Wissenschaft und Gesundheit

14.1Die KI, ein neues Instrument der Wissenschaft

Einordnung

Vom automatisierten Labor zur Mathematik

Zwei konkrete Beispiele. Auf der einen Seite koppeln autonome Labore („self-driving labs“) KI mit Robotern, um Hypothesen aufzustellen, Experimente durchzuführen und in einer Schleife aus ihren Ergebnissen zu lernen, was die Entdeckung von Materialien oder Katalysatoren beschleunigt. Auf der anderen Seite, in der Mathematik, haben Systeme von DeepMind (AlphaProof, AlphaGeometry) 2024 bei der Internationalen Mathematik-Olympiade das Niveau einer Silbermedaille erreicht, ein Zeichen dafür, dass die KI beginnt, zum formalen Schließen beizutragen und nicht mehr nur Muster zu erkennen. Seither wurde dieses Niveau übertroffen: Bei der Internationalen Mathematik-Olympiade 2026 (Shanghai, Juli) erzielten zwei KI-Systeme, Celia (Huawei) und dots-note 3.0 (Xiaohongshu), die volle Punktzahl von 42 von 42, wobei die Korrektur von den Organisatoren übernommen wurde, sodass der Wettbewerb für Modelle keine Trennschärfe mehr besitzt. Die Herausforderung verlagert sich auf die Forschung selbst. Am 10. August 2026 veröffentlichte Anthropic einen Artikel, in dem eine unveröffentlichte Forschungsversion von Claude den nachgewiesenen Anteil der Nullstellen der Riemannschen Zetafunktion, die einfach sind und auf der kritischen Geraden liegen, von 41,6 auf 67,2 % anhebt; der Beweis wurde in Lean formalisiert und von Mathematikern gegengelesen, und Anthropic stellt klar, nicht damit zu rechnen, dass diese Techniken die Riemannsche Vermutung beweisen. Am 1. August 2026 gab OpenAI zehn Ergebnisse in Mathematik und theoretischer Informatik bekannt, die nach Angaben des Unternehmens von einem damals unveröffentlichten Modell (Astra) erzielt wurden, jedes davon in Lean formalisiert.

14.2Biologie und Wirkstoffentdeckung

Abbildung14.1. Die Verkürzung der Entdeckungszeit. Indem die KI die Wechselwirkung zwischen einem Molekül und seinem Ziel digital simuliert, lassen sich zum Scheitern verurteilte Kandidaten sehr früh aussortieren, was die langsamste und teuerste Phase verkürzt.

Unter der Haube

AlphaFold 3 (2024) sagt nicht mehr nur die Form von Proteinen vorher, sondern auch ihre Wechselwirkungen mit kleinen Molekülen (den Wirkstoffen), mit DNA und RNA; seine Datenbank verzeichnet mehr als 200 Millionen Strukturen, die der Forschung offenstehen. Die DeepMind-Ausgründung Isomorphic Labs hat daraus eine Engine für das Wirkstoffdesign gemacht (von Fachleuten mitunter „AlphaFold 4“ genannt), hat im Jahr 2026 2,1 Milliarden Dollar eingeworben, Partnerschaften mit großen Pharmakonzernen geschlossen (Eli Lilly, Novartis, Johnson & Johnson) und strebt für Ende 2026 den Eintritt ihres ersten KI-entworfenen Medikaments (gegen Krebs) in klinische Studien an. Andere sind weiter: Insilico Medicine hat am 7. Juli 2026 die Phase III von Rentosertib (gegen idiopathische Lungenfibrose) gestartet, mit der Studie GENESIS-IPF-3, randomisiert, doppelblind und placebokontrolliert (320 Patienten, 47 Zentren in China, 52 Wochen), deren erster Patient am 9. September 2026 behandelt wurde; am 29. Juli 2026 hat die FDA (die US-Arzneimittelbehörde) außerdem einem weiteren KI-entworfenen Kandidaten von Insilico (ISM6331, gegen das Mesotheliom) ein beschleunigtes Verfahren (Fast Track) gewährt. Bis zum 30. September 2026 hat allerdings noch kein von KI entdecktes oder entworfenes Medikament eine Marktzulassung der FDA erhalten. Neben dem Moleküldesign beschleunigt die KI auch die Genomik (DNA interpretieren, die Wirkung von Mutationen vorhersagen) und die Analyse der Zellbiologie. Über die Vorhersage hinaus erlaubt sie es inzwischen, Proteine und Enzyme mit gewünschten Eigenschaften von Grund auf zu entwerfen (ein Gebiet, das ebenfalls mit dem Nobelpreis für Chemie 2024 ausgezeichnet wurde), und ebnet so den Weg für neue Impfstoffe, Therapien und Biomaterialien.

