Die Hälfte des Nobelpreises für Chemie des Jahres 2024 wurde verliehen an David Baker，“als Anerkennung für die Beiträge zum computergestützten Proteindesign“; die andere Hälfte wurde gemeinsam verliehen an Demis Hassabis（Demis Hassabis）und John M. Jumper, „in Anerkennung ihrer Leistungen bei der Vorhersage von Proteinstrukturen“.
David Baker ist Direktor des Instituts für Proteindesign an der University of Washington und gilt als Pionier auf dem Gebiet des Proteindesigns. Seit 2003 hat er erfolgreich verschiedene neuartige Proteine wie Top7 entworfen, die unter anderem in Arzneimitteln, Impfstoffen, Nanomaterialien und Mikrosensoren breite Anwendung finden. Bereits 1999 stellte er zudem den Algorithmus RoseTTA zur Vorhersage von Proteinstrukturen vor, noch vor AlphaFold von Deepmind.
Die beiden anderen Preisträger sind noch bekannter. Demis Hassabis ist Mitgründer und CEO von Google DeepMind, John M. Jumper ist derzeit Direktor bei Google DeepMind.Die beiden leiteten ein Team bei der Entwicklung des KI-Modells AlphaFold 2 und lösten damit ein Problem, das die Wissenschaft seit 50 Jahren beschäftigte：die Vorhersage der komplexen Proteinstruktur aus der Aminosäuresequenz.
Proteine sind die grundlegenden chemischen Werkzeuge des Lebens. Sie steuern und treiben sämtliche biochemischen Reaktionen an und übernehmen als Hormone, Signalstoffe und Antikörper sowie beim Gewebeaufbau entscheidende Aufgaben. In Proteinen sind Aminosäuren zu langen Ketten verbunden, die sich zu dreidimensionalen Strukturen falten. Seit den 70er-Jahren des vergangenen Jahrhunderts versuchen Forschende, die Proteinstruktur anhand der Aminosäuresequenz vorherzusagen. Die Fortschritte blieben jedoch langsam, bis DeepMind vor vier Jahren einen erstaunlichen Durchbruch erzielte.
Im Jahr 2020 entwickelten Demis Hassabis und John Jumper auf Grundlage der ersten AlphaFold-Generation AlphaFold 2. Es kann die Strukturen nahezu aller 2 Hundert Millionen Proteine vorhersagen, die Forschende bislang identifiziert haben. Die Arbeit wurde bisher mehr als 2 zehntausendmal zitiert, und das System wird von mehr als 200 zehntausend Menschen aus 190 Ländern genutzt. Es hat enorme Fortschritte unter anderem bei Malariaimpfstoffen, Krebsbehandlungen, dem Enzymdesign und der Erforschung von Antibiotikaresistenzen ermöglicht. Tatsächlich erhielten die beiden bereits im vergangenen Jahr, noch vor dem Nobelpreis, den als „Oscar der Wissenschaft“ bekannten Breakthrough Prize in Life Sciences sowie den als „Nobelpreis-Vorboten“ geltenden Lasker Award als Anerkennung für ihre herausragenden Beiträge zur medizinischen Grundlagenforschung.
Die Königlich Schwedische Akademie der Wissenschaften erklärte in einer Stellungnahme: „Ohne Proteine kann Leben nicht existieren. Dass wir heute Proteinstrukturen vorhersagen und eigene Proteine entwerfen können, bringt der Menschheit enormen Nutzen.“
Nach Bekanntwerden der Auszeichnung veröffentlichte Google DeepMind umgehend einen offiziellen Beitrag, um „die frohe Botschaft zu verkünden“.
