ZÜRICH / LONDON (IT BOLTWISE) – Forschende stellen mit Co-Scientist einen mehragentigen KI-Ansatz vor, der Hypothesen strukturiert formuliert und anschließend über einen Mechanismus für Test-Time-Compute kritisch weiterentwickelt. Die Lösung ist auf das wissenschaftliche Arbeitsprinzip ausgelegt, bei dem neue Ideen erst durch belastbare Experimente überzeugen müssen. In drei biomedizinischen Szenarien zeigt das System, wie es neuartige Vorschläge macht, die in vitro überprüft wurden. Besonders relevant: Für Drug Repurposing und Kombinationstherapien werden Kandidaten genannt, die in Laborexperimenten weiterbestanden.
Im Zentrum der neuen Arbeit steht eine praktische Beobachtung: Wissenschaftliche Fortschritte entstehen selten aus einer einzigen Idee, sondern aus einem iterativen Zusammenspiel von Hypothesenbildung, Kritik und experimenteller Prüfung. Genau dort setzt Co-Scientist an. Das mehragentige KI-System, das auf einer Gemini-basierten Architektur für strukturierte Problemlösung aufbaut, soll aus Forschungszielen und vorliegenden Evidenzen nachweisbar neuartige Hypothesen erzeugen, die anschließend experimentell verifiziert werden. Damit verschiebt sich der Fokus von reiner Analyse hin zu einem „Co-Pilot“ für den kreativen Teil des Forschungsprozesses – allerdings mit eingebauter Qualitätssicherung durch modellinterne Bewertung und Weiterentwicklung.
Technisch betrachtet kombiniert Co-Scientist mehrere Agents, die nicht nur parallel Ideen produzieren, sondern sie auch fortlaufend gegeneinander in Stellung bringen. Im Kern generiert das System Hypothesen, evaluiert sie kritisch und verfeinert sie, bevor es die nächste Generation von Vorschlägen anstößt. Entscheidend ist dabei die Idee des „Scaling test-time compute“: Das System investiert zusätzliche Rechenzeit nicht beim Training, sondern während der Inferenz, um komplexe Überlegungen genauer auszuarbeiten. Ergänzend wird eine asynchrone Task-Ausführung beschrieben, die flexible Skalierung ermöglicht, statt starre Abfolgen zu erzwingen. So kann die Hypothesenproduktion dynamisch an die verfügbare Rechenleistung angepasst werden.
Um die Qualität der Ergebnisse zu steigern, wird zudem ein „Tournament“-Evolutionsprozess eingesetzt. Dabei treten Hypothesen wie in einer Meisterschaft gegeneinander an: bessere Kandidaten erhalten mehr Aufmerksamkeit, schwächere werden entweder verworfen oder in überarbeiteter Form erneut durchlaufen. Diese Art von Selektions- und Feedbackschleifen ist für Unternehmen besonders spannend, weil sie den Weg von „einfachen Antworten“ hin zu „kontrollierbaren Suchprozessen“ markiert. Im Vergleich zu klassischen GenAI-Workflows, bei denen ein Modell einmal generiert und anschließend nur manuell nachbearbeitet wird, wirkt Co-Scientist wie eine automatisierte Variante von Peer-Review plus experimenteller Agenda – nur dass die Vorarbeit digital erfolgt und die Laborebene weiterhin die letzte Instanz bleibt.
Für den Markt ist das Timing ein starkes Signal. Im Umfeld konkurrierender Ansätze investieren Big-Tech-Ökosysteme seit Monaten massiv in Agenten, die in wissenschaftlichen Workflows arbeiten sollen – etwa durch Plattformen, die Multi-Agent-Orchestrierung, RAG-gestützte Wissensintegration und hochskalierbares Deployment zusammenbringen. Gleichzeitig zeigen sich in der Branche zwei unterschiedliche Strategien: Während einige Anbieter auf breiten „General Purpose“-Agenten setzen, betont Co-Scientist stärker den Labor-Bezug über konkrete Validierungspfade. Branchenbeobachter formulieren es sinngemäß so: „Unternehmen werden KI in den Life Sciences erst dann wirklich einsetzen, wenn sie überprüfbar bessere Kandidaten liefert – nicht nur plausibel klingt.“ Genau darauf zielt die präsentierte in-vitro Validierung ab.