Einordnung

Vom Protein zum Genom

Am 8. September 2026 hat Google DeepMind den AlphaGenome Atlas online gestellt, eine Datenbank von rund 1 Petabyte, die die Vorhersagen des Modells AlphaGenome für sämtliche 9 Milliarden möglichen Substitutionen eines einzelnen Buchstabens im menschlichen Genom enthält, mit einem einheitlichen Impact-Score (AVI) und einem Webportal. Am 6. August 2026 veröffentlichte ein Team aus Stanford und dem Arc Institute in Science den Entwurf ganzer Bakteriophagen-Genome durch genomische Sprachmodelle (Evo): Von knapp 300 synthetisierten Genomen haben 16 lebensfähige Phagen einen Stamm von Escherichia coli infiziert und abgetötet. Den Modellen waren Daten zu humanpathogenen Erregern vorenthalten worden, doch Fachleute für Biosicherheit warnen, dass sich diese Schutzvorkehrung teilweise umgehen lässt, und empfehlen ein Screening der Bestellungen synthetischer DNA (siehe Kapitel 24).

Einordnung

Biohacking und die Demokratisierung der Biologie

Indem die KI die Kompetenzschwelle senkt, gibt sie kundigen Laien Werkzeuge der Spitzenbiologie an die Hand, eine Bewegung, die mitunter Biohacking genannt wird. Der anschaulichste Fall: 2025–2026 nutzte Paul Conyngham, ein australischer Berater ohne biologische Ausbildung, einen Chat-Assistenten und AlphaFold, um einen personalisierten mRNA-Impfstoff gegen den Krebs (einen Mastzelltumor) seiner Hündin Rosie zu entwerfen. Das Vorgehen folgt der Logik der Präzisionsmedizin: das gesunde Genom mit dem Tumorgenom vergleichen, um die Mutationen aufzuspüren, die entsprechenden Proteine mit AlphaFold modellieren und dann diese „Neoantigene“ gezielt angreifen. Den Impfstoff hat er nicht selbst hergestellt: Ein spezialisiertes Universitätsinstitut (an der UNSW in Sydney) hat ihn für einige Tausend Dollar synthetisiert. Berichtetes Ergebnis: eine Verkleinerung des Tumors um etwa die Hälfte, jedoch keine Heilung. Diese Episode veranschaulicht das Versprechen (die KI ersetzt die Forschenden nicht, sondern erweitert den Kreis derer, die beitragen können, hin zu einer partizipativeren Medizin) ebenso wie ihre Grenzen: Wie die Fachleute betonen, handelt es sich um Arbeitshypothesen, nicht um validierte Therapien; allein der Weg über klinische Studien kann einen echten Nutzen belegen, und die Herstellung erfordert nach wie vor ein Labor. Die dunklere Kehrseite dieser Demokratisierung, das Risiko für die Biosicherheit, wird in Kapitel 24 behandelt.