Demis Hassabis erklärte ebenfalls in einer Stellungnahme:
„Den Nobelpreis zu erhalten, ist die Ehre meines Lebens. Ich danke der Königlich Schwedischen Akademie der Wissenschaften, John Jumper und dem AlphaFold-Team, den weiteren Teams von DeepMind und Google sowie allen Kolleginnen und Kollegen, die zu diesem Moment beigetragen haben. Ich habe meine berufliche Laufbahn dem Fortschritt der KI gewidmet, weil sie ein unvergleichliches Potenzial besitzt, das Leben von Milliarden Menschen zu verbessern. AlphaFold wird bereits von mehr als 200 mal zehntausend Forschenden genutzt, um entscheidende Arbeiten voranzutreiben, vom Enzymdesign bis zur Wirkstoffforschung. Ich hoffe, dass wir AlphaFold künftig als ersten praktischen Beleg für das enorme Potenzial der KI betrachten können, wissenschaftliche Entdeckungen zu beschleunigen.“
John Jumper erklärte daraufhin：“Dies ist ein wichtiger Beleg dafür, dass KI die wissenschaftliche Forschung beschleunigen und letztlich dabei helfen kann, Krankheiten zu verstehen und Behandlungsmethoden zu entwickeln. Diese Arbeit verdanken wir dem hervorragenden Team von Google DeepMind, und diese Auszeichnung würdigt auch dessen herausragende Beiträge.”
Zusammen mit dem „KI-Paten“ Geoffrey E. Hinton, der zuvor als Erster den Physikpreis erhalten und große Diskussionen ausgelöst hatte, wird damit die gemeinsame Verbindung hinter diesen besonders beachteten Preisträgern des Jahres deutlich — Hinton ist eine Schlüsselfigur von Google Brain, das Googles frühe KI-Ambitionen trug, während Demis Hassabis die prägende Kraft hinter Google Deepmind ist, das in den letzten Jahren Googles KI-Forschungsaufgaben getragen hat.
Kein Wunder, dass sogar die „Nobelparty“ direkt auf dem Google-Campus stattfand.
Während Nobelpreise nacheinander an KI-Wissenschaftler gingen, hat auch Google dabei „auf ganzer Linie abgeräumt“.
Googles Offensive
Zeitlich betrachtet ist Google eindeutig das erste große Unternehmen, das in das Geschäft mit künstlicher Intelligenz eingestiegen ist.
Obwohl viele Versionen der Geschichte die geheime Auktion, die im Winter 2012 in einem Kasinohotel am Lake Tahoe in den USA stattfand, als fairen Wettbewerb zwischen den drei Technologieriesen Google, Microsoft und Baidu sowie DeepMind um DNNResearch beschreiben, Hintons gerade gegründetes kleines Unternehmen, das außer einigen wissenschaftlichen Veröffentlichungen keinerlei greifbare Produkte vorzuweisen hatte, stand ihr Ausgang rückblickend eigentlich schon längst fest. Denn einer ihrer Ursprünge lag gerade in einem Anstoß, den Google 6 Monate zuvor gegeben hatte.
Im Monat 6 des Jahres 2012 startete Google Brain öffentlich das Projekt „Google-Katze（The Cat Neurons）“, bei dem Algorithmen Katzen in YouTube-Videos erkennen sollten. Es wurde von Andrew Ng geleitet, unter Beteiligung von Jeff Dean und mit tatkräftiger Unterstützung des Unternehmensgründers Larry Page.
Das Projekt entwickelte ein großes neuronales Netz mit 10 hundert Millionen Verbindungen und trainierte es mit 1000 zehntausend unbeschrifteten Videos von YouTube auf 16,000 CPUs. Durch unüberwachtes Lernen lernte das System erfolgreich selbstständig, Katzengesichter mit einer Genauigkeit von 74.8% zu erkennen, und konnte auch menschliche Gesichter sowie andere Objekte erkennen.
Andrew Ng entschied sich jedoch gegen Ende des Projekts, auf dem Höhepunkt seines Erfolgs zurückzutreten. Vor seinem Abschied empfahl er Google seinen eigenen Lehrer Hinton als Nachfolger. Hinton erklärte, er werde die Universität nicht verlassen und wolle lediglich „einen Sommer lang“ bei Google bleiben. So wurde er zum ältesten Praktikanten in der Geschichte von Google.
