Allgemeine News aus der KI-BrancheAgenteninfrastruktur

OpenAI setzt Tausende KI-Agenten auf Millionen Gehirnzellen an – Forschungsergebnisse in 32 Minuten

OpenAI, PerturbAI und Scripps Research setzten Tausende GPT‑Rosalind-Agenten ein, um CRISPR-Perturbationsdaten von Millionen Mausgehirnzellen zu analysieren und innerhalb von 32 Minuten neue vielversprechende Ansatzpunkte zu identifizieren. Dieser Beitrag erläutert den Workflow mit verteilten Agenten, seine Auswirkungen auf die Forschungsinfrastruktur und wie KI-generierte Hypothesen neben der Validierung im Labor zu bewerten sind.

NexusAI Editorial22. Okt. 20261.6K Aufrufe7 Min. Lesedauer

OpenAI setzt Tausende KI-Agenten auf Millionen Gehirnzellen an – Forschungsergebnisse in 32 Minuten

AI-Briefing

Die Arbeit von OpenAI mit PerturbAI und Scripps Research zeigt, wie Tausende GPT‑Rosalind-Agenten einen umfangreichen biologischen Datensatz aufteilen, gezielt Literatur auswerten und innerhalb von 32 Minuten überprüfbare Forschungsansätze hervorbringen können. Für Forschungsleitungen und Investoren im Bereich F&E kommt es vor allem darauf an, zu verstehen, wo Agentenschwärme Skalierung und eine breite Abdeckung möglicher Kombinationen ermöglichen, wie sie die Literaturrecherche und Hypothesengenerierung beschleunigen und welche Validierungsschritte weiterhin nötig sind, bevor Ergebnisse von Agenten als Entdeckungen gelten können.

Biologische Experimente in großem Maßstab erzeugen heute um ein Vielfaches mehr Ergebnisse, als ein menschliches Team vollständig untersuchen kann. In einer Zusammenarbeit von OpenAI, PerturbAI und Scripps Research diente ein CRISPR-Atlas des gesamten Mausgehirns als Grundlage für einen alternativen Ansatz: Tausende schlanke GPT‑Rosalind-Agenten liefen parallel und analysierten jeweils eine gezielte Perturbation. Zusammengenommen wurden ihre Berichte zu einem Reasoning-Atlas gebündelt, der Gene mit zellulären Reaktionen, einschlägiger Literatur und mechanistischen Hypothesen verknüpfte – und das in einem Zeitraum, für den eine manuelle Analyse sonst Monate gebraucht hätte.

Die Entscheidung, Aufgaben auf zahlreiche spezialisierte Agenten zu verteilen, war entscheidend für das Ergebnis. Statt einen einzelnen Allround-Prozess Hunderte oder Tausende Perturbationen der Reihe nach bearbeiten zu lassen, teilte das System die Arbeit auf. So konnten sich einzelne Agenten intensiv mit den zellulären Signaturen eines bestimmten Gens befassen und Fachliteratur heranziehen. Diese Parallelisierung steigerte sowohl die Breite – es wurden viele Perturbationen analysiert – als auch die Tiefe – pro Perturbation wurden mehr Literaturquellen angeführt. Das Ergebnis war ein Geflecht möglicher Erklärungen, das menschliche Fachleute in verblindeten Vergleichen später als neuartig und umsetzbar bewerteten.

Wichtig ist: Die Agenten lieferten keine validierten Entdeckungen, sondern priorisierte, durch Literatur gestützte Hypothesen und Zusammenhänge, die sich für weitere Experimente eignen. Zu den vom System hervorgehobenen Beispielen gehörten unterschiedliche Auswirkungen von Tsc1 und Tsc2 auf Kleinhirnneuronen sowie ein möglicher Zusammenhang zwischen der intrazellulären Cholesterinverarbeitung und Neurodegeneration im Kontext von Dctn1-Perturbationen. Diese Ansätze zeigen, wie Agentenschwärme den Weg von umfangreichen Datensätzen zu konkreten Laborexperimenten beschleunigen können. Gezielte Validierung im Labor und mechanistische Untersuchungen ersetzen sie jedoch nicht.

Wichtigste Erkenntnisse

Agentenschwärme skalieren die Hypothesengenerierung

Tausende spezialisierte Agenten können zahlreiche Perturbationen parallel untersuchen und differenzierte, durch Literatur gestützte Ansätze aufdecken, die einem einzelnen Gutachter oder Agenten wahrscheinlich entgehen würden.

Ergebnisse sind Ansatzpunkte, keine Beweise

Betrachten Sie den Reasoning-Atlas als Sammlung priorisierter Hypothesen, die vor Entscheidungen zu klinischen Anwendungen oder Produkten weitere Experimente, verblindete Prüfungen und Replikationen erfordern.

Die Infrastruktur ist wichtiger als die Modellgröße

Der Erfolg hängt von Orchestrierung, Nachverfolgbarkeit, Literaturzugang und menschlichen Arbeitsabläufen ab, die KI-Ansätze in validierte Experimente überführen – eine klare Chance für Plattformanbieter.

