Von der Akademie zur Künstlichen Intelligenz

Wissenschaft in ihrer heutigen Form, Funktionalität und Vorgehensweise gibt es seit Mitte des 17. Jahrhunderts, mit der Gründung wissenschaftlicher Fachgesellschaften ab 1652 in Deutschland, England und Frankreich und der Einrichtung von Fachzeitschriften durch diese Gesellschaften ab 1665. Wie Analysen zeigen, stieg in den dreieinhalb Jahrhunderten danach die Anzahl wissenschaftlicher Publikationen exponentiell an, wobei eine mittlere Anstiegsrate von knapp 3 % bis gut 4 % pro Jahr ermittelt wurde, was Verdopplungszeiten von 23,7 bzw. 17,3 Jahren entspricht. Während in der Wirtschaft meist „mehr“ mit „besser“ gleichgesetzt wird, ist dem in der Wissenschaft nicht so, wie eine sehr große bibliometrische Studie zeigen konnte: Mehr Publikationen in einem bestimmten Jahr und Wissenschaftsgebiet erschweren die Sichtbarkeit neuer Ideen und bewirken, dass immer wieder die gleichen Arbeiten zitiert werden. Eine Lösung des Problems könnte im Einsatz von Künstlicher Intelligenz (KI) für die Generierung neuer Hypothesen bestehen. Es wird daher eine neu entwickelte KI vorgestellt – ein mit neurowissenschaftlichen Arbeiten weitertrainiertes großes Sprachmodell („large language model“, LLM) mit dem Namen BrainGPT, das Neurowissenschaftler beim Unterscheiden richtiger von falschen Ergebnissen in publizierten neurowissenschaflichen Arbeiten übertrifft. Ob KI die Publikationsflut eindämmen und die Sichtbarkeit von neuen Erkenntnissen erhöhen kann, lassen die Autoren allerdings offen.

Wahrscheinlich geht es vielen Kollegen in der Wissenschaft nicht selten ähnlich wie mir: Die Anzahl der wissenschaftlichen Arbeiten steigt immer weiter an, weswegen es zunehmend Zeit braucht, auf dem Laufenden zu bleiben. Und daher gelingt dies immer weniger. So bemerke ich gelegentlich mit Entsetzen, dass mir irgendeine wichtige Erkenntnis/Entdeckung über längere Zeit hinweg (manchmal Jahre) entgangen ist. Es ist daher beruhigend, sich zu vergegenwärtigen, dass die Anzahl der wissenschaftlichen Publikationen tatsächlich exponentiell wächst. Die eigenen Fähigkeiten des Lesens und Verarbeitens dieser Literatur sind hingegen grundsätzlich beschränkt. Daher muss jeder irgendwann an seine Grenzen stoßen – das kann aus mathematischen Gründen nicht anders sein. Wie stark wächst unser „Wissen“ wirklich? Behindert dieses Wachstum möglicherweise den Fortschritt der Wissenschaft? Was ist überhaupt Wissen und wie schafft Wissenschaft Wissen?

