Warum diese Seite anders zu lesen ist
Der Großteil dieses Handbuchs dreht sich um Unsicherheit, Gefahr und ehrliche Lücken in dem, was sich verifizieren lässt. Diese Seite ist anders: Sie versammelt KI-getriebene wissenschaftliche Ergebnisse, die datiert, überprüfbar sind und in einem Fall bereits einen Nobelpreis tragen — doch dasselbe Forschungsprogramm, das diese preisgekrönte Methode hervorbrachte, produzierte auch einen formell korrigierten Nature-Artikel und ein Diagnosewerkzeug, das im Labor funktionierte und in einer echten Klinik stolperte. Beide Tatsachen gleichzeitig festzuhalten — echte Leistung und echte Übertreibung, aus demselben Labor, manchmal im selben Jahr — ist der Zweck dieser Seite, kein aufzulösender Widerspruch.
Alles Folgende betrifft enges, aufgabenspezifisches maschinelles Lernen, angewandt auf ein wissenschaftliches oder medizinisches Problem, nicht AGI. Dass ein künftiges allgemeines System eines Tages die gesamte Wissenschaft auf einmal beschleunigt, ist ein Szenario, behandelt unter KI-Nutzen und die Opportunitätskosten der Verzögerung; diese Seite bleibt bei dem, was bereits ausgeliefert, veröffentlicht oder peer-reviewed wurde.
Proteinstrukturen, gelöst: AlphaFold und der Nobelpreis 2024
Der klarste Fall ist die Vorhersage von Proteinstrukturen. Im Oktober 2024 verlieh die Königlich Schwedische Akademie der Wissenschaften den Nobelpreis für Chemie gemeinsam an Demis Hassabis und John Jumper von Google DeepMind, „für die Vorhersage der Proteinstruktur”, sowie an David Baker von der University of Washington für computergestütztes Proteindesign (NobelPrize.org, 9. Oktober 2024) — die höchste Auszeichnung des Feldes, vier Jahre nach AlphaFold2s ursprünglichen Ergebnissen von 2020, bestätigt durch eine Disziplin, die diese Jahre damit verbrachte, das Werkzeug tatsächlich zu nutzen: Berichten zufolge mehr als zwei Millionen Forscher in 190 Ländern, die Strukturen für praktisch alle 200 Millionen bekannten Proteine vorhersagten, mit einer Genauigkeit, die sich bei schwierigen Zielen experimentellen Methoden annähert (Nature News, 9. Oktober 2024).
Von der Struktur zum Medikament: Isomorphic Labs, noch in der Pipeline
DeepMinds Arbeit zur Proteinfaltung brachte Isomorphic Labs hervor, gegründet, um die Strukturvorhersage in die Medikamentenentwicklung zu tragen. Im Januar 2024 schloss das Unternehmen Verträge mit Eli Lilly und Novartis im Gesamtwert von umgerechnet rund 3 Milliarden Dollar an potenziellen Meilensteinzahlungen ab, gerichtet auf „nicht-medikamentierbare” niedermolekulare Zielstrukturen (TechCrunch, 7. Januar 2024). Anfang 2026 beschrieb sekundäre Berichterstattung die Zusammenarbeit als Quelle mehrerer präklinischer Kandidaten — noch Jahre von einer klinischen Studie entfernt, ganz zu schweigen von einem zugelassenen Medikament. Zum Zeitpunkt dieses Textes ist kein Medikament aus dieser Partnerschaft in Studien am Menschen eingetreten.
AlphaFold beschleunigte einen Schritt in einer langen Pipeline; dass es den Output dieser Pipeline beschleunigt hat — gemessen an zugelassenen Therapien statt an Meilensteinzahlungen —, wurde nicht gezeigt. KI-Nutzen und die Opportunitätskosten der Verzögerung zieht die Grenze zwischen einem gemessenen und einem projizierten Nutzen — dies ist eindeutig ein projizierter.
Materialentdeckung — und eine Korrektur, die zeigt, dass das System funktioniert
Der lehrreichste Fall hier ist die Materialwissenschaft, gerade weil sie keine saubere Erfolgsgeschichte blieb. Im November 2023 veröffentlichte DeepMind GNoME in Nature: ein System, das 2,2 Millionen Kandidaten-Kristallstrukturen vorhersagte, von denen etwa 381.000 als stabil vorhergesagt wurden — rund 45-mal mehr stabile, aber noch nicht realisierte Verbindungen als der gesamte bisherige historische Bestand (Merchant et al., Nature, 29. November 2023). Ein begleitender Artikel beschrieb ein autonomes Roboterlabor, das „A-Lab”, das mit diesen Vorhersagen ohne menschliches Eingreifen in siebzehn Tagen Dutzende neuer Materialien synthetisierte.
