• Deutsch
  • English
  • Qwen4-Max und GPT-6 Astra zeigen, wie Künstliche Intelligenz (KI) wissenschaftliche Arbeit günstiger und schneller machen kann. Das betrifft nicht nur Forschungseinrichtungen, sondern auch Unternehmen, Hochschulen und Anwenderinnen und Anwender, die umfangreiche Dokumente oder Daten auswerten. Die aktuellen Meldungen liefern allerdings keinen Beleg dafür, dass KI bereits selbstständig wissenschaftliche Durchbrüche erzielt.

    Warum effizientere Modelle relevant sind

    Alibaba positioniert Qwen4-Max als Modell für professionelle Aufgaben in Industrie, Wissenschaft und Finanzwesen. Laut der Leitmeldung zu Qwen4-Max soll die durchschnittliche Bearbeitung einer Aufgabe 62 Prozent weniger kosten als beim Vorgänger. Im Intelligence Index von Artificial Analysis, einem Vergleich verschiedener Modelle anhand standardisierter Tests, belegt es demnach den zweiten Platz hinter Kimi K3.1 Pro.

    Der niedrigere Aufwand entsteht nicht einfach durch ein kleineres Modell. Qwen4-Max nutzt eine sogenannte Mixture-of-Experts-Architektur, bei der für eine Eingabe nur ausgewählte Teile des Modells aktiv werden. Laut Alibaba umfasst das Modell insgesamt 2,4 Billionen Parameter, also intern gelernte Gewichtungen, aktiviert pro Textelement aber nur 71 Milliarden davon. Die Angaben stammen vom Anbieter und sind in den vorliegenden Quellen nicht unabhängig geprüft.

    Das Modell kann einen Kontext von einer Million Token verarbeiten. Token sind kleine Text- oder Zeicheneinheiten, in die ein Modell Eingaben zerlegt. Dadurch lassen sich sehr lange Berichte, Dokumentensammlungen oder Forschungsunterlagen in einem Arbeitsgang berücksichtigen, ohne dass jeder Abschnitt gleich intensiv verarbeitet werden muss. Eine überarbeitete Auswahltechnik soll gezielt die relevanten Stellen aus dem bisherigen Verlauf heranziehen.

    Die technische Zusammenfassung der Veröffentlichung ergänzt, dass Qwen4-Max Text, Bilder und Video akzeptiert. Das Modell wird ausschliesslich über gehostete Dienste wie QwenCloud, Qwen Studio und QwenWork angeboten; frei verfügbare Modellgewichte für den Betrieb auf eigenen Rechnern gibt es nicht. Es erzielt laut dieser Quelle besonders gute Ergebnisse bei juristischen Agentenaufgaben, bleibt aber bei schwierigem Programmieren und visuellen Aufgaben hinter anderen Spitzenmodellen zurück.

    Was Qwen4-Max im Arbeitsalltag besser macht

    Der unmittelbare Nutzen liegt weniger in spektakulären Entdeckungen als in der Bearbeitung umfangreicher Aufgaben. Wer beispielsweise viele Forschungsberichte, Verträge oder interne Unterlagen vergleichen muss, kann einen grösseren Bestand gemeinsam auswerten lassen. Das lange Kontextfenster reduziert dabei das Risiko, dass frühere Teile einer Aufgabe allein wegen technischer Längenbegrenzungen aus dem Blick geraten.

    Mit der Funktion Live Delivery können Nutzerinnen und Nutzer Zwischenergebnisse eines autonomen Agenten frühzeitig prüfen. Ein Agent ist ein KI-System, das eine mehrstufige Aufgabe mit einem gewissen Handlungsspielraum abarbeitet. Statt auf das fertige Resultat zu warten, kannst du den laufenden Auftrag anpassen, wenn das Modell eine falsche Richtung einschlägt. Das ist bei längeren Analysen nützlicher als eine besonders flüssig formulierte, aber erst am Ende sichtbare Antwort.

    Die Kostenangabe von 62 Prozent bezieht sich auf den durchschnittlichen Aufwand pro Aufgabe, nicht auf eine allgemeine Preisgarantie für jeden Einsatz. Die Quellen nennen keine absoluten Kosten für typische Forschungsprojekte. Auch der Vergleich «rund dreimal günstiger» hängt davon ab, welche Aufgaben, Eingabelängen und Modellvarianten einbezogen werden. Für deine Budgetplanung sind deshalb konkrete Nutzungspreise aussagekräftiger als ein einzelner Prozentwert.