Ein weiterer Marktbezug liegt in der Auswahl der drei biomedizinischen Anwendungen: Drug Repurposing, neuartige Target-Discovery sowie das Erklären von Mechanismen bei antimikrobieller Resistenz. Diese Use Cases sind nicht nur wissenschaftlich relevant, sondern auch betriebswirtschaftlich anschlussfähig, weil sie den Weg von Daten zu Hypothesen direkt in pipeline-taugliche Entscheidungen übersetzen. Das System soll laut Arbeit neue Repurposing-Kandidaten identifiziert und darüber hinaus synergistische Kombinationstherapien für akute myeloische Leukämie vorgeschlagen haben. Dass diese Vorschläge anschließend in vitro validiert wurden, ist für die Enterprise-Einführung zentral: Es reduziert das Risiko, dass KI lediglich „ideenreicher“ wird, ohne echte überprüfbare Wirkung zu erzeugen.
Historisch erinnert der Ansatz zugleich an erfolgreiche Muster aus der KI-gestützten Forschung, bei denen „Search“-Strategien stärker betont wurden als reine Generierung. Frühere Bemühungen konzentrierten sich oft auf die Nutzung von großen Sprachmodellen als Assistenzsysteme für Literatur oder Hypothesenentwürfe; die Messlatte „demonstrably novel“ und die systematische Qualitätskontrolle über mehrere Schleifen waren dagegen häufig schwächer formalisiert. Co-Scientist macht hier einen nächsten Schritt: Die Hypothesenbildung ist nicht nur dokumentiert, sondern strukturell in Agents, Kritiken und Evolution eingebettet. Außerdem wird die Rechenzeitsteuerung in den Mittelpunkt gestellt – ein Signal, dass „mehr Nachdenken zur Laufzeit“ in vielen Forschungsanwendungen realistischer ist als zusätzliche Trainingszyklen.
Aus Sicht von Security und Regulierung verändert ein solches System die Anforderungen an Daten- und Modellgovernance. Sobald wissenschaftliche Daten, interne Forschungsziele und Evidenzsammlungen in einer Multi-Agent-Pipeline verarbeitet werden, rücken Fragen der Datenminimierung, Zugriffskontrolle und Auditierbarkeit in den Vordergrund. Für Unternehmen bedeutet das konkret: Sie brauchen nachvollziehbare Protokolle darüber, welche Evidenz in welcher Agentenphase berücksichtigt wurde, wie Prüfschritte entstanden sind und wie Entscheidungen letztlich an Laborresultate gekoppelt werden. Gerade in der EU werden solche Aspekte durch regulatorische Leitplanken zu Datenschutz und KI-Governance zunehmend praktisch relevant. Co-Scientist liefert dafür zumindest das methodische Bild, während die Umsetzung in Produktumgebungen die Compliance-Schicht mitdenken muss.
Für die Zukunft ergibt sich daraus eine klare Implikation: Wir sehen eine Verschiebung von „KI als kreativer Generator“ hin zu „KI als orchestrierter Forschungsprozess“. In den nächsten Iterationen dürften sich solche Systeme stärker in bestehende MLOps- und Labor-IT-Landschaften integrieren, beispielsweise über Pipelines, die Hypothesen automatisch in Prüfpläne übersetzen und Resultate zurück in die Bewertungsschleifen einspeisen. Ebenso ist zu erwarten, dass test-time compute und Tournament-Mechanismen nicht nur bei biomedizinischen Aufgaben genutzt werden, sondern in Materialienforschung, Chemie und möglicherweise sogar in der Entdeckung von Leitplanken für neue Software- oder Hardwarearchitekturen. Entscheidend bleibt: Der Labor- bzw. Validierungspfad muss erhalten bleiben, sonst kippt der Nutzen schnell in Richtung Simulation ohne echte Aussagekraft.
Wer Co-Scientist in Unternehmen oder Forschungseinrichtungen nutzen will, sollte daher weniger „ein Modell“ evaluieren, sondern den gesamten Loop. Dazu gehören Rechte- und Datenkonzepte, die Fähigkeit, Hypothesenversionen nachvollziehbar zu machen, und eine klare Schnittstelle zwischen KI-Output und experimenteller Planung. Wenn diese Voraussetzungen stimmen, kann ein System wie Co-Scientist die Geschwindigkeit erhöhen, mit der Teams von Evidenz zu überprüfbaren Ideen gelangen, ohne die Qualitätskontrolle zu verlieren. Für Leserinnen und Leser, die den wissenschaftlichen Kontext nachschlagen möchten, wird in den Metadaten auf Nature verwiesen, wobei die Arbeit selbst als „Accelerating scientific discovery with Co-Scientist“ geführt wird.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Co-Scientist von Nature: Multi-Agent-KI schlägt und validiert Hypothesen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Co-Scientist von Nature: Multi-Agent-KI schlägt und validiert Hypothesen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Co-Scientist von Nature: Multi-Agent-KI schlägt und validiert Hypothesen« bei Google Deutschland suchen, bei Bing oder Google News!