Publikationsverlauf

Artikel online veröffentlicht:
01. Mai 2025

• Literatur

• 1 Conermann KHG. Fruchtbringende Gesellschaft – Der fruchtbringenden Gesellschaft geöffneter Erzschrein, Band I: Vorhaben, Namen, Gemälde und Wörter (Faksimile der Ausgabe von 1629); Band II: Die fruchtbringende Gesellschaft und ihr Köthener Gesellschaftsbuch. Eine Einleitung; Band III: Die Mitglieder der fruchtbringenden Gesellschaft, 1617–1650. Weinheim: VCH Verlagsgesellschaft, Acta Humaniora; 1985
• 2 Evans RJW. Learned societies in Germany in the seventeenth century. Eur Stud Rev 1977; 7: 129-151
• 3 Burr E. Die Akademiebewegung. (09.01.2008). Zugriff am 12. Februar 2025 unter: https://home.uni-leipzig.de/burr/Intro/html/Akademiebewegung.htm
• 4 Brown H. History and the learned journal. J Hist Ideas 1972; 33: 365-377
• 5 Fyfe A, Moxham N, McDougall-Waters J. et al. A history of scientific journals: publishing at the Royal Society, 1665–2015. London: UCL Press; 2022
• 6 McDougall-Waters J, Moxham N, Fyfe A. Philosophical transactions: 350 years of publishing at the Royal Society (1665–2015). London: The Royal Society; undatiert; Zugriff am 28. März 2025 unter: https://royalsociety.org/-/media/journals/publishing/publishing-350-exhibition-catalogue.pdf
• 7 Stokel-Walker C. Are tech firms giving up on policing their platforms? (07.01.2025). Zugriff am 12. Februar 2025 unter: https://www.newscientist.com/article/2462974-are-tech-firms-giving-up-on-policing-their-platforms/
• 8 [Anonym]. Zuckerbergs Kehrtwende. Biden bezeichnet Meta-Entscheidung gegen Faktenchecks als »beschämend«. (11.01.2025). Zugriff am 12. Februar 2025 unter: https://www.spiegel.de/netzwelt/meta-joe-biden-bezeichnet-entscheidung-gegen-faktenchecks-als-beschaemend-a-73e5b389–2c26–46f8-b97b-e2d1ca441af4
• 9 Chuai Y, Tian H, Pröllochs N. et al. Did the roll-out of community notes reduce engagement with misinformation on X/Twitter?. Proc ACM Hum Comput Interact 2024; 8: 1-52
• 10 Nurse P. Foreword from the President. In: McDougall-Waters J, Fyfe A, McDougall-Waters J. Philosophical transactions: 350 years of publishing at the Royal Society (1665–2015). London: The Royal Society; 2015: 3
• 11 Bornmann L, Mutz R. Growth rates of modern science: a bibliometric analysis based on the number of publications and cited references. J Assoc Inf Sci Technol 2015; 66: 2215-2222
• 12 Kronick DA. A history of scientific and technical periodicals. The origins and development of the scientific and technological press 1665–1790. New York: The Scarecrow Press; 1962
• 13 Garfield E. Citation indexes for science. Science 1955; 122: 108-111
• 14 van Raan A. On growth, ageing, and fractal differentiation of science. Scientometrics 2000; 47: 347-362
• 15 Michel JB, Shen YK, Aiden AP. et al. Quantitative analysis of culture using millions of digitized books. Science 2011; 331: 176-182
• 16 Spitzer M. Aschenputtel als Flugsimulator. Mit Darwin und Sprache können Sie rechnen!. Nervenheilkunde 2011; 30: 545-554
• 17 Bornmann L, Haunschild R, Mutz R. Growth rates of modern science: a latent piecewise growth curve approach to model publication numbers from established and new literature databases. Humani Soc Sciences Commun 2021; 8: 224
• 18 Kuhn TS. Die Struktur wissenschaftlicher Revolutionen. (Erstauflage in englischer Sprache 1962 bei University of Chicago Press; deutsche Erstauflage 1967 bei Suhrkamp). Frankfurt: Suhrkamp; 1962. 1967, 2001
• 19 Wu L, Wang D, Evans JA. Large teams develop and small teams disrupt science and technology. Nature 2019; 566: 378-382
• 20 Chu JSG, Evans JA. Slowed canonical progress in large fields of science. PNAS 2021; 118: e2021636118
• 21 Jones EG, Mendell LM. Assessing the decade of the brain. Science 1999; 284: 739-739
• 22 Simard MA, Kozlowski D, Segal J. et al. Trends in brain research: a bibliometric analysis. Can J Neurol Sci 2023; 7: 1-11
• 23 Gordin S, Gutherz G, Elazary A. et al. Reading Akkadian cuneiform using natural language processing. PLoS ONE 2021; 15 (10) e0240511
• 24 Lazar K, Saret B, Yehudai A. et al. Filling the gaps in ancient akkadian texts: a masked language modelling approach. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing 2021; pages 4682-4691
• 25 Lam R, Sanchez-Gonzalez A, Willson M. et al. Learning skillful medium-range global weather forecasting. Science 2023; 382: 1416-1421
• 26 Price I, Sanchez-Gonzalez A, Alet F. et al. Probabilistic weather forecasting with machine learning. Nature 2025; 637: 84-90
• 27 Tanner J. A coffee roastery in Finland has launched an AI-generated blend. The results were surprising. 20.04.2024. https://apnews.com/article/artificial-intelligence-finland-coffee-blend-0cd12d5ae15a6d0e928c4cb4d7635b09 Stand: 12.02.2025
• 28 Schreurs M, Piampongsant S, Roncoroni M. et al. Predicting and improving complex beer flavor through machine learning. Nat Commun 2024; 15: 2368
• 29 Esteva A, Kuprel B, Novoa R. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542: 115-118
• 30 Senior AW, Evans R, Jumper J. et al. Improved protein structure prediction using potentials from deep learning. Nature 2020; 577: 706-710
• 31 Tunyasuvunakool K, Adler J, Wu Z. et al. Highly accurate protein structure prediction for the human proteome. Nature 2021; 596: 590-596
• 32 Callaway E. News: ‘The entire protein universe’: AI predicts shape of nearly every known protein. Nature 2022; 608: 15-16
• 33 Silver D, Huang A, Maddison CJ. et al. Mastering the game of Go with deep neural networks and tree search. Nature 2016; 529: 484-489
• 34 Silver D, Schrittwieser J, Simonyan K. et al. Mastering the game of Go without human knowledge. Nature 2017; 550: 345-359
• 35 Low YS, Jackson ML, Hyde RH. et al. Answering real-world clinical questions using large language model based systems. arXiv 2024; 2407.00541v1
• 36 Wu V, Casauay J. OpenEvidence. Fam Med 2024; 56: 1-2
• 37 Singhal K, Tu T, Gottweis J. et al. Toward expert-level medical question answering with large language models. Nat Med 2025;
• 38 Luo X, Rechardt A, Sun G. et al. Large language models surpass human experts in predicting neuroscience results. Nat Hum Behav 2024;
• 39 Taylor R, Kardas M, Cucurull G. et al. Galactica: a large language model for science. Xiv 2022; 2211.09085
• 40 Stokel-Walker C. Ancient Mesopotamian cuneiform tablets could be decoded by an AI. (16.9.2021). Zugriff am 12. Februar 2025 unter: https://www.newscientist.com/article/2290324-ancient-mesopotamian-cuneiform-tablets-could-be-decoded-by-an-ai/
• 41 Howells H. AI beats neuroscientists’ predictions. Nat Neurosci 2025; 28: 3