    Für die Schweiz ist vor allem die ausschliessliche Bereitstellung als Cloud-Dienst relevant. Hochschulen, Labore und Unternehmen können das Modell nach den vorliegenden Angaben nicht auf eigener Infrastruktur betreiben. Bei unveröffentlichten Forschungsdaten, Patientendaten oder vertraulichen Geschäftsinformationen muss deshalb geklärt werden, welche Daten den eigenen Kontrollbereich verlassen und welche internen Datenschutzregeln gelten. Zu Schweizer Verfügbarkeit, unterstützten Sprachen oder konkreten Vertragsbedingungen machen die Quellen keine Angaben.

    Wie KI wissenschaftliche Arbeit unterstützt

    Ein auffälliges Beispiel liefert GPT-6 Astra. Nach einem Bericht über das Projekt half das Modell dem Physiker Nathaniel Craig dabei, eine Idee für eine mathematisch konsistente Darstellung des Standardmodells der Teilchenphysik auf einem Computergitter auszuarbeiten. Das Standardmodell beschreibt bekannte Elementarteilchen und ihre Wechselwirkungen, während ein Gitter komplizierte physikalische Vorgänge rechnerisch fassbar machen soll.

    Das ungelöste Problem betraf die schwache Kernkraft und unerwünschte zusätzliche Teilchen, die in einfachen Gitterdarstellungen auftreten. Craig entwickelte einen Ansatz über den Vergleich immer feinerer Gitter; GPT-6 Astra setzte die Idee mathematisch um und führte den Beweis aus. Andere Physiker stellten kritische Fragen. OpenAI selbst beschreibt die Arbeit vorsichtig als Kandidaten für eine nicht störungstheoretische Gitterdefinition, also als möglichen Ansatz für Berechnungen, die nicht auf üblichen Näherungsreihen beruhen.

    Das Beispiel ist bemerkenswert, aber noch kein eigenständiger Durchbruch des Modells. Die Ausgangsidee kam von einem Physiker, Fachleute prüften kritische Punkte, und für realistische Simulationen bleibt laut Craig viel Arbeit. Zudem liegt die Arbeit als Vorabveröffentlichung vor. Die Formulierung «KI liefert einen Beweis» ist damit nicht völlig falsch, lässt aber den menschlichen Rahmen verschwinden, ohne den der Beweis nicht entstanden und geprüft worden wäre.

    Ein zweites Praxisbeispiel kommt aus der Biologie. Der Forschungsassistent BioMaster des Pekinger Unternehmens DP Technology nutzt Kimi K3.1 Pro und analysierte laut einem Bericht über Kimi in den Naturwissenschaften Gendaten von 3.696 Bauchspeicheldrüsenzellen von Mäusen. Das System identifizierte 100 Kandidatengene für weitere Untersuchungen in rund 90 Minuten; für menschliche Arbeit wurden etwa vier Stunden veranschlagt. Die KI lieferte damit eine Vorauswahl, nicht den experimentellen Nachweis, dass diese Gene tatsächlich relevant sind.

    Moonshot AI richtet seine Modelle verstärkt auf Biologie, Chemie und Pharmazie aus, weil das Unternehmen beim Programmieren nur noch geringe Fortschritte erwartet. Gleichzeitig zeigt der eigene TCSExam mit 100 Aufgaben aus der theoretischen Informatik eine klare Grenze: Führende Modelle konnten überprüfbare Beweise und Algorithmen erzeugen, lösten aber keine offenen Vermutungen allein. Mathematiker kritisierten zudem zuvor gemeldete Erfolge von OpenAI in Mathematik, Informatik und Physik.

    Pro und Kontra neuer KI-Modelle in der Forschung

    Pro:

    • Geringere Kosten – Qwen4-Max soll laut Alibaba den durchschnittlichen Aufwand pro Aufgabe um 62 Prozent senken.
    • Mehr Material pro Durchlauf – Ein Kontext von einer Million Token kann lange Dokumente und grössere Sammlungen gemeinsam erfassen.
    • Schnellere Vorauswahl – Das BioMaster-Beispiel zeigt, wie KI Tausende Zelldaten analysieren und Kandidatengene für die weitere Prüfung bestimmen kann.
    • Mathematische Ausarbeitung – GPT-6 Astra konnte eine menschliche Idee in einen detaillierten Beweis überführen und so anspruchsvolle Facharbeit unterstützen.

