DeepMind warnt: Das neue Problem der Wissenschaft ist nicht der Mangel an Ideen – sondern die fehlende Prüfkapazität

Der Essay, verfasst von Don Wallace, Conor Griffin, Sean O’Neill, Thang Luong und Owen Larter, argumentiert, dass der schwierigste Teil des wissenschaftlichen Prozesses heute nicht mehr die Ideenfindung ist – sondern die Durchführung der Experimente, die diese Ideen bestätigen oder widerlegen . Während KI-Werkzeuge wie DeepMinds Co-Scientist-System in der Krebsforschung oder bei Leberfibrose binnen Minuten maschinengenerierte Hypothesen liefern, braucht jede einzelne davon noch Wochen oder Monate biologische Tests an Zelllinien oder Organoiden .

Warum das jetzt relevant ist

Dieser Engpass hat konkrete Folgen. In der Wirkstoffentwicklung kann KI zwar rasend schnell Tausende neuer molekularer Kandidaten vorschlagen – die klinische Validierung bleibt jedoch langsam, teuer und kapazitätsbeschränkt. Pushmeet Kohli, ein DeepMind-Führungskraft, hatte bereits früher darauf hingewiesen, dass AlphaFold die Proteinstrukturvorhersage von Jahren auf Sekunden verkürzte, die klinische Arzneimittelvalidierung aber der ungelöste Flaschenhals bleibt . Ähnlich wächst die Kluft zwischen KI-generierten Ideen in den Materialwissenschaften und der Klimaforschung einerseits und der physischen Testinfrastruktur andererseits .

Die vier Prioritäten, die DeepMind von Politik und Förderern fordert

DeepMinds Essay skizziert vier konkrete Handlungsfelder, um diese Lücke zu schließen :

1. Flächendeckenden Zugang zu KI-Agenten für Wissenschaftler sicherstellen.
Zugang zu KI-Agenten sollte als strategische Priorität behandelt werden – vergleichbar mit der historischen Bereitstellung von Supercomputern für die Forschung. Forschende an allen Einrichtungen, nicht nur an gut finanzierten Laboren, brauchen die Werkzeuge, um Hypothesen zu generieren und zu testen .

2. Nationale Laborinfrastruktur für KI-gestützte Wissenschaft öffnen.
Physikalische Laboreinrichtungen – wie nationale Labore und gemeinsame Hochdurchsatz-Testzentren – müssen ausgebaut und geöffnet werden, damit die Welle KI-generierter Hypothesen systematisch in der realen Welt validiert werden kann .

3. Neue Förderformate für Hochdurchsatz-Validierung entwickeln.
Traditionelle Förderstrukturen sind zu langsam und zu klein für den Prüfbedarf, den KI erzeugen kann. Fördergeber sollten Mechanismen schaffen, die explizit schnelle, groß angelegte Validierungspipelines unterstützen .

4. Peer Review und Evaluationsprozesse für das KI-Zeitalter reformieren.
Gutachter selbst sollten KI-Agenten nutzen dürfen, und neue Rahmenwerke wie „Human-AI Interaction Cards“ sind nötig, um Transparenz, Reproduzierbarkeit und Vertrauen in KI-gestützte Wissenschaft zu gewährleisten .

Der weitere Kontext: Ein bekanntes Problem

Dies ist nicht DeepMinds erste Warnung zur Validierung. Bereits ein Policy-Papier vom November 2024 hatte die digitale-physikalische Lücke als zentrale Herausforderung identifiziert, und Forscher Pushmeet Kohli hatte die Validierungsinfrastruktur öffentlich als einen von zwei verbleibenden Hauptengpässen für KI-beschleunigte Wissenschaft benannt – neben der Zugänglichkeit . Der Essay vom Juli 2026 ist die bislang fokussierteste politische Stellungnahme zu diesem Thema.

Wichtiger Hinweis zum Datum

Die primäre Quelle für diese Erkenntnisse ist DeepMinds eigener Essay auf seiner Public-Policy-Seite, veröffentlicht im Juli 2026 . Einige frühe Berichte verwiesen fälschlicherweise auf einen Essay vom Juli 2025; ein solcher Essay zu genau diesem Thema wurde in den Suchergebnissen nicht gefunden. Der Kern der Warnung und die vier Prioritäten sind in allen Berichtsquellen konsistent .