Einstein lässt grüßen. OpenAI ist wieder in den Nachrichten – diesmal mit etwas, das der wissenschaftlichen Welt helfen soll.
Das stets geschäftige Unternehmen hat FrontierScience vorgestellt – ein Evaluationssystem, das künstliche Intelligenz in unbekanntes Terrain vordringen lässt, indem es dieselben komplexen wissenschaftlichen Probleme bearbeitet, die promovierte Forscher typischerweise wochenlang beschäftigen.
Während sich frühere Benchmarks auf das Erinnern konzentrierten, FrontierScience wird als echtes wissenschaftliches Schlussfolgern in Physik, Chemie und Biologie angepriesen. Das System startete am 16. Dez. mit mehr als 700 sorgfältig ausgearbeiteten Fragen, die von einigen der klügsten wissenschaftlichen Köpfe der Welt entwickelt wurden.
OpenAIs GPT-5.2-Modell erzielte bei Aufgaben auf Olympiadeniveau eine Erfolgsquote von 77 % – Aufgaben, die die begabtesten jungen Wissenschaftler weltweit herausfordern.
Die Leistungslücke
GPT-5.2 dominierte strukturierte Fragen im Stil von Olympiaden mit einer Punktzahl von 77 %, stürzte jedoch dramatisch ab, als es mit offenen Forschungsaufgaben konfrontiert wurde, und erreichte dabei nur eine Erfolgsquote von 25 %.
Diese Leistungslücke von 52 Punkten legt offen, was Wissenschaftler als „Mehrdeutigkeitsbarriere“ bezeichnen. Die Entwickler des Benchmarks stellten ein beispielloses Team zusammen – 42 internationale Olympiadensieger mit insgesamt 109 Medaillen sowie 45 promovierte Wissenschaftler –, um Fragen zu formulieren, die das Schlussfolgerungsvermögen von KI wirklich auf die Probe stellen. Einige Forschungsfragen sind so komplex, dass menschliche Experten schätzen, für ihre korrekte Lösung wären mehrere Tage Computersimulationen oder wochenlange mathematische Arbeit erforderlich.
Man denke etwa an Folgendes: Als Forscher nach „Meso-Stickstoffatomen in Nickel(II)-phthalocyanin“ gefragt wurden, merkten sie an, dass allein die Durchführung der Computersimulationen „mehrere Tage dauern könnte“. Eine weitere Frage, in der die Herleitung „elektrostatischer Wellenmoden“ in Plasma verlangt wurde, veranlasste einen Experten zu dem Eingeständnis: „Ich habe Anfang dieses Jahres eine ähnliche Analyse für eine andere Art von Welle durchgeführt … Ich glaube, die korrekte mathematische Berechnung hat etwa drei Wochen gedauert.“
Ein neues Zeitalter wissenschaftlicher Entdeckungen
Die Auswirkungen gehen weit über beeindruckende Testergebnisse hinaus – dieser Benchmark signalisiert, dass wir uns einem entscheidenden Wendepunkt nähern, an dem sich KI von einer ausgefeilten Suchmaschine zu einem echten Forschungspartner entwickelt. Wenn Modelle auf der Forschungsschiene irgendwann nahezu perfekte Ergebnisse erzielen, werden sie als „sehr gute Mitstreiter“ fungieren, die den Fortschritt von Doktoranden oder Wissenschaftlern vervielfachen können.
Das Evaluationssystem des Benchmarks steht für einen grundlegenden Wandel bei der Bewertung von KI. Mithilfe von 10-Punkte-Bewertungen, die von GPT-5 vergeben werden, um die Qualität des Schlussfolgerns und nicht nur die endgültigen Antworten zu beurteilen, geht es über die traditionelle Mentalität des „Bestehens eines Tests“ hinaus und fragt stattdessen: „Kann es die Aufgabe erledigen?“ Die Entwicklung ist vielversprechend: Als ähnliche Benchmarks für Wissenschaft auf Promotionsniveau im November 2023 eingeführt wurden, erzielte GPT-4 gerade einmal 39 %, doch GPT-5.2 erreicht bei denselben Fragen nun 92 %.
Dieser rasante Fortschritt deutet darauf hin, dass wir das Aufkommen von KI-Systemen erleben, die tatsächlich zu wissenschaftlichen Durchbrüchen beitragen können.
Der Wettlauf um die Vorherrschaft bei wissenschaftlicher KI
Der Start dieses Benchmarks fällt mit einem beispiellosen Anstieg der Investitionen in die KI-Forschung zusammen, der die gesamte wissenschaftliche Landschaft neu gestaltet. Der Wettbewerb geht weit über OpenAI hinaus –Google DeepMinds AlphaFold hat bereits mehr als 200 Millionen Proteinstrukturen vorhergesagt – eine Arbeit, deren experimentelle Durchführung Hunderte Millionen Jahre gedauert hätte.
Wenn KI-Modelle die Leistungslücke von 52 Punkten zwischen Olympiaden- und Forschungsergebnissen irgendwann schließen, werden sie mehrdeutige Probleme ebenso mühelos bewältigen wie klar eingegrenzte. Das Tempo der Verbesserung deutet darauf hin, dass diese Einschränkung nicht mehr lange bestehen wird.
Mit ihr war nicht zu reden. Hannah Wong, die OpenAI durch seine chaotischste Phase geführt hat, hat angekündigt, das Unternehmen zu verlassen.