KI findet Querverbindungen in 22 Forschungsfeldern – und legt eine Schwäche der Wissenschaft offen

Ein Forschungsteam um den Physiker Matthew Schwartz hat mit dem Softwareansatz „BootLoops“ in nur drei Monaten 36 Vorabveröffentlichungen über 22 wissenschaftliche Felder hinweg erzeugt. Der Kern der Arbeit: KI-Modelle wie Claude und ChatGPT suchten nach Problemen in verschiedenen Disziplinen, die dieselbe mathematische Struktur haben – obwohl die Fachgebiete inhaltlich kaum etwas miteinander zu tun haben.

Das ist mehr als ein netter KI-Trick. Es legt eine alte Schwäche moderner Forschung frei: Wissen ist in Fachgrenzen eingesperrt. Wenn zwei Disziplinen dieselbe mathematische Frage stellen, aber verschiedene Begriffe benutzen, bleibt die Verbindung oft unsichtbar. Genau dort setzt das System an. Es sucht nicht nach einer neuen Naturkonstante. Es sucht nach übersehenen Analogien.

Ein Beispiel macht das greifbar. Zwei Stammbäume von Menschen, Schimpansen, Gorillas und Orang-Utans sind in ihrer Wahrscheinlichkeit exakt gleich gebunden. In einem anderen Fall zeigte die Berechnung für Medicare-Bewertungen, dass veränderte Grenzwerte rund 1 Milliarde Dollar an Bonuszahlungen zwischen Versicherern verschieben würden. Solche Ergebnisse sind nicht automatisch bahnbrechend. Aber sie sind konkret. Und sie zeigen, dass in etablierten Daten und Modellen noch ungehobene Antworten liegen.

Genau hier wird die Geschichte interessant. Die Leistung der KI liegt nicht vor allem darin, Genialität zu simulieren. Sie arbeitet breit. Sehr breit. Sie kann mathematische Muster über viele Gebiete hinweg wiedererkennen und Dinge zusammenlegen, für die Menschen oft zu spezialisiert arbeiten. Das macht sie zu einer Maschine für Transferwissen. Für die Forschung ist das wertvoller, als es zunächst klingt.

Der Haken ist ebenso klar. Ein korrektes Resultat ist noch kein wichtiger Beitrag. Die beteiligten Forscher benennen das selbst offen: Das System kann etwas Berechenbares finden, ohne zu wissen, ob ein Fach das Ergebnis überhaupt braucht. Ein Ökologe bewertete Resultate als solide, aber für sein Gebiet kaum bewegend. Dazu kommt ein methodischer Bias: Das Werkzeug greift bevorzugt auf ältere, stark zitierte Arbeiten zurück. Es verstärkt also bestehende Literaturpfade, statt sie zwingend zu verlassen.

Das ist der Punkt, an dem menschliches Urteil wieder ins Zentrum rückt. Junge Forschende lernen nicht nur Formeln, sondern auch Geschmack: Welche Frage zählt? Welche Abweichung ist nur formal hübsch, welche verändert ein Feld? Diese Auswahl kann ein Sprachmodell nicht einfach ersetzen. Schwartz hat selbst Ergebnisse zurückgehalten, die nicht ausreichend geprüft waren. Das ist eher ein Warnsignal als eine Fußnote.

Trotzdem ist die Entwicklung wichtig. Nicht weil KI nun plötzlich Wissenschaft automatisiert. Sondern weil sie zeigt, wie viel in der Forschung an Übersetzungsarbeit fehlt. Viele Disziplinen sitzen auf ähnlichen Problemen, ohne voneinander zu profitieren. Wenn KI diese Brücken schneller findet, verändert das den Alltag von Forschung. Weniger als Ersatz für Labore oder Theoriearbeit. Mehr als Radar für blinde Flecken.

Der eigentliche Wert liegt also nicht in den 36 Vorabveröffentlichungen allein. Er liegt in einer neuen Arbeitsteilung. Die Maschine durchkämmt bekannte Literatur nach strukturellen Parallelen. Menschen entscheiden, was davon fachlich trägt. Wenn das funktioniert, entsteht kein autonomer Wissenschaftler. Es entsteht ein sehr produktiver Assistent für Anschlussideen, Querverweise und übersehene Rechnungen.

Das ist nüchtern betrachtet auch die realistischste Lesart. KI macht Forschung nicht magisch. Aber sie kann helfen, dass Fachgebiete weniger aneinander vorbeiarbeiten. Und das ist in einer Wissenschaftswelt, die immer tiefer in Spezialgebiete zerfällt, ein ziemlich handfester Fortschritt.