Einordnung

KI und Langlebigkeit

Ein verwandtes Feld zieht beträchtliche Mittel an: die Forschung zum Altern und zur Langlebigkeit. Die Idee besteht nicht mehr nur darin, Krankheiten eine nach der anderen zu behandeln, sondern die Mechanismen des Alterns selbst zu verstehen, ja zu verlangsamen. Die KI übernimmt dabei mehrere Rollen: riesige biologische Datensätze auswerten, um Alterungsuhren zu konstruieren (das „biologische“ Alter eines Organismus anhand molekularer Marker schätzen), Moleküle aufspüren, die als Kandidaten für eine Wirkung auf seneszente Zellen oder die Signalwege des Alterns infrage kommen, und die Entdeckung von Therapien beschleunigen (mit denselben Engines wie im vorigen Abschnitt). Spezialisierte Unternehmen (wie das bereits genannte Insilico Medicine oder, aufseiten der Longevity-Biotechs, Retro Biosciences und Altos Labs) setzen auf diese Konvergenz. Vorsicht bleibt angebracht: Das gesunde Leben zu verlängern ist ein ernsthaftes wissenschaftliches Ziel, doch das Feld zieht auch sehr optimistisches Marketing an, und eine validierte „Pille gegen das Altern“ gibt es bis heute nicht. Die Grenze zwischen strenger Forschung und überzogenen Versprechen ist hier besonders schmal.

14.3Materialien, Klima und weitere Grundlagenwissenschaften

Im Klartext

Derselbe Ansatz breitet sich in zahlreichen Disziplinen aus, in denen die KI als Beschleuniger und Erkunder im Dienst der Forschenden wirkt:

Materialwissenschaft: KI-Systeme haben Hunderttausende neuer Kristallstrukturen vorgeschlagen, Kandidaten für bessere Batterien, Supraleiter oder Solarmodule (Bezug zur Energiewende in Kapitel 10).
Meteorologie und Klima: KI-Modelle sagen das Wetter inzwischen schneller und mitunter besser vorher als die aufwendigen klassischen physikalischen Simulationen und helfen bei der Modellierung des Klimas.
Physik: Die KI hat es ermöglicht, das heiße Plasma in Reaktoren für die Kernfusion besser zu kontrollieren und die Datenberge der Großgeräte (Beschleuniger, Teleskope) auszuwerten.
Neurowissenschaften: Sie hilft, die Hirnaktivität zu entschlüsseln, bis hin zu Gehirn-Computer-Schnittstellen.
Mathematik: Sie beginnt, Vermutungen aufzustellen und Beweise zu überprüfen (ja zu finden), seit dem Sommer 2026 mit ersten formalisierten Forschungsergebnissen (Abschnitt 14.1).

Einordnung

KI für Kernenergie und Teilchenphysik

Zwei Bereiche verdienen besondere Aufmerksamkeit, weil sie das gewohnte Verhältnis umkehren: Die KI ist dort nicht mehr nur energiehungrig, sie wird zum Werkzeug im Dienst von Wissenschaft und Energie. In der zivilen Kernenergie optimiert sie bereits den Betrieb der Kraftwerke: vorausschauende Wartung (den Ausfall einer Komponente vorhersehen), Anomalieerkennung in den Datenströmen der Sensoren, Planung der Stillstände und Brennstoffmanagement sowie Beschleunigung der Reaktorauslegung (einschließlich der kleinen modularen Reaktoren, SMR). Die Internationale Atomenergie-Organisation (IAEO) koordiniert seit 2021 eigene Programme und hat Referenzzentren ausgezeichnet (an der Purdue University für die Kernenergie, am MIT für die Fusion). In der Fusion ist die zentrale Herausforderung die Echtzeitkontrolle des Plasmas: ein mehrere Millionen Grad heißes, von Natur aus instabiles Gas, das Systeme des bestärkenden Lernens durch die Steuerung der Magnetfelder einzuschließen gelernt haben, wo klassische Methoden an ihre Grenzen stoßen; die KI hilft auch, die Parameter künftiger Reaktoren zu erkunden. So haben Forschende aus Princeton und vom PPPL im September 2026 in Nuclear Fusion das Framework PACMAN veröffentlicht, das in fünf Experimenten am Tokamak DIII-D getestet wurde: Sein Entscheidungszyklus beträgt rund 20 Millisekunden, und eine magnetische Tearing-Mode wurde dabei vorhergesagt und rund 200 Millisekunden im Voraus vermieden. In der Teilchenphysik schließlich stützen sich Labore wie das CERN seit Langem auf maschinelles Lernen, um die Berge von Kollisionsdaten des großen Beschleunigers (LHC) zu sichten und darin die seltenen interessanten Signale aufzuspüren. KI und Energie befruchten sich so gegenseitig (Kapitel 10).

