OpenAIs KI-Schwarm liest Millionen von Gehirnzellen in 32 Minuten
Ein Team von OpenAI, der Forschungsgruppe PerturbAI und dem Scripps Research Institute hat ein Experiment durchgeführt, das vielleicht mehr darüber aussagt, wie Wissenschaft gemacht wird, als über eine einzelne Entdeckung. Laut einem am 21. Oktober veröffentlichten Bericht von OpenAI wurden Tausende von KI-Agenten auf biologische Daten losgelassen, die Millionen von Mäusegehirnzellen umfassen. Die gesamte Analyse dauerte 32 Minuten.
Der von den Forschern angestellte Vergleich ist der interessante Teil. Sie schätzen, dass es Monate und möglicherweise bis zu einem Jahr gedauert hätte, wenn menschliche Wissenschaftler dieselben Ergebnisse Punkt für Punkt durchgearbeitet und dabei jeden Befund mit der veröffentlichten Literatur abgeglichen hätten. Die Agenten fassten nicht nur eine Datei zusammen. Sie sollten über einen großen Bestand experimenteller Ergebnisse reasoning betreiben und diese mit früheren Arbeiten verknüpfen.
Die Arbeit stützte sich auf GPT-Rosalind, ein Modell, das speziell für die Lebenswissenschaften und nicht für allgemeinen Chat entwickelt wurde. Dieses Detail ist wichtig. Der meiste Lärm um KI in der Wissenschaft kam von Allzwecksystemen, die man bat, prüfungsähnliche Fragen zu beantworten. Ein für biologische Daten optimiertes und dann in großer Zahl eingesetztes Modell ist etwas anderes, näher an einem Forschungsinstrument als an einem Chatbot.
Die Architektur ermöglicht die Geschwindigkeit. Statt eines Modells, das eine Warteschlange abarbeitet, arbeiten viele Agenten parallel, jeder übernimmt einen Teil der Daten, und ihre Ergebnisse werden anschließend zusammengeführt. Dasselbe Muster breitet sich derzeit in der Softwareentwicklung und im Kundenservice aus, wo Flotten von Agenten Aufgaben übernehmen, die sonst serialisiert würden. Die Biologie mit ihren enormen und unordentlichen Datensätzen ist ein naheliegendes nächstes Ziel.
Skeptiker werden die üblichen Fragen stellen, und sie sind berechtigt. Automatisierung in diesem Maßstab kann schnell selbstsichere Fehler produzieren, und die Überprüfung der Schlussfolgerung eines Agenten kann fast so viel kosten, wie sie von Hand zu erreichen. Die ehrliche Aussage hier betrifft den Durchsatz, nicht das Ersetzen des Urteils eines Wissenschaftlers, der weiß, welchen Anomalien es sich lohnt nachzugehen. Die 32 Minuten sind die Zeit, eine Analyse zu erstellen, nicht die Zeit, ihr zu vertrauen.
Dennoch ist die Richtung klar. Forschungsgruppen haben in den letzten zwei Jahren damit experimentiert, KI als Helfer für einzelne Aufgaben einzusetzen: eine Zusammenfassung entwerfen, eine Hypothese vorschlagen, eine Codezeile schreiben. Eine gesamte Analyse-Pipeline einem koordinierten Schwarm zu übergeben, geht einen Schritt weiter und setzt die Teile des wissenschaftlichen Prozesses unter Druck, die nie für Maschinengeschwindigkeit ausgelegt waren, wie Peer Review und Replikation.
Für globale Leser liegt die Bedeutung weniger in Mäusegehirnen als in einer Vorlage. Wenn Tausende von Agenten einen Datensatz mit mehreren Millionen Zellen in einer halben Stunde durchkauen können, wird derselbe Ansatz bei klinischen Daten, Materialprüfung und Klimadaten versucht werden, überall dort, wo der Engpass die menschliche Aufmerksamkeit und nicht die reine Rechenleistung ist. Achten Sie auf eine unabhängige Replikation des Ergebnisses und darauf, ob die Forscher veröffentlichen, wie die Befunde der Agenten überprüft wurden.