2024 fanden drei externe Chemiker — Robert Palgrave (UCL), Leslie Schoop (Princeton) und Susan Latturner (Florida State) — heraus, dass rund zwei Drittel der „neuen” Verbindungen des A-Lab bereits bekannte Strukturen waren, fehlidentifiziert, weil dessen Röntgenbeugungsanalyse Musterabgleich auf Anfängerniveau statt der sorgfältigen Rietveld-Verfeinerung verwendete, die ein ausgebildeter Kristallograph anwenden würde; viele befanden sich bereits in der Inorganic Crystal Structure Database. Am 19. Januar 2026 veröffentlichte Nature eine formelle Autorenkorrektur, die einräumte, dass die Neuheitsansprüche „einer Fehlinterpretation unterlagen” — neu für den eigenen Katalog der Plattform, nicht notwendigerweise neu für die Wissenschaft.
Das ist keine Geschichte über eine versagende KI. GNoMEs Strukturvorhersagen waren nicht der Teil, der sich als falsch erwies; die Übertreibung lag darin, wie „neu” flussabwärts definiert wurde — und sie wurde zwei Jahre später durch gewöhnliche Peer-Review entdeckt und formell korrigiert. Genau so soll das System funktionieren: Eine Nature-Publikation ist starke Evidenz, aber nicht immun gegen Korrektur, und der wahre Status einer Behauptung ist das, was der Prüfung standhält, nicht das, was die Pressemitteilung in der Woche des Starts sagte.
Mathematik: AlphaProof bei der Olympiade, außer Konkurrenz
Im Juli 2024 gab DeepMind bekannt, dass AlphaProof und AlphaGeometry 2 vier von sechs Aufgaben der Internationalen Mathematik-Olympiade jenes Jahres gelöst hatten, mit einer Punktzahl von 28 von 42 — Silbermedaillen-Niveau, das erste Mal, dass ein KI-System dies erreichte (DeepMind, 25. Juli 2024). DeepMind selbst gab an, dass eine Aufgabe innerhalb von Minuten gelöst wurde, andere jedoch bis zu drei Tage Rechenzeit benötigten — bemerkenswert, da menschliche Wettbewerber dieselben sechs Aufgaben in zwei 4,5-stündigen Sitzungen lösen. Dies wurde nicht als tatsächlicher IMO-Beitrag eingereicht oder bewertet und wurde nicht unabhängig als Wettbewerbsergebnis peer-reviewed; es ist ein firmeninterner Benchmark, ehrlich beschriftet, keine Behauptung, dass KI unter den Bedingungen, denen sich Olympiade-Mathematiker tatsächlich stellen, mit ihnen konkurriert.
Wettervorhersage: ein Fall, den Peer-Review bereits geklärt hat
Wettervorhersage ist ein nützlicher Kontrast, weil die Bodenwahrheit täglich eintrifft und sich nicht rückwirkend manipulieren lässt. DeepMinds GraphCast, veröffentlicht in Science im November 2023, übertraf das operative HRES-Modell der europäischen Wetterbehörde bei der großen Mehrheit von Tausenden bewerteter Variable-Vorlaufzeit-Kombinationen und erzeugt eine zehntägige globale Vorhersage in unter einer Minute auf einer einzigen TPU (DeepMind, 14. November 2023). Vorhersagen werden täglich gegen das tatsächliche Wetter bewertet, daher ist dies einer der Bereiche, in denen Übertreibung am schwersten fällt, und Jahre später hat das Ergebnis Bestand.