Einordnung

KI und Raumfahrt

Der Raumfahrtsektor ist zu einem Großverbraucher von KI geworden. In der Erdbeobachtung werten Modelle fortlaufend Satellitenbilder aus, um Entwaldung, Anbauflächen, Katastrophen, Eisschmelze oder Emissionen zu verfolgen, und verwandeln eine Bilderflut in verwertbare Informationen. In der Astronomie sichtet maschinelles Lernen die riesigen Datenmengen der Großteleskope: Nachweis von Exoplaneten in Lichtkurven (eine Methode, die in den Kepler-Daten neue Welten zutage gefördert hat), Klassifikation von Galaxien, Aufspüren transienter Ereignisse. In der Erkundung unterstützt die KI die autonome Navigation von Rovern und Sonden (bei denen die Signallaufzeit eine direkte Steuerung ausschließt), die Planung der Beobachtungen und die vorausschauende Wartung der Raumfahrzeuge. Schließlich stützt sich die Weltraumüberwachung (Verfolgung von Trümmern in der Umlaufbahn, Kollisionsvermeidung) immer stärker auf diese Techniken, je dichter sich die niedrige Erdumlaufbahn mit Satelliten füllt. Auch hier wirkt die KI als Multiplikator der wissenschaftlichen und operativen Arbeit.

Einordnung

KI für Umwelt und Biodiversität

Die KI dient auch dazu, die belebte Natur zu überwachen und zu schützen. Sie bestimmt Arten anhand von Bildern automatischer Kamerafallen oder anhand von Lauten (Vogelgesang, Rufe von Walen), verfolgt Tierbestände und spürt Wilderei auf; sie kartiert die Entwaldung und den Zustand der Wälder, überwacht Ozeane und Korallenriffe und hilft, die Auswirkungen des Klimawandels auf Ökosysteme zu modellieren. Diese Werkzeuge verschaffen Forschenden und den Verwaltungen von Schutzgebieten eine großflächige Beobachtungsfähigkeit, die lange unerreichbar war. Es gilt die übliche Einschränkung: Diese Analysen bleiben Schätzungen, die vor Ort zu überprüfen sind, und der ökologische Fußabdruck der KI selbst (Kapitel 10) mahnt, ihren Nutzen für die Umwelt gegen ihre Kosten abzuwägen.

