Google DeepMinds Co-Scientist steuert jetzt echte Laborgeräte

Google DeepMind hat sein Multi-Agenten-System Co-Scientist von einem reinen Hypothesengenerator zu einem laborintegrierten Forschungspartner erweitert. Laut einer aktuellen Studie des Unternehmens liefert das auf aktuellen Gemini-Modellen basierende System inzwischen in drei wissenschaftlichen Disziplinen experimentell validierte Ergebnisse – und übernimmt dabei nicht mehr nur das Formulieren von Ideen, sondern plant Experimente, schreibt Code und steuert in Teilen sogar Laborgeräte direkt.

Vom Ideengeber zum geschlossenen Forschungsworkflow

Den ursprünglichen Co-Scientist hatte Google im Februar 2025 vorgestellt, damals noch auf Basis von Gemini 2.0 und mit deutlichen Schwächen bei Faktenchecks und Literaturrecherche, wie The Decoder berichtet. Technisch neu ist jetzt ein geschlossener Workflow: Aus einer Forschungsfrage leitet Co-Scientist Hypothesen ab, erstellt daraus konkrete Versuchspläne, Programmcode oder maschinenlesbare Laborprotokolle, wertet die Ergebnisse aus und generiert daraus wissenschaftliche Manuskripte. Ein Prüfmodul gleicht dabei automatisch jede Zahlenangabe im fertigen Text mit den tatsächlichen Ausführungsprotokollen des generierten Codes ab, um erfundene Ergebnisse zu reduzieren.

Wie Google in einem eigenen Blogbeitrag beschreibt, arbeitet Co-Scientist in einer Koalition spezialisierter Agenten, die in drei Phasen zusammenwirken: Zunächst schlagen Agenten Hypothesen vor und erkunden verschiedene Forschungsrichtungen. Anschließend prüft ein Agent als virtueller Gutachter die Ideen, bevor ein weiterer sie in einem „Ideenturnier" gegeneinander antreten lässt. In der letzten Phase verfeinern, kombinieren und verbessern Agenten die besten Hypothesen und fassen die Ergebnisse für die menschlichen Forschenden zusammen. Ein übergeordneter Supervisor-Agent koordiniert den gesamten Prozess, zerlegt das Forschungsziel in Einzelaufgaben und verteilt sie auf die spezialisierten Agenten.

Drei Fachgebiete, drei Autonomiegrade

• Materialwissenschaft: Co-Scientist entwirft Syntheserezepte, die Menschen im Labor umsetzen.
• Biologie: Das System baut eigenständig eine Vorhersage-Pipeline mit iterativem Expertenfeedback auf.
• Informatik: Co-Scientist arbeitet komplett autonom, ohne menschliches Eingreifen.

In der Materialwissenschaft koppelten die Forschenden Co-Scientist mit einem halbautomatischen Hochtemperaturofen. Das System fand einen sichereren Syntheseweg für ein begehrtes 2D-Material, das bislang vorwiegend über gefährliche Ätzverfahren hergestellt wurde, und generierte vollständige, auf die vorhandene Laborausstattung zugeschnittene Wachstumsrezepte. Nach 25 Versuchsrunden mit menschlicher Verfeinerung entstanden laut The Decoder Schichtstrukturen, deren Eigenschaften dem Zielmaterial ähneln sollen – eine endgültige Bestätigung der atomaren Struktur steht allerdings noch aus. In einem zweiten Versuch gelang die Synthese dreier Halbleiter-Dünnschichten bereits beim ersten Anlauf: Mit Gemini 3 Deep Think zur direkten Gerätesteuerung verkürzte sich die Rezeptentwicklung von Tagen auf Minuten, wenn auch mit kleineren, weniger gleichmäßigen Kristallen als bei den aufwendig optimierten Rezepten.

