Studie als KI-Agent: Stanford-Tool macht Forschungsartikel interaktiv

Künstliche Intelligenz revolutioniert nicht nur die Forschung, sondern auch die Art und Weise, wie wissenschaftliche Studien geschrieben und veröffentlicht werden. Zuletzt drehte sich die Debatte darum, wie große Sprachmodelle genutzt werden können, um Studien zu bewerten. Eine neue Arbeit der Stanford University bringt nun KI-Agenten ins Spiel – mit dem Ziel, Forschungsergebnisse besser verständlich zu machen.

Durch KI-Agenten werden wissenschaftliche Paper interaktiv

Paper2Agent heißt das System, das ein Team rund um James Zou von der Stanford University School of Medicine entwickelt und kürzlich im Fachmagazin Nature veröffentlicht hat. Es verwandelt wissenschaftliche Manuskripte in interaktive KI-Agenten, die Fragen zur Arbeit beantworten, Ergebnisse validieren und sogar mