Künstliche Intelligenz in Forschung und Wissenschaft

KI-gestützte Forschungsprozesse sind hocheffizient. Gleichzeitig verändern sie, wie Wissenschaftlerinnen und Wissenschaftler auf Daten schauen. Anstatt eigenständig Modelle zu kreieren und diese mit Daten zu überprüfen, können sie nun die Algorithmen damit beauftragen, ein Modell zu kreieren. Deep-Learning-Algorithmen, die neuronale Strukturen des menschlichen Gehirns nachahmen, sind dafür besonders erfolgversprechend. Ein Vorteil ist, dass die künstliche Intelligenz Daten ohne menschliche Vorurteile betrachtet, die darauf beruhen, wie Forschende die Physik auffassen oder was sie künftig von ihr erwarten. So kann die KI neue Denk- und Forschungsansätze anstoßen, die ein Mensch nicht imstande wäre, sich vorzustellen.

Erklärungen finden mit Explainable AI

Auf der anderen Seite transformiert KI die Art und Weise, wie geforscht wird: von Erkenntnissen, Theorien und Erklärungen hin zu Daten und Anwendungen. Wenngleich dadurch große Fortschritte und Effizienzvorteile entstehen, wirft das eine Reihe ethischer Herausforderungen auf. Etwa Vertrauensdefizite, wenn ein KI-System zur Blackbox wird und sich Ergebnisse nicht mehr erklären lassen. Oder wenn aus Korrelationen Zusammenhänge entstehen, die es gar nicht gibt. Um diesem Dilemma zu entgehen, ist erklärbare KI oder auch Explainable AI ein Lösungsansatz. Forschende setzen dabei transparente Modelle wie beispielsweise einen Entscheidungsbaum ein, um die Muster einer KI zu dokumentieren. Eine andere Taktik ist es, ein komplexes KI-Modell durch ein einfacheres Modell abzubilden und mit dessen Hilfe Erklärungen zu erzeugen. Auf diese Weise wird im Vor- oder im Nachhinein erklärbar, wie eine KI arbeitet.

Forscher im Fokus?

Daneben geht es darum, das Potenzial intelligenter Technologien zu nutzen, ohne den Menschen und dessen Kreativleistung obsolet zu machen. Während das Berufsbild des Physikers als eines der sichersten gilt, was die Verdrängung durch KI angeht, da ein Großteil der Arbeit ohnehin bereits am Computer stattfindet, sind andere Forschungsgebiete potenziell betroffen. Etwa die Genforschung oder die Klimaforschung. Dort wird künstliche Intelligenz bereits erfolgreich eingesetzt. Doch auch in diesen Gebieten ist die Fähigkeit zum Kausaldenken nötig, um gefundene Muster auf Krankheitsbilder zurückzuführen oder etwa auf den Klimawandel. Es braucht weiterhin den Menschen im Mittelpunkt der Forschung, um Zusammenhänge zu erkennen, die auch wirklich bestehen.