Medizin im Regulierungsmaßstab: FDA-Zulassungen vervielfachen sich
Klinische KI hat den Sprung von der Neuheit zum regulatorischen Routinegeschäft geschafft. Im April 2018 wurde IDx-DR (heute LumineticsCore) das erste von der FDA zugelassene, vollständig autonome KI-Diagnosesystem in der Medizin, zugelassen zur Erkennung diabetischer Retinopathie ohne ärztliche Interpretation, gestützt auf eine Studie mit 900 Probanden, die 87,2 % Sensitivität und 90,7 % Spezifität gegenüber der Expertenbewertung zeigte (npj Digital Medicine, 2018). Solche Zulassungen sind inzwischen Routine: FDA-Zulassungen für KI-gestützte Geräte stiegen von rund 758 Ende 2024 auf 1.039 im Dezember 2025, das Tempo kletterte von etwa 21 auf etwa 30 pro Monat, angeführt von GE HealthCare, Siemens Healthineers, Philips und Canon (The Imaging Wire, 11. März 2026). Eine Zulassung ist eine reale, überprüfbare Tatsache — nicht dasselbe wie die Behauptung „dieses Werkzeug funktioniert gut in Ihrem Krankenhaus”, womit der nächste Abschnitt beginnt.
Die Lücke zwischen Labor und Klinik: was passiert, wenn das Modell auf einen echten Patienten trifft
Der klarste dokumentierte Fall der Lücke zwischen validierter Genauigkeit und eingesetzter Realität ist das System zur diabetischen Retinopathie von Google Health, das in Studien über 90 % Sensitivität und Spezifität erreichte. Eingesetzt in 11 Kliniken in Thailand zwischen November 2018 und August 2019, lehnte es rund 21 % der etwa 1.940 von Krankenschwestern eingereichten Bilder als „nicht bewertbar” ab — meist wegen Lichtverhältnissen, die ein menschlicher Leser ohne zweiten Gedanken akzeptiert hätte —, was den Arbeitsablauf störte und die Besuche für Patienten verlängerte, die oft stundenlang zur Untersuchung gereist waren. Der Befund wurde auf der CHI 2020, einer führenden Konferenz für Mensch-Computer-Interaktion, peer-reviewed und seinerzeit vom MIT Technology Review berichtet (MIT Technology Review, 27. April 2020). Spätere Übersichten zur Radiologie-KI beschreiben dies als wiederkehrendes Muster: Die Leistung in der realen Welt hängt von lokaler Ausrüstung und Arbeitsabläufen ab, nicht allein von der Genauigkeitszahl eines Modells.
Ein separates, FDA-zugelassenes Schlaganfall-Werkzeug, Viz.ai, zeigt die Kluft anders: Eine systematische Übersichtsarbeit und Metaanalyse, die rund ein Dutzend Studien und über 15.000 Patienten zusammenfasste, beschleunigte den Krankenhausablauf, ohne eine statistisch signifikante Verbesserung bei den klinischen Ergebnissen zu erzielen, die diese Abläufe eigentlich verbessern sollen. Schneller ist nicht automatisch besser.
Was dieses Muster über den Rest der Seite aussagt
Jeder oben genannte Fall wurde von derselben kleinen Gruppe von Frontier-Labs hervorgebracht, die dieses Handbuch andernorts behandelt — vor allem Google DeepMind —, dessen Forschungskultur unter wie sich die Frontier-KI-Labore unterscheiden behandelt wird, und dessen Konzentration wissenschaftlicher Fähigkeit in einer Handvoll Organisationen ein eigenes Thema unter Machtkonzentration: warum wenige Labore zählen ist. Diese Konzentration wirkt in beide Richtungen: Sie erklärt, warum ein einziges Programm innerhalb von zwei Jahren einen Nobelpreis, eine Silbermedaillen-Leistung bei der Olympiade und einen korrigierten Nature-Artikel anhäufen kann, und warum die Darstellung dieser Behauptungen zunächst durch die eigene PR eines Labors läuft und erst später durch eine Peer-Review, die diesem Labor nicht rechenschaftspflichtig ist.
Nichts davon spricht dafür, die Ergebnisse abzutun. Ein Nobelpreis ist kein Hype; eine in unter einer Minute erstellte Zehn-Tage-Vorhersage ist kein Hype. Aber „KI beschleunigt die Wissenschaft” ist wahr auf die Weise, wie die meisten dauerhaften Behauptungen über diese Technologie wahr sind: ungleichmäßig, mit den klarsten Erfolgen bei Problemen, die eine saubere, überprüfbare Bodenwahrheit haben — ein gefaltetes Protein, das morgige Wetter, die gemessene Stabilität eines Kristalls — und einer beständigen Lücke überall dort, wo die letzte Meile durch eine chaotische Klinik oder eine ungeprüfte Pressemitteilung führt. Die Disziplin, die den GNoME-Fehler zwei Jahre später entdeckte, ist die Disziplin, um die diese Seite die Leser bittet, sie überall sonst auf dieser Website anzuwenden.