    Kontra:

    • Keine autonome Entdeckung – Die genannten Modelle lösten keine offenen Vermutungen allein und benötigten menschliche Ideen, Auswahl und Kontrolle.
    • Anbieterangaben – Viele Leistungs-, Kosten- und Trainingswerte stammen direkt von den Unternehmen und sind nicht unabhängig bestätigt.
    • Cloud-Abhängigkeit – Qwen4-Max kann nicht mit frei verfügbaren Gewichten auf eigener Infrastruktur betrieben werden.
    • Unklare Erfolgswirkung – In einer Citi-Umfrage unter 50 US-Forschungsleitenden nutzten oder skalierten 72 Prozent KI umfassend, aber nur 24 Prozent erwarteten deutlich höhere Erfolgschancen in der Medikamentenentwicklung.

    Die Zurückhaltung der Pharmabranche ist nachvollziehbar. Eine schnellere Analyse kann Arbeitsstunden sparen, doch ein aussichtsreicher Kandidat muss weiterhin experimentell geprüft werden. Ein Modell kann also den Trichter verbreitern oder schneller sortieren; es entscheidet nicht zuverlässig, welches Medikament am Ende sicher und wirksam ist.

    Parallel versucht OpenAI, den Zugang zur Spitzentechnologie auszuweiten. Das Unternehmen will über sein Programm für akademische Forschende weltweit 200.000 Personen kostenlosen Zugang zu seinen führenden Modellen geben. Ob und unter welchen Bedingungen Forschende in der Schweiz teilnehmen können, geht aus der Kurzfassung nicht hervor.

    Was das für dich heisst

    Für Einsteigerinnen und Einsteiger: Ein sinnvoller erster Einsatz ist eine klar begrenzte Sichtungs- oder Vergleichsaufgabe. Du kannst etwa mehrere freigegebene Berichte zusammenfassen, Unterschiede herausarbeiten oder eine Liste möglicher Kandidaten erstellen lassen. Prüfe jede zentrale Aussage am Originalmaterial und behandle die Ausgabe als Arbeitsentwurf, nicht als fachlich bestätigtes Ergebnis.

    Für Fortgeschrittene: Mehr Nutzen entsteht, wenn du eine Aufgabe in überprüfbare Etappen teilst und Zwischenergebnisse kontrollierst. Funktionen wie Live Delivery helfen, Annahmen, Suchrichtung und Auswahlkriterien während der Bearbeitung zu korrigieren. Bei wissenschaftlichen Aufgaben sollte zudem dokumentiert werden, welche Idee vom Menschen stammt, was das Modell beigetragen hat und welche Fachpersonen das Resultat geprüft haben.

    OpenAI verweist ausserdem auf eine Untersuchung dazu, wie mehr als 1.800 Wissenschaftlerinnen und Wissenschaftler ChatGPT verwenden. Die Kurzfassung nennt tägliche Arbeitsabläufe, berichtete Produktivität und Erwartungen an Entdeckungen als Untersuchungsfelder, liefert aber keine Detailwerte. Daraus lässt sich ableiten, dass KI bereits in reguläre Forschungsarbeit einfliesst; wie gross der messbare Nutzen ist, bleibt anhand der bereitgestellten Angaben offen.

    Neue Modelle senken nach Anbieterangaben Kosten, verarbeiten mehr Material und können anspruchsvolle wissenschaftliche Schritte beschleunigen. Die Beispiele aus Teilchenphysik und Genanalyse zeigen echten praktischen Wert, aber jeweils innerhalb eines von Fachleuten gesetzten und kontrollierten Rahmens. Das offene Risiko bleibt, dass überzeugend formulierte Resultate mit einer eigenständigen Entdeckung verwechselt werden, obwohl unabhängige Prüfung und experimentelle Bestätigung noch fehlen.

    Quellen

    AI-FunghiAI-Funghi

    Bild: Pavel Danilyuk via Pexels

    © 2024 - 2026 ai-funghi.com | All Rights Reserved | Impressum | Datenschutz