Einordnung

Die KI, die das Wetter vorhersagt

Einer der greifbarsten Erfolge der KI für die Wissenschaft ist die Wettervorhersage. Modelle, die auf Jahrzehnten atmosphärischer Daten trainiert wurden (den Reanalysen wie ERA5), haben die traditionellen physikalischen Systeme, die auf Supercomputern laufen, bei zahlreichen Kennzahlen eingeholt und dann übertroffen. Der Pionier, GraphCast (Google DeepMind, 2023), erstellt eine Zehn-Tage-Vorhersage in weniger als einer Minute auf einer einzigen Grafikkarte, wo das Referenzmodell des Europäischen Zentrums (des ECMWF) Stunden benötigt, und hat es bei rund 90 % der getesteten Kennzahlen übertroffen; sein probabilistischer Nachfolger, GenCast (2024), erzeugt Ensemble-Szenarien und hat das europäische Ensemblesystem bei knapp 97 % der Zielgrößen geschlagen. Weitere Akteure sind im Rennen: Pangu-Weather (Huawei), besonders gut bei Wirbelstürmen, Aurora (Microsoft), ein „Foundation-Modell“ der Atmosphäre, und das ECMWF selbst, das ein eigenes KI-Modell (AIFS) entwickelt und in den operationellen Betrieb überführt hat. In der Praxis ersetzen diese Modelle die physikalischen Modelle (noch) nicht: Wetterdienste und Hurrikanzentren nutzen sie als zusätzliche Vorhersagequelle, und die Abweichung zwischen der KI und dem klassischen Modell wird selbst zu einer Information über die Unsicherheit. Zwei Grenzen dämpfen die Begeisterung: Auf der Vergangenheit trainiert, können diese Modelle beispiellose Extremereignisse schlecht vorhersehen (eine Frage, die in einem sich wandelnden Klima umso dringlicher ist, Kapitel 10), und ihre Auflösung bleibt begrenzt. Die Entwicklung ist dennoch spektakulär: In einem Bereich, in dem die Genauigkeit pro Jahrzehnt etwa einen Vorhersagetag hinzugewann, hat die KI diesen Fortschritt auf wenige Jahre zusammengedrängt.

Einordnung

Die Integrität der Wissenschaft in Gefahr

Über die Reproduzierbarkeit hinaus stellt die generative KI eine unmittelbarere Bedrohung für die Verlässlichkeit der wissenschaftlichen Literatur dar. Artikel werden inzwischen teilweise oder sogar vollständig von Modellen verfasst, mitunter ohne dass dies angegeben wird; in Fachzeitschriften sind verräterische, versehentlich stehen gebliebene Formulierungen aufgefallen, ja sogar gefälschte Abbildungen oder Daten. Das Phänomen nährt die „Artikelfabriken“ (paper mills), die massenhaft gefälschte Publikationen produzieren, und setzt das ohnehin überlastete Peer-Review unter Druck, das manche (mit Vorsicht) durch KI zu unterstützen versuchen. Das Risiko ist ein doppeltes: den wissenschaftlichen Korpus mit zweifelhaften Ergebnissen zu verunreinigen und das Vertrauen in das Publikationswesen zu untergraben. Als Reaktion entwickeln Verlage und Institutionen Erkennungswerkzeuge, Regeln zur Offenlegung des KI-Einsatzes und eine erhöhte Wachsamkeit. Die Wissenschaft muss sich hier vor einem Werkzeug schützen, das sie andererseits für ihren Fortschritt einsetzt.

14.4Gesundheit im Alltag

Im Klartext

Am Krankenbett kommt die KI an mehreren Fronten voran.

Medizinische Bildgebung: Sie erkennt Tumoren und Auffälligkeiten auf Röntgenbildern, CT- oder MRT-Aufnahmen, mitunter mit einer höheren Sensitivität als das menschliche Auge, und beschleunigt die Diagnose.
Diagnoseunterstützung: Dialogorientierte KI-Systeme erzielen in manchen Studien bei Musterfällen bessere Ergebnisse als Ärztinnen und Ärzte (ein Ergebnis, das unter realen Bedingungen zu bestätigen bleibt).
Chirurgie: Operationsroboter werden um KI-Copiloten ergänzt, die Komplikationen vorhersehen können (Kapitel 13).
Personalisierte Medizin: eine Behandlung an das genetische und klinische Profil des Patienten anpassen und vorhandene Medikamente für neue Anwendungen nutzen.
Administrative Entlastung: Transkription der Sprechstunden, Abfassen von Berichten, was Zeit für die eigentliche ärztliche Arbeit zurückgeben kann. Dies ist heute eine der am weitesten verbreiteten Anwendungen: Sogenannte Ambient-Assistenten hören der Sprechstunde zu (mit Einwilligung des Patienten) und verfassen automatisch den Bericht, der in die Patientenakte übernommen wird. Das am weitesten fortgeschrittene Beispiel ist das französische Nabla, das Mitte 2026 von rund hunderttausend Behandelnden in etwa hundertneunzig Gesundheitseinrichtungen genutzt wird, sich in die wichtigsten elektronischen Patientenakten einfügt und vor allem darauf abzielt, die Verwaltungslast und die Erschöpfung des medizinischen Personals zu verringern.
Psychische Gesundheit: Chatbots bieten eine erste psychologische Unterstützung an, zugänglich und ohne zu urteilen. Das ist ein vielversprechender Ansatz für den Zugang zur Versorgung, aber mit hohen Risiken verbunden (Kapitel 19): Ein solches Werkzeug ersetzt keine Fachkraft, kann schlechte Ratschläge geben und muss bei einer Notlage zwingend an menschliche Hilfe verweisen.

