OpenScience veröffentlicht offenen Forschungsagenten, während Geld in die Laborautomatisierung fließt

Das Repository beschreibt OpenScience als "einen Forschungsagenten mit einer Werkbank drumherum". Man gibt ihm ein Ziel in normaler Sprache, so das README des Projekts, und er plant, sammelt Belege, führt Code und Experimente aus und liefert Ergebnisse, die der Nutzer prüfen kann.

Er läuft als Desktop-App, als Browser-Arbeitsbereich oder als Terminalbefehl, auf dem Rechner des Nutzers und auf dessen Dateien. Die Formulierungen auf der Projektseite sind ungewöhnlich deutlich, wenn es darum geht, was er nicht ist. "Er ist für die Teile der Forschung gebaut, die echte Arbeit sind, aber nicht die Idee: Daten holen und bereinigen, eine Behauptung reproduzieren, einen Parameter durchlaufen, den Methodenteil entwerfen, eine Referenz prüfen", heißt es im README. "Die Idee und das Urteil behalten Sie." Die Entwurfsentscheidungen lesen sich wie eine Antwort auf eine konkrete Sorge: dass Agenten, die Wissenschaft betreiben, schwer zu prüfen sind.

Jeder Schritt zeigt, was der Agent gedacht, was er gesucht, was er ausgeführt und was er geschrieben hat.

Shell-, Python- und R-Kernel stehen bereit, dazu ein Dateisystem mit ausdrücklich erteilten Lese- und Schreibrechten und entfernte Rechenleistung für Aufgaben, die ein Laptop nicht schafft. Mitgelieferte Fähigkeiten decken Biologie, Chemie, Physik, ML und Data Engineering ab, mit Anbindungen an ChEMBL, UniProt, PubMed und arXiv. Nutzer bringen ihre eigenen API-Schlüssel mit, betreiben ein lokales Modell oder zahlen für eine verwaltete Option namens Ace.

Die Finanzierungslinie wird immer länger

OpenScience ist keine einzelne Veröffentlichung. Am 29. Oktober kündigte Opentrons eine Series-E-Runde über 40.000.000 Dollar an, angeführt von Avego, um die KI-getriebene Laborautomatisierung auszubauen, meldet Business Wire. Genetic Engineering and Biotechnology News berichtete am 30. Oktober über dieselbe Runde als Geld für Robotik, Software und Dateninfrastruktur. Robotics & Automation News folgte am 30. Oktober, und hi-Tech.ua meldete am 2. November, das Unternehmen wolle eine Zusammenarbeit nach GitHub-Vorbild für Laborroboter.

Kapital fließt auch in die Sicherheits- und Betriebsseite der Unternehmens-IT.

Tech.eu berichtete am 3. November, dass das Mailänder Unternehmen CyberKord 2.700.000 Euro in einer Pre-Seed-Finanzierung aufgenommen hat, angeführt von 360 Capital unter Beteiligung von Plus Partners, Addendum Capital und Vento. Das Unternehmen, 2.026 von Alessandro Maggio, Dragos Tanasa und Cosimo Michelagnoli gegründet, nutzt KI und einen digitalen Zwilling der Infrastruktur eines Kunden, um Probleme zu analysieren, Korrekturen zu simulieren und anzuwenden. Es ist kein Laborunternehmen. Der Anspruch ist trotzdem derselbe: die Handarbeit aus dem Ablauf nehmen und die Software den ersten Durchgang machen lassen.

Das größte Signal dieser Woche kam indes von einem Softwareanbieter, der Stellen streicht und die Automatisierung als Grund nennt. SUSE-Chef Dirk-Peter van Leeuwen schrieb in einer internen E-Mail an die Belegschaft, das Unternehmen werde rund 10 Prozent seiner weltweit 1.900 Mitarbeiter abbauen, wie The Register am Montag zuerst berichtete und heise online am 2. November aufgriff. "Automatisierung und KI verändern grundlegend, wie Softwareunternehmen arbeiten", schrieb er laut heise. Betroffene sollten bis Mittwoch informiert werden, die persönlichen Gespräche beginnen Anfang der kommenden Woche.

Was die Forschungsarbeiten tatsächlich zeigen

Die Fachliteratur ist vorsichtiger als die Schlagzeilen zur Finanzierung.