Als Autorität auf dem Gebiet des Deep Learning erkannte Hinton rasch die Schwächen des Projekts und stellte fest, dass Googles Katzenprojekt „das falsche neuronale Netz ausführte und die falsche Rechenleistung verwendete“. Nach seiner kurzen „Praktikumszeit“ rief Hinton daher sofort seine Studenten Ilya Sutskever und Alex Krizhevsky zusammen, bildete ein Team und entwickelte die neue neuronale Netzarchitektur AlexNet. Mit einem Ergebnis, das auf lediglich 4 NVIDIA-GPUs trainiert worden war, nahmen sie am ImageNet-Bilderkennungswettbewerb 2012 teil und errangen schließlich mit einer Genauigkeit von 84% einen bahnbrechenden Sieg.
Im Monat 10 desselben Jahres stellte Hintons Team auf der Konferenz für Computer Vision in Florenz offiziell den siegreichen Algorithmus AlexNet vor. Dass ein akademisches Team Google trotz dessen überwältigender Überlegenheit bei Hardware und Entwicklungsressourcen besiegte, sorgte in Wissenschaft und Industrie für enormes Aufsehen. Die AlexNet-Veröffentlichung wurde zudem zu einer der einflussreichsten Arbeiten in der Geschichte der Informatik und wurde mehr als 12-mal zehntausendmal zitiert.
Anschließend wurde DNNResearch, das Unternehmen der drei, offiziell gegründet. Der weitere Verlauf des Bieterverfahrens ergab sich dann umso natürlicher: Als der gebotene Wert auf 4400 Zehntausend US-Dollar gestiegen war, stoppte Hinton die Auktion und wechselte gemeinsam mit seinen beiden Studenten offiziell zu Google, wo er Vizepräsident von Google Brain und Engineering Fellow wurde.
Hinton schrieb damals in einer Erklärung: „Ich werde weiterhin in Teilzeit an der University of Toronto lehren, doch bei Google kann ich sehen, wie wir Berechnungen in extrem großem Maßstab bewältigen.“
Während seiner zehnjährigen Tätigkeit bei Google bis zum 5. Monat des Jahres 2023 forschte Hinton weiter an großen künstlichen neuronalen Netzen und leistete grundlegende Beiträge zu den Basistechnologien moderner KI-Systeme wie Bard und ChatGPT. Außerdem wirkte er an der Entwicklung der quelloffenen Bibliothek für maschinelles Lernen TensorFlow mit, trieb die Leistungsfähigkeit von KI-Anwendungen wie Bilderkennung und Sprachverständnis voran und brachte Deep-Learning-Technologien in zahlreichen Produkten und Diensten von Google zum Einsatz.
Google hat nie nachgelassen, Talente und Technologien zusammenzuführen. Nur zwei Jahre nach der Übernahme von DNNResearch übernahm es auch das von Hassabis gegründete DeepMind, einen der damaligen Mitbieter.
Berichten zufolge charterte Google damals sogar eigens einen Privatjet, um Hinton zur „Begutachtung“ nach London zu bringen. Auch der Sitz wurde speziell umgebaut, weil seine Rückenschmerzen ihm das Fliegen sonst unmöglich machten. Facebook, das damals von Google ausgestochen worden war und DeepMind verpasst hatte, warb daraufhin für viel Geld Yann LeCun ab, einen der „drei großen Pioniere des Deep Learning“.
Die Geschichte von Deepmind
Kommen wir zu DeepMind: Tatsächlich befand sich DeepMind bereits vor der Übernahme durch Google in finanziellen Schwierigkeiten. Das Unternehmen verbrannte fortwährend Geld, konnte jedoch kein tragfähiges Geschäftsmodell finden und stand sogar kurz vor der Insolvenz.
Googles Übernahme für 6 hundert Millionen US-Dollar rettete DeepMind: Sie bewahrte nicht nur das technische Kernteam, sondern stellte ihm auch leistungsfähige Rechenressourcen zur Verfügung, darunter Unterstützung durch Cloud-Computing-Plattformen und Rechenzentren. Dadurch konnte DeepMind mit größerer Rechenleistung tiefe neuronale Netze trainieren, was insbesondere bei der Entwicklung von AlphaGo die Rechengeschwindigkeit und Modellgenauigkeit erheblich steigerte. Darüber hinaus stellte Google eigens entwickelte TPUs (Tensor Processing Units) bereit, die das Training und die Inferenz von Deep-Learning-Modellen weiter effizienter machten. Auch das grundlegende KI-Werkzeug TensorFlow wurde in DeepMinds Forschung breit eingesetzt und half dabei, AlphaGos Leistung zu verbessern.