Einordnung

Gehirn-Computer-Schnittstellen

An der Grenze zwischen Neurowissenschaften und Klinik verbinden Gehirn-Computer-Schnittstellen (englisch Brain-Computer Interfaces, kurz BCI) das Gehirn direkt mit einem Computer, und die KI ist dabei unverzichtbar, um die neuronalen Signale in Absichten zu dekodieren. Die bekannteste, Neuralink, hat Anfang 2024 ihrem ersten menschlichen Patienten ein Implantat eingesetzt (einem tetraplegischen Mann, der per Gedanken einen Cursor bewegen, spielen und navigieren konnte); Mitte 2026 hatten rund zwanzig Patienten ihr Implantat erhalten (von der Größe einer Münze, mit Tausenden von Elektroden, die ein Chirurgieroboter setzt), im Rahmen von Studien zur motorischen Kontrolle (PRIME), zur Wiederherstellung der Sprache (VOICE) und des Sehens (Blindsight). Doch Neuralink ist nicht allein: Synchron führt seinen Sensor über die Blutbahn ein, ohne den Schädel zu öffnen (geringere Auflösung, aber weit weniger riskant); Precision Neuroscience, Paradromics oder Blackrock Neurotech erkunden andere Ansätze, während nichtinvasive Headsets (EEG) mentale Zustände erfassen, ohne Gedanken zu lesen. Die Verheißungen für gelähmte Menschen sind gewaltig, die Herausforderungen aber ebenso: Sicherheit, Schutz der denkbar intimsten Daten (der Hirnaktivität) und die fernere Aussicht auf eine Erweiterung der Fähigkeiten, die die Frage nach „Neurorechten“ aufwirft. Auf sehr lange Sicht bekunden manche Akteure (allen voran Neuralink) eine radikalere Ambition: eine Symbiose von Mensch und KI, also eine Schnittstelle mit sehr hoher Bandbreite, die dafür gedacht ist, dass der Mensch von einer immer mächtigeren KI „nicht abgehängt wird“. Diese Perspektive ist vorerst eine erklärte Vision, weit entfernt von den heutigen realen Fähigkeiten, und wirft gewaltige Fragen der Machbarkeit wie der Ethik auf.

14.5Grenzen und Risiken im Gesundheitsbereich

Debatte

Im Gesundheitsbereich bündeln sich spezifische Risiken, die zur Vorsicht zwingen.