Was bei dem Experiment tatsächlich geschah

Das Team speiste einen CRISPR-Atlas mit Perturbationen des gesamten Gehirns in eine verteilte Reasoning-Pipeline ein: Jeder Agent erhielt die Daten zu einer einzelnen Perturbation, analysierte automatisiert zelltypspezifische Veränderungen der Genexpression, recherchierte einschlägige Literatur, fasste sie zusammen und schlug mechanistische Erklärungen vor, die den Eingriff in ein Gen mit den beobachteten Zellphänotypen verknüpften. Anschließend wurden die Berichte zu einem durchsuchbaren Reasoning-Atlas zusammengeführt. Das Ergebnis ist keine einzelne Erzählung, sondern eine strukturierte Karte der Zusammenhänge: Experiment → Beobachtungen → Literaturkontext → überprüfbare Hypothesen.

Wie Tausende Agenten organisiert wurden – und warum das wichtig ist

Die Architektur setzt auf die Aufteilung von Aufgaben und Redundanz. Die Agenten erhielten klar abgegrenzte Aufgabenbereiche. Dadurch konnten sie gründlicher recherchieren und pro Perturbation mehr Quellen anführen, als es einem einzelnen Agenten möglich gewesen wäre. Dank der parallelen Ausführung konnte das System auch subtile Signale untersuchen, die Analysten, die sich nur auf die stärksten Effekte konzentrieren, möglicherweise übersehen hätten. Für Unternehmen ergibt sich daraus ein betrieblicher Zielkonflikt: Mit der Zahl der Agenten steigt der Orchestrierungsaufwand, zugleich entstehen aus demselben Datensatz vielfältigere und gehaltvollere Forschungsansätze.

Agentenschwärme im Vergleich zu Workflows mit einem einzelnen Agenten

In direkten Vergleichstests führten verteilte Agenten unter demselben Rechenbudget Hunderte Quellen an, während ein einzelner Agent nur eine Handvoll zitierte. Menschliche Gutachter bevorzugten die Berichte der verteilten Agenten in drei von vier Fällen. Ansätze mit nur einem Agenten verursachen allerdings weniger Orchestrierungsaufwand und können sich für kleinere Experimente oder dann eignen, wenn Teams eine knappe Zusammenfassung benötigen. Mit wachsendem Datensatz und zunehmender Vielfalt möglicher Hypothesen wird der Schwarmansatz vorteilhafter: Er bringt Nischenwissen und interdisziplinäre Zusammenhänge ans Licht, die bei einem einzelnen Durchlauf wahrscheinlich unentdeckt blieben.

Wissenschaftlicher Nutzen, Risiken und Validierungsschritte

Von Agenten generierte Ansätze beschleunigen die Ideenfindung, bergen aber auch Risiken: Fehlinterpretationen der Literatur, Bestätigungsfehler durch die Formulierung der Prompts und den Anschein von Genauigkeit, obwohl weiterhin Unsicherheit besteht. Ein sinnvoller Workflow kombiniert Agentenergebnisse mit verblindeter menschlicher Prüfung, priorisierten Experimenten zur Validierung und Replikationsstudien. Für Förderer und Laborleitungen bedeutet das konkret: Agenten-Atlanten sollten als leistungsfähige Werkzeuge zur Vorauswahl und zur Planung von Experimenten dienen – nicht als endgültiger Beleg für biologische Mechanismen.

Auswirkungen auf die Forschungsinfrastruktur und nächste Schritte

Werden solche Verfahren wiederholt eingesetzt und weiterentwickelt, könnten Pipelines mit verteilten Agenten zu einem festen Bestandteil der Forschungsinfrastruktur werden: Sie würden Hypothesen automatisiert generieren, Literatur zusammenfassen und Experimente priorisieren – parallel zu den Datenrepositorien. Labore sollten in reproduzierbare Agenten-Orchestrierung, die Nachverfolgbarkeit von KI-Ergebnissen und integrierte Pipelines investieren, die aus Agentenansätzen priorisierte und kalkulierte Experimente machen. Investoren sollten Unternehmen im Blick behalten, die Orchestrierung und Nachverfolgbarkeit vereinfachen und eine Validierung von Agentenschwärmen unter Einbeziehung menschlicher Fachleute ermöglichen.

Häufig gestellte Fragen

Wie konnten die Agenten Versuchsergebnisse so schnell mit der Literatur verknüpfen?

Die Agenten erhielten klar umrissene Aufgaben: eine einzelne Perturbation analysieren, differentiell exprimierte Gene und betroffene Zelltypen ermitteln und anschließend einschlägige Fachartikel recherchieren und zusammenfassen. Indem Tausende solcher gezielten Recherchen parallel ausgeführt und die Ergebnisse gebündelt wurden, erreichte das System eine breite Literaturabdeckung – deutlich schneller als bei einer sequenziellen Prüfung durch Menschen.

Können wir die Hypothesen der Agenten als wissenschaftliche Entdeckungen betrachten?

Nein. Die Agenten generieren priorisierte, durch Literatur gestützte Hypothesen und mechanistische Vorschläge. Sie sind Ausgangspunkte für Experimente, keine validierten Erkenntnisse. Um wissenschaftliche Aussagen zu belegen, braucht es weiterhin geeignete Laborexperimente, Replikationen und eine Begutachtung durch Fachkollegen.

Was sollten Labore und Förderer als Nächstes tun, um diesen Ansatz zu übernehmen?

Sie sollten in die Orchestrierung von Agenten, die Nachverfolgbarkeit und Audit-Protokolle sowie Prüfprozesse unter Einbeziehung menschlicher Fachleute investieren. Sinnvoll sind Pilotprojekte, die priorisierte KI-Ansätze in kleine, zügig durchführbare Folgeexperimente überführen, um zu prüfen, ob die von Agenten vorgeschlagenen Richtungen reproduzierbare Signale liefern.