Warum KI immer wieder dieselben wissenschaftlichen Ansätze vorschlägt
Wenn man KI-Modelle nach neuen Forschungsideen fragt, erhält man oft bekannte Ergebnisse. Modelle, die mit bestehender wissenschaftlicher Literatur trainiert wurden, neigen dazu, deren populäre Themen zu reproduzieren und schaffen es nicht, aus etablierten Denkmustern auszubrechen. Ihre Vorschläge konzentrieren sich auf ausgetretene Pfade, da ihre Wissensbasis von Natur aus retrospektiv ist.
Betrachten wir Claude: Wenn man nach Forschungsideen für Machine Learning fragt, schlägt es häufig Themen im Bereich Interpretability vor. Dies spiegelt einen allgemeinen Trend innerhalb des Fachgebiets wider und reflektiert einen Bereich hoher Dichte in der aktuellen menschlichen Forschung. Das Modell spiegelt im Grunde die Verzerrungen wider, die in seinen Trainingsdaten vorhanden sind.
Eine ähnliche Dynamik beeinflusst menschliche Forscher. Ihre Ausbildung, ihre Mitarbeiter und ihre fachlichen Netzwerke lenken sie subtil in Richtung bekannter Fragestellungen. Diese soziale und kognitive Einbettung kann dazu führen, dass plausible Schnittstellen oder „fremde Räume“ der Wissenschaft übersehen werden, für die niemand in der richtigen Position ist, um sie zu konzipieren. Sowohl KI als auch Menschen stehen daher vor der gemeinsamen Herausforderung, sich vom intellektuellen Konsens zu lösen.
Die Suche nach Ideen außerhalb der Landkarte
Forscher entwickelten ein System, um den „alien space“ der Wissenschaft zu untersuchen – wissenschaftlich kohärente Ideen, die Forscher wahrscheinlich nicht von selbst entwickeln würden. Dabei geht es nicht um unmögliche Konzepte, sondern um Kombinationen von vorhandenem Wissen, die außerhalb typischer kognitiver Muster oder sozialer Netzwerke liegen. Man kann es sich wie die Kartierung unerforschter, aber befahrbarer Gebiete innerhalb der wissenschaftlichen Landschaft vorstellen.
Das Team begann damit, etwa 16.000 Machine-Learning-Paper in grundlegende „Ideen-Atome“ zu zerlegen. Diese modularen konzeptionellen Einheiten ermöglichten es ihnen, jede Forschungsrichtung als eine Menge grundlegender Komponenten darzustellen, was eine systematische Neukombination zu neuartigen Kandidatenideen ermöglichte.
Anschließend setzten sie einen zweiteiligen Bewertungsmechanismus ein. Ein Coherence Model, ein Transformer mit 43 Millionen Parametern, bewertete, ob eine vorgeschlagene Kombination von Ideen-Atomen ein logisch fundiertes Forschungsprojekt bildete. Gleichzeitig schätzte ein Cognitive Availability Model, das auf den Publikationshistorien von fast 40.000 Forschern trainiert wurde, die Wahrscheinlichkeit ein, dass eine reale Forschungsgruppe spontan diese spezifischen Konzepte miteinander verbinden würde. Das System priorisiert Ideen, die bei der Kohärenz hoch, bei der menschlichen Verfügbarkeit jedoch niedrig punkten, und treibt so Entdeckungen über etablierte intellektuelle Grenzen hinaus.
Ein beeindruckender Test – und ein Realitätscheck
Die Forscher testeten ihr System rigoros, indem sie dessen Trainingsdaten mit Stand Ende 2024 einfroren. Dann bewerteten sie die Fähigkeit des Systems, Konzeptkombinationen aufzuzeigen, die in tatsächlichen, 2025 veröffentlichten Forschungspapieren auftauchten. Diese retrospective validation zielte darauf ab festzustellen, ob das System tatsächlich zukünftige Richtungen identifizieren konnte.
Ein bemerkenswertes Ergebnis betraf eine mündliche Präsentation auf der ICLR 2025. Die Kernkombination dieses Papers, die allein aufgrund der Kohärenz zunächst auf Platz 1.489 rangierte, stieg in die Top 25 von mehr als 1,14 Millionen Kandidaten auf, als die „Unverfügbarkeits“-Metrik des Systems angewendet wurde. Es ist wichtig anzumerken, dass dies die prädiktive Ranking-Kraft des Systems anzeigt, nicht, dass es die Forschung direkt verursacht hat.