Die Haftung. Wenn sich eine KI bei der Diagnose irrt, wer ist verantwortlich: der Arzt, der Softwarehersteller, das Krankenhaus? Der Rechtsrahmen bleibt unklar (Kapitel 21).
Die Verzerrungen. Ein Modell, das vor allem mit Daten westlicher Bevölkerungen trainiert wurde, kann für andere Gruppen weniger zuverlässig sein und so Ungleichheiten in der Versorgung schaffen (Kapitel 21).
Validierung und Regulierung. Im Gesundheitswesen ist der Anspruch an den Nachweis maximal. Die Europäische Union stuft KI-basierte Medizinprodukte als „Hochrisiko“ ein und schreibt Audits und Transparenz vor (die Anwendung dieser Hochrisiko-Regeln wurde auf Dezember 2027 und August 2028 verschoben, Kapitel 25). In den Vereinigten Staaten hat die FDA am 18. August 2026 eine Konsultation (bis zum 19. Oktober 2026) zur Regulierung von Medizinprodukten mit generativer KI eröffnet: Das Dokument schlägt eine Risikomatrix mit zwei Achsen vor (Autonomie des Produkts, Schwere der Folgen), eine „kompetenzbasierte“ Bewertung nach dem Vorbild der Beurteilung von Klinikern und eine verstärkte Überwachung nach dem Inverkehrbringen, und es nennt glaubwürdig wirkende Konfabulationen. Es handelt sich zum jetzigen Zeitpunkt nur um eine Konsultation: Eine verbindliche Regel wurde nicht verabschiedet.
Die Vertraulichkeit. Das Training mit Gesundheitsdaten, die zu den sensibelsten überhaupt gehören, muss strenge Regeln einhalten (die DSGVO in Europa, Kapitel 21).
Die Halluzination. Ein Sprachmodell kann eine Quellenangabe oder eine Dosierung erfinden: In einem medizinischen Kontext kann das tödlich sein. Daher eine goldene Regel, die für die gesamte Wissenschaft und das Gesundheitswesen gilt: Die KI unterstützt, aber ein qualifizierter Mensch entscheidet.

Das Wichtigste (Kapitel 14)

Die KI wird zu einem bedeutenden wissenschaftlichen Instrument: nicht zum Plaudern, sondern zum Entdecken, ja zum Formulieren von Hypothesen („Co-Wissenschaftler“). Sinnbild: AlphaFold (Nobelpreis für Chemie 2024).
In der Wirkstoffentdeckung verkürzt sie die Fristen: AlphaFold 3 (200 Millionen Strukturen), Isomorphic Labs (2,1 Milliarden eingeworben, klinische Studien für Ende 2026 angestrebt), Insilico (Phase 3 seit Juli 2026); noch ist kein KI-entworfenes Medikament zugelassen.
Die Wirkung erstreckt sich auf Materialien, Klima, Fusion, Neurowissenschaften und Mathematik (volle Punktzahl zweier Systeme bei der Olympiade 2026, erste formalisierte Forschungsergebnisse); falsch eingesetzte KI bedroht aber auch die wissenschaftliche Reproduzierbarkeit.
Im Gesundheitswesen kommt sie in Bildgebung, Diagnose, Chirurgie, personalisierter Medizin und bei der Unterstützung der psychischen Gesundheit voran (Letztere mit hohen Risiken).
Die Risiken sind spezifisch: Haftung, populationsbedingte Verzerrungen, Validierung, Vertraulichkeit und Halluzination. Grundsatz: Die KI unterstützt, der qualifizierte Mensch entscheidet.

Von der wissenschaftlichen Entdeckung zur Weitergabe des Wissens: Kapitel 15 untersucht, wie die KI die Bildung umwälzt.

14.1Die KI, ein neues Instrument der Wissenschaft#

14.2Biologie und Wirkstoffentdeckung#

14.3Materialien, Klima und weitere Grundlagenwissenschaften#

14.4Gesundheit im Alltag#

14.5Grenzen und Risiken im Gesundheitsbereich#

Das Wichtigste (Kapitel 14)

14.1Die KI, ein neues Instrument der Wissenschaft

14.2Biologie und Wirkstoffentdeckung

14.3Materialien, Klima und weitere Grundlagenwissenschaften

14.4Gesundheit im Alltag

14.5Grenzen und Risiken im Gesundheitsbereich