In der Biologie baute Co-Scientist autonom eine Bildanalyse-Pipeline, die vorhersagt, welche Muster gentechnisch veränderte E.-coli-Kolonien bei unterschiedlichen chemischen Konzentrationen bilden – die mit Gemini 3 Pro Image erzeugten Vorhersagen stimmten bei drei von vier Formmerkmalen mit unveröffentlichten Laborergebnissen überein. Die Forschenden betonen jedoch, dass das System bislang nur zwischen bekannten Bedingungen schlussfolgert und keine Vorhersagen für gänzlich neue Systeme trifft. Im vollständig autonom durchgeführten Informatik-Experiment entwarf Co-Scientist „Agent_H", eine medizinische KI-Architektur, die eingehende Anfragen klassifiziert, parallel Dutzende Antwortkandidaten generiert und diese verfeinert. Nach Korrektur für überlange Antworten übertraf Agent_H laut Studie sechs Frontier-Modelle auf Gesundheits-Benchmarks, darunter GPT-5 und Claude Opus 5 – eine Bewertung durch drei Fachärzte relativierte diesen Vorsprung jedoch deutlich: In neun bewerteten Kategorien zeigte sich nur bei einer ein statistisch signifikanter Vorteil gegenüber dem Basismodell Gemini 3.1 Pro, nämlich bei der geringeren Gefahr potenziell schädlicher Antworten.

Weniger erfundene Ergebnisse dank Prüfmodulen

Ein zentrales Problem autonomer KI-Forschungssysteme ist das Erfinden von Ergebnissen: Wird ein Agent für gute Resultate belohnt, hat er einen Anreiz, sie schlicht zu fabrizieren. Bisherige Systeme kamen laut den Forschenden auf Fabrikationsraten von 80 bis 100 Prozent. Co-Scientist wird zum einen bestraft, wenn er erfundene oder abgeschriebene Inhalte produziert, zum anderen gleicht ein separates Prüfmodul jede Zahlenangabe im Text mit den tatsächlichen Resultaten des ausgeführten Codes ab. In einer Doppelblindstudie mit 30 Fachexpertinnen und -experten und 450 unabhängigen Reviews von 150 autonom generierten Arbeiten sank die Quote erfundener wichtiger Ergebnisse mit aktivierten Prüfmodulen auf 4 Prozent – ohne sie lag sie bei 46 Prozent, beim Vergleichssystem sogar bei 90 Prozent. Komplett frei erfundene Daten kamen bei Co-Scientist gar nicht mehr vor, eine integrierte Sicherheitsarchitektur lehnte zudem 98,7 Prozent potenziell schädlicher Forschungsrichtungen ab.

Das System schreibt hochplausible Methoden ins Paper, die nicht mit dem tatsächlichen Code übereinstimmten.

Ein weiter Weg bis zum autonomen Forscher

Trotz der Fortschritte bleibt vollautomatisierte Wissenschaft Zukunftsmusik: Bei der Materialsynthese mussten Menschen weiterhin Proben und Vorläuferstoffe manuell einlegen, und ob sich die gefundenen Rezepte auf andere Labore übertragen lassen, ist laut Schmidgall offen. Das Thema trifft dennoch den Nerv der Zeit – automatisierte Forschung gilt derzeit als einer der vielversprechendsten Anwendungsbereiche für KI. OpenAI etwa will laut The Decoder im Herbst ein Agentensystem vorstellen, das autonom mindestens auf dem Niveau eines Praktikanten forschen soll. Ob solche LLM-basierten Systeme dabei wirklich neues Wissen entdecken oder nur bereits in Daten implizit vorhandenes Wissen explizit machen, ist unter Forschenden weiterhin umstritten. Google selbst nennt in eigenen Blogbeiträgen konkrete Anwendungsfälle: Teams nutzen Co-Scientist unter anderem, um molekulare Schalter hinter neuen Infektionskrankheiten zu finden, Mechanismen von Lebererkrankungen aufzuklären, Ansätze gegen ALS zu entwickeln und genetische Ansatzpunkte gegen Zellalterung aufzuspüren. Zugänglich wird das System für einzelne Forschende über „Hypothesis Generation", ein neues, gemeinsam von Google DeepMind, Google Research, Google Cloud und Google Labs entwickeltes Experimentierwerkzeug.

Was das für deutsche Forschung und Industrie ändert: Wer in Materialforschung, Pharma oder Biotech arbeitet, bekommt mit Werkzeugen wie Co-Scientist erstmals einen Assistenten, der nicht nur Literatur zusammenfasst, sondern eigenständig überprüfbare Versuchspläne liefert – inklusive eingebauter Kontrolle gegen erfundene Ergebnisse. Für deutsche Universitäten und Institute, die im internationalen Wettbewerb um Fördermittel und Publikationen stehen, verschiebt das den Maßstab: Die Frage wird weniger sein, ob KI-Systeme im Labor mitarbeiten, sondern wie schnell die eigene Infrastruktur – von automatisierten Öfen bis zu Robotiklaboren – für eine solche Zusammenarbeit bereit ist.