Am 30. Oktober stellten Forscher um Jae-Hyun Baek eine Arbeit auf arXiv ein, die eine LLM-gesteuerte Pipeline zur Entdeckung von Familien verschränkungsunterstützter quantenfehlerkorrigierender Codes beschreibt. Die Pipeline verband Programmevolution mit exakter Bewertung, formaler Beweisprüfung in Lean und zertifizierten Nichtexistenzprüfungen. Sie schloss 54 Lücken in archivierten Tabellen und veröffentlichte 115 verifizierte Code-Datensätze. Die Autoren führten zudem einen kontrollierten Vergleich durch: validierungsausgewählte iterative Programme waren bei ungesehenen Codelängen in 46,1 Prozent und 31,6 Prozent der zurückgehaltenen Ausführungen erfolgreich, gegenüber 19,5 Prozent und 3,1 Prozent bei unabhängig erzeugten Programmen.

Eine zweite arXiv-Arbeit, am selben Tag von Akshat Jani, Sakhinana Sagar Srinivas und Venkataramana Runkana eingereicht, fragt, ob Agenten technische Simulationen zuverlässig spezifizieren können. Bei 120 vorlagenbezogenen Anfragen erreichte ihr vollständiger Workflow 98,3 Prozent korrekte Spezifikationen und Entscheidungsergebnisse im ersten Durchgang, gegenüber 92,5 Prozent bei einem schemaunterstützten Einzelschritt und 82,5 Prozent bei einem rein modellbasierten Ansatz. Der Workflow traf keine falschen Bereitschaftsentscheidungen bei 42 Anfragen, die Klärung oder Ablehnung erforderten. In 12 Live-Tests vom Nutzer bis zum Ergebnis gelangen 9 der gemeinsame Erfolg bei Spezifikation, Ausführung, Export und numerischer Referenz, also 75 Prozent.

"Unser Ziel war zu untersuchen, wie verschiedene Quanten-Lernansätze abschneiden, wenn die Menge der Trainingsdaten bewusst begrenzt wird", sagte Arslan Munir von der Florida Atlantic University laut HPCwire.

HPCwire berichtete am 2. November, dass Munirs Team quantenmaschinelles Lernen bei der Vorhersage von Lungenkrebs aus begrenzten Daten testete. Die Annealing-Maschinen von D-Wave, eingesetzt in einer Quanten-Support-Vektor-Maschine, erreichten 94,31 Prozent Genauigkeit in der Simulation und 91,90 Prozent auf der Hardware. Der Datensatz begann mit 309 Datensätzen und wurde mit synthetischen Beispielen auf 540 Stichproben ausgeglichen; laut den Forschern standen diese nicht für neu rekrutierte Patienten.

Die Hardware bewegt sich parallel. Semiengineering berichtete am 2. November, dass IBM-Forscher vier Fernkoppler zwischen zwei supraleitenden 120-Qubit-Prozessoren vom Typ Nighthawk R1 nachgewiesen haben, in einer Arbeit auf arXiv. IBMs eigene Arbeit zur Züchtung von Magic States, ebenfalls auf arXiv veröffentlicht, weist in dieselbe Richtung.

Wo die Skepsis hingehört

Am besten zeigt den Abstand zwischen Demo und Einsatz der Fall Claude und der Grippeforscher.

Science News berichtete am 26. Oktober, Anthropic habe erklärt, ein Forscher habe Claude genutzt, um Studien zu planen und Daten zu hochpathogener aviärer Influenza auszuwerten, darunter Arbeiten zur Identifizierung von Mutationen, die dem Virus helfen könnten, sich an Säugetiere anzupassen. Anthropic sperrte das Konto im Mai 2.026 wegen der Umgehung von Zugriffsbeschränkungen. Gregory Koblentz von der George Mason University sagte Science News, es gebe "keine Belege dafür, dass irgendeines dieser Forschungsprojekte mit der Entwicklung biologischer Waffen zusammenhing", und Thomas Friedrich von der University of Wisconsin–Madison sagte, die Darstellung des Unternehmens lege nahe, dass das Modell "keine nennenswerte wissenschaftliche Fähigkeit hinzugefügt" habe.

Das ist der Test, vor dem jedes dieser Werkzeuge jetzt steht. Automatisierung kann die langweiligen Teile der Forschung zusammenpressen, und die quelloffene Werkbank macht ihre Schritte nachprüfbar, was mehr ist als bei den meisten. Doch eine schnellere Schleife ist nicht dasselbe wie eine bessere Frage. Die E-Mail von SUSE ist die Erinnerung daran: Dasselbe Argument, das die Werkzeuge finanziert, kostet bereits Menschen ihre Stellen.