AlphaGo ist ein vom DeepMind-Team entwickeltes KI-Programm für Go. Durch die Analyse von Millionen von Partieaufzeichnungen und bestärkendes Lernen im Spiel gegen sich selbst erlernte es komplexe Go-Strategien und konnte die besten menschlichen Go-Spieler übertreffen. Im Jahr 2016 gewann AlphaGo gegen den Go-Weltmeister Lee Sedol mit 4 zu 1, wurde durch diesen Wettkampf berühmt und versetzte die ganze Welt in Staunen.
In Hassabis’ Augen war es jedoch erst der Anfang, anhand von Brettspielen das Potenzial der KI zur Lösung komplexer Probleme zu überprüfen. Wichtiger ist es, damit allgemeine Lernsysteme anzuleiten, die Herausforderungen der realen Welt bewältigen, um so das Leben der Menschen tatsächlich zu verbessern, Branchen zu erneuern und den wissenschaftlichen Fortschritt voranzutreiben.
Daraufhin stellte DeepMind innerhalb weniger Monate zügig Biologen ein und bildete ein interdisziplinäres Team, das sich auf die Lösung des Proteinfaltungsproblems konzentrierte. Dies führte schließlich im Jahr 2018 zur Entstehung des AlphaFold-Projekts. Nach mehreren Weiterentwicklungen hat AlphaFold mit seinen bahnbrechenden Fähigkeiten zur Vorhersage von Proteinstrukturen die biologische Forschung grundlegend verändert und das enorme Anwendungspotenzial von KI in der Wissenschaft aufgezeigt.
Erst im Monat 5 dieses Jahres gab Google Deepmind erneut offiziell bekannt, gemeinsam mit Isomorphic Labs das Proteinvorhersagemodell der nächsten Generation AlphaFold 3 vorzustellen; die zugehörige Forschungsarbeit wurde sogleich in der Fachzeitschrift „Nature“ veröffentlicht.
Im Vergleich zu früheren Versionen hat AlphaFold 3 nicht nur Fortschritte bei der Vorhersage der Proteinfaltung erzielt, sondern erstmals auch die hochpräzise Vorhersage der Strukturen von Biomolekülen wie Proteinen, DNA, RNA und Liganden sowie ihrer Wechselwirkungen ermöglicht. Dieser Durchbruch hilft Wissenschaftlern, Krankheitsmechanismen und Lebensprozesse besser zu verstehen, und verkürzt zugleich die Entwicklungszeit und senkt die Kosten erheblich. Ob bei der Entwicklung erneuerbarer Materialien oder der Beschleunigung von Arzneimitteldesign und Genomforschung: AlphaFold 3 eröffnet dem Bereich der Biomoleküle ein breiteres Anwendungsspektrum.
Darüber hinaus hat das Team auf Grundlage von AlphaFold 3 eine kostenlose Plattform namens AlphaFold Server eingeführt, die Wissenschaftlern weltweit für nichtkommerzielle Forschung zur Verfügung steht und wissenschaftliche Erkundung noch breiter zugänglich macht.
Über DeepMind zieht Google kontinuierlich weltweit führende Forschungstalente an und stellt langfristige finanzielle Unterstützung bereit. So können sie sich auf bahnbrechende Forschung konzentrieren, ohne auf kurzfristige kommerzielle Erträge angewiesen zu sein. Google gewährt DeepMind außerdem ein hohes Maß an strategischer Eigenständigkeit, sodass es seine Forschungsrichtungen frei wählen kann. Genau diese Unabhängigkeit und langfristige Unterstützung bilden eine solide Grundlage für DeepMinds zukunftsweisende Forschung.