Des Weiteren bewerteten 50 KI-Experten mit Hochschulabschluss blindlings Forschungsvorschläge. Die vom System generierten Ideen machten drei der fünf am besten bewerteten Berichte aus. Dies steht in krassem Gegensatz zur Leistung von Claude, bei der acht von zehn selbst generierten Ideen in Richtung Interpretierbarkeit abdrifteten; das neue System erstellte null auf Interpretierbarkeit fokussierte Vorschläge, was seine Fähigkeit unter Beweis stellt, einen wirklich neuartigen konzeptionellen Raum zu erkunden. Für tiefere technische Einblicke konsultieren Sie das vollständige Paper: The Alien Space of Science: Sampling Coherent but Cognitively Unavailable Research Directions.
Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.
eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte
Der Engpass ist nach wie vor die Beweislage
Der Ansatz hängt entscheidend vom Datenzugang ab. Die Forscher bauten ihr System mit 16.068 Volltext-Papers aus dem Bereich Machine Learning auf, einem Feld, in dem Open Access weit verbreitet ist. Dies ermöglichte es den Modellen, robuste "Ideen-Atome" und deren plausible Kombinationen zu erlernen.
Umgekehrt stellen Bereiche wie Biologie und Medizin eine Herausforderung dar. Etwa die Hälfte der medizinischen Forschung bleibt hinter Paywalls verborgen, was die Fähigkeit des Systems, die notwendigen Volltext-Papers aufzunehmen, stark einschränkt. Folglich sind die in diesen Bereichen generierten Ideen aufgrund unzureichender Trainingsdaten deutlich schwächer.
Das Generieren plausibler Kombinationen ist etwas anderes als wissenschaftliche Validierung. Das System identifiziert potenzielle Wege, aber menschliche Experten müssen dennoch:
- Vorschläge auf echte Neuartigkeit und Machbarkeit prüfen
- Finanzierung und Ressourcen sichern
- Experimente entwerfen und durchführen
Eine überzeugende Idee ist noch keine bewiesene Entdeckung; sie ist lediglich eine Hypothese, die auf eine rigorose Überprüfung wartet.
Leser können das Lacuna-Tool erkunden, das 25.000 Forschungsvorschläge beherbergt, oder sich mit dem Open-Source-Projekt selbst befassen. Eine breitere Anwendung dieser Methodik in kritischen Bereichen wie der Medizin hängt von einem besseren Zugang zu Volltext-Forschung und der engagierten Beteiligung von Fachexperten für eine gründliche Überprüfung und experimentelle Umsetzung ab.
Häufig gestellte Fragen
Was ist der Alien Space of Science?
Es ist ein Rahmenwerk, um Forschungsrichtungen zu finden, die wissenschaftlich kohärent erscheinen, auf die Forscher jedoch aufgrund ihrer bestehenden Gewohnheiten und Verbindungen wahrscheinlich nicht kommen würden.
Wie generiert das System Forschungsideen?
Es kombiniert Forschungskonzepte, sogenannte Ideen-Atome, und bewertet dann die Kandidatenkombinationen hinsichtlich ihrer Kohärenz und der Wahrscheinlichkeit, dass Forscher selbst darauf kommen würden.
Hat das System vor der Veröffentlichung echte Forschung identifiziert?
In einem retrospektiven Test mit Daten, die vor 2025 eingefroren wurden, stufte es eine Kombination, die in einem ICLR 2025 Oral Paper erschien, unter seine Top-25-Kandidaten ein.
Kann das System Entdeckungen selbstständig erfinden und verifizieren?
Nein. Es schlägt Hypothesen vor, aber menschliche Experten müssen diese bewerten und Experimente durchführen, um festzustellen, ob sie nützlich oder wahr sind.
Was ist Lacuna?
Lacuna ist ein mit dem Projekt verbundenes Tool, mit dem Benutzer Forschungsvorschläge durchsuchen können; der Code des Projekts ist ebenfalls auf GitHub verfügbar.