Anthropic hat am Freitag einen Gastbeitrag veröffentlicht, und die Autoren sind aus Tübingen: Jakob Macke, Daniel Gedon und Stefan Wahl arbeiten am ELLIS Institute Tübingen und an der Universität Tübingen. Sie sind Empfänger von Anthropics AI-for-Science-Förderung und schreiben darüber, was KI im wissenschaftlichen Modellbau heute kann und was nicht. Zu der Auswertung von 207.000 Forschungs-Sessions von Donnerstag passt das gut, nur dass hier Forscher selbst sprechen.
Der Text beginnt 1951. Der Rechner der Universität Cambridge war ein halbes Jahr defekt, und Andrew Huxley musste die Gleichungen, mit denen er und Alan Hodgkin das Feuern einer Tintenfisch-Nervenzelle beschrieben, mit einer Handkurbel-Rechenmaschine lösen. Das hat über drei Wochen gedauert.
Die vierte Potenz war geraten
Ein Teil des Hodgkin-Huxley-Modells war eine fundierte Vermutung. Damit die Kurve zu den Messdaten passte, mussten die beiden eine Variable in die vierte Potenz erheben. Warum, wussten sie nicht. Sie vermuteten, dass mehrere geladene Teilchen in der Membran sich erst in Position bringen müssen, bevor ein Kanal öffnet. Jahrzehnte später, lange nach dem Nobelpreis 1963, fand ein anderes Team die Struktur eines verwandten Kaliumkanals: vier identische Teile um eine zentrale Pore.
Darum geht es den Autoren. Ein heutiges KI-System fände so eine Gleichung an einem Nachmittag, vielleicht mit besserer Passung. Entscheidend war aber nicht das Wissen, dass die vierte Potenz funktioniert, sondern das Wissen, dass eine einfachere Fassung es nicht tut. Sie zitieren Richard Hamming von 1962: Der Zweck des Rechnens sei Einsicht, nicht Zahlen.
Drei Schritte, und die Maschine ist in allen drei
Modellbau zerfällt in Bauen, Einpassen und Deuten. Beim Einpassen ist die Maschine am weitesten. Bayessche Inferenz liefert statt einer passenden Zahlenkombination eine ganze Verteilung – nur ist sie bei komplexen Modellen nicht berechenbar. Der Ausweg heißt Simulation-Based Inference, kurz SBI: Zufallsparameter wählen, Modell laufen lassen, Ergebnis festhalten, und das rund 100.000 Mal für ein Modell wie Hodgkin-Huxley, millionenfach für größere. Danach trainiert man ein Netz darauf, zu einem Ergebnis die möglichen Parameter zu nennen.
Die Simulationen kosten Wochen, die Auswertung danach Sekunden. Dieser Unterschied verändert, was möglich ist: Wenn zwei Neutronensterne kollidieren, kann SBI die Himmelsregion grob bestimmen, solange das Signal noch messbar ist, und Teleskope dorthin richten. Dasselbe Verfahren läuft in Kosmologie, Strukturbiologie und Geophysik.
Beim Bauen selbst schreiben inzwischen LLM-Agenten die Kandidatenmodelle, revidieren sie und probieren weiter. Hier kommt der Satz, der den Beitrag von einer Werbebroschüre unterscheidet: Lässt man den Agenten zweimal über dieselben Daten laufen, kommen zwei verschiedene, gleich gute Modelle heraus. Ein Agent, der nur eines zurückgibt, verschweigt die anderen.
Der Haken steht im eigenen Text
Die Autoren schreiben es selbst hin: Diese Systeme sind bisher vor allem daran geprüft worden, bekannte Modelle wiederzufinden. Belege, dass sie bei Problemen ohne bekannte Antwort funktionieren, seien dünn.
Das ist für einen Beitrag auf der Website eines Modellanbieters ungewöhnlich offen, und es ist der nützlichste Teil. Die Lehre für jeden, der mit Claude Daten analysiert, steckt nämlich nicht in der Modellqualität, sondern im Umgang damit: Ein einzelnes Ergebnis ist keine Erkenntnis. Erst die Spanne der Erklärungen, die zu denselben Daten passen, sagt, wo die Daten dünn sind und welches Experiment als Nächstes fehlt.