiedenen Wissenschaftsbereichen

Die Vortragenden beschrieben Probleme, die in verschiedenen Disziplinen immer wieder auftreten. In vielen Fällen besteht der schwierige Schritt darin, die Frage zu definieren, unabhängig davon, ob Forschende funktionelle Gruppen in komplexen Mikrobiomen untersuchen, das menschliche Sehen modellieren oder mechanistische Erkenntnisse aus datengetriebenen Wettermodellen gewinnen.

In anderen Vorträgen wurde die Messung als Gestaltungsproblem behandelt. KI und neue Instrumente verändern, was Wissenschaftlerinnen und Wissenschaftler beobachten können, von Bildern des verborgenen Universums und groß angelegten kosmischen Erhebungen bis hin zu digitalen Zwillingen biologischer Systeme. Wo Daten knapp sind, können physikalische Modelle nach Ansicht der Vortragenden helfen, die Lücken zu schließen.

Darío Gil, der Staatssekretär für Wissenschaft im Department of Energy, sagte, KI-gestützte Forschung habe die Zahl der bekannten Proteinstrukturen innerhalb weniger Jahre von rund 200,000 auf 200,000,000 erhöht. „Das ist keine schrittweise Verbesserung“, sagte Gil. „Das verändert, was die Wissenschaft sehen kann.“ Er stellte das Beispiel in Zusammenhang mit der Genesis Mission des DOE, die sich an wissenschaftlichen und technologischen Herausforderungen, Plattformen wie Rechenleistung und autonomen Laboren sowie Investitionen in Forschende an der Schnittstelle von KI und den Physik- und Lebenswissenschaften orientiert.

Forschungspreise und die nächste Konferenz

Auf der Konferenz wurden außerdem die 2026 Pritzker Prizes for AI in Science Research Excellence bekannt gegeben. Kristin Persson von der University of California, Berkeley, erhielt einen Preis für ihre Arbeit am datengetriebenen Materialdesign. Ein Teampreis würdigte Regina Barzilay und James J. Collins vom MIT für das Antibiotics-AI Project, das Deep Learning auf die Entdeckung von Antibiotika und die Entwicklung von Medikamenten anwendet.

Die Organisatoren der Veranstaltung erklärten, das Treffen habe ein gemeinsames Interesse an Partnerschaften zwischen Regierung, Philanthropie und Industrie widergespiegelt. Die Caltech-Professorin Anima Anandkumar blickte zum Abschluss auf das Treffen im kommenden Jahr in Pasadena voraus und bezeichnete es als „ein passendes nächstes Kapitel“ der Partnerschaft.