Künstliche Intelligenz und das Streben nach wissenschaftlichem Verständnis: Möglichkeiten und Grenzen
KI als Werkzeug der modernen Wissenschaft
Künstliche Intelligenz (KI) hat in den letzten Jahrzehnten die Naturwissenschaften grundlegend verändert. Ein herausragendes Beispiel ist AlphaFold, eine KI, die die dreidimensionale Struktur von Proteinen mit hoher Genauigkeit vorhersagen kann. Diese Leistung wurde 2024 mit dem Nobelpreis für Chemie ausgezeichnet. KI-Systeme werden auch in der Chemie eingesetzt, um neuartige Moleküle und Materialien zu entdecken, die beispielsweise in der Medikamentenentwicklung oder für Photovoltaiksysteme genutzt werden können. Ein KI-System hat sogar einen Wirkstoff gegen die idiopathische Lungenfibrose identifiziert, der sich bereits in klinischen Tests befindet. Diese Erfolge zeigen, dass KI in der Lage ist, komplexe wissenschaftliche Probleme zu lösen.
Wissenschaftliches Verständnis: Mehr als nur Ergebnisse
Trotz dieser beeindruckenden Fortschritte bleibt die Frage, ob KI nicht nur Ergebnisse liefern, sondern auch wissenschaftliches Verständnis erlangen kann. Wissenschaftliches Verständnis geht über die bloße Vorhersage von Ergebnissen hinaus. Es beinhaltet die Fähigkeit, die zugrunde liegenden Mechanismen und Prinzipien zu begreifen und dieses Wissen auf neue Fragestellungen zu übertragen. Der deutsch-amerikanische Philosoph Carl Gustav Hempel betrachtete Verständnis als ein psychologisches Konzept, das sich einer logischen Analyse entzieht. Andere Wissenschaftler, wie Lord Kelvin und Erwin Schrödinger, betonten die Bedeutung von mechanischen Modellen und Visualisierungen für das Verständnis.
Eine Theorie des wissenschaftlichen Verständnisses
Die niederländischen Philosophen Henk de Regt und Dennis Dieks haben eine Theorie entwickelt, die wissenschaftliches Verständnis operationalisierbar macht. Sie definieren zwei zentrale Kriterien: Ein Phänomen ist wissenschaftlich verstanden, wenn es eine Erklärung gibt, die auf einer verständlichen Theorie basiert und den epistemischen Werten der empirischen Angemessenheit und inneren Konsistenz genügt. Eine Theorie ist verständlich, wenn Wissenschaftler ihre qualitativen Konsequenzen erkennen können, ohne exakte Berechnungen durchführen zu müssen. Diese Kriterien sind unabhängig vom verstehenden System und können daher auch auf KI angewendet werden.
Drei Rollen der KI im wissenschaftlichen Prozess
KI kann auf verschiedene Weisen zum wissenschaftlichen Verständnis beitragen. Erstens kann sie als rechnergestütztes Mikroskop fungieren, das Experimente in virtuellen Umgebungen durchführt und Eigenschaften beobachtet, die sonst nicht zugänglich wären. Ein Beispiel ist die Nutzung von VR-Brillen, um komplexe Daten immersiv zu erkunden. Zweitens kann KI als Inspirationsquelle dienen, indem sie überraschende Zusammenhänge entdeckt oder Wissensgraphen erstellt, die wissenschaftliche Konzepte vernetzen. Drittens kann KI verständliche Ergebnisse liefern, etwa durch die Generierung mathematischer Formeln, die komplexe Prozesse beschreiben. Ein Beispiel ist die symbolische Regression, die kompakte Formeln findet, welche die Eingabedaten beschreiben.
Die Grenzen der KI: Kann sie wissenschaftliches Verständnis erlangen?
Trotz dieser Fortschritte gibt es bisher keine Beispiele dafür, dass KI autonom wissenschaftliches Verständnis erlangt hat. Ein Ansatz, um das Verständnis einer KI zu testen, ist die „knowledge distillation“, bei der ein kleines Modell ein größeres imitiert. Allerdings bleibt unklar, ob das große Modell die Informationen tatsächlich effizient codiert hat. Eine alternative Methode ist ein Test des wissenschaftlichen Verständnisses, der auf der Fähigkeit einer KI beruht, ihr Wissen an Menschen zu vermitteln. Dieser Test ähnelt dem Turing-Test, konzentriert sich jedoch auf die Lehrfähigkeit der KI. Bisher gibt es keine KI, die diesen Test bestanden hat, aber die Entwicklung einer „Teacher-AI“ könnte ein vielversprechender Ansatz sein.