Neben Durchbrüchen im Spielebereich und in der Biologie entwickelte DeepMind auch WaveNet, ein Modell zur naturgetreuen Sprachsynthese für Google Assistant, das die sprachbasierte Interaktion verbesserte. Mit dem Vision-Sprache-Aktions-Modell RT-2 verbesserte es die Fähigkeit von Robotern, Aufgaben in unterschiedlichen Umgebungen auszuführen. Seine Forschung befasst sich außerdem mit komplexen Problemen wie Wettervorhersagen und Kernfusionsreaktoren und trieb durch Projekte wie AlphaCode und AlphaDev die Weiterentwicklung von Computeralgorithmen voran.
Googles „Reserven“ sind weiterhin beträchtlich
Im heutigen Wettbewerb um künstliche Intelligenz ließen der rasante Aufstieg prominenter Unternehmen wie OpenAI und Anthropic sowie die „erdrückende Überlegenheit“ von ChatGPT und Claude gegenüber Gemini zeitweise Zweifel an Googles KI-Strategie aufkommen. Besonders bei der Kommerzialisierung generativer KI-Produkte und Entwicklerwerkzeuge stand die schnelle Entwicklung von OpenAI und ähnlichen Unternehmen in deutlichem Kontrast zu Googles vergleichsweise langsamem Vorgehen.
Doch die beiden nun vorliegenden Nobelpreise scheinen uns daran zu erinnern, dass Googles ausgeprägte Forschungsbasis und sein über lange Zeit aufgebautes technisches Wissen weiterhin Vorteile darstellen, die andere Unternehmen nur schwer nachbilden können.
Vor 2006 ließ sich der Stand des Deep Learning mit jenem berühmten Ausspruch von Baron Kelvin zusammenfassen: „Das Gebäude des Deep Learning ist im Wesentlichen vollendet, nur schweben am strahlend sonnigen Himmel drei kleine dunkle Wolken.“
Diese drei kleinen dunklen Wolken stehen für Algorithmen, Rechenleistung und Daten.
Und genau in diesen entscheidenden Bereichen verfügt Google über deutliche Vorteile. Erstens besitzt das Unternehmen umfangreiche, weltweit führende Datenbestände. Über Plattformen wie YouTube, Google Scholar und Google Search stellt Google reichhaltige und vielfältige Trainingsdaten für KI-Modelle in Bereichen wie Bildverarbeitung, Spracherkennung und Verarbeitung natürlicher Sprache bereit.
Zweitens verfügt Google über erhebliche Vorteile bei den Rechenressourcen. Die selbst entwickelte TPU-Hardware beschleunigt das Training von Deep-Learning-Modellen deutlich. Google Cloud stellt nicht nur leistungsfähige Rechenkapazitäten für die interne Forschung bereit, sondern bietet Entwicklern weltweit auch Werkzeuge, mit denen sie komplexe KI-Anwendungen schnell entwickeln und bereitstellen können.
Auch in der Algorithmenforschung und -entwicklung gehört Google zur Branchenspitze. Die im Google-Brain-Team entstandene Transformer-Architektur legte den Grundstein für die moderne Verarbeitung natürlicher Sprache und trieb die Entwicklung nahezu aller heutigen führenden KI-Modelle voran. Diese Technologien brachten nicht nur die akademische Forschung weiter, sondern werden auch umfassend in Googles Kernprodukten eingesetzt.
Im Jahr 2024 stand die KI-Branche weiterhin vor Herausforderungen bei Algorithmen, Rechenleistung und Daten. Obwohl viele Unternehmen in einzelnen Bereichen Durchbrüche erzielten, scheint Google im Vergleich nach wie vor gleichzeitig in allen drei Bereichen Vorteile zu besitzen und diese kontinuierlich wirksam miteinander zu verbinden.
Im Wettbewerb mit Unternehmen wie OpenAI und Microsoft verfügt Google weiterhin über beträchtliche Ressourcen und ist auch im KI-Wettlauf noch nicht besiegt. Das Potenzial künstlicher Intelligenz ist längst nicht ausgeschöpft；bei diesem Langstreckenlauf entscheiden vielleicht letztlich die Tiefe und Breite der technischen Innovation darüber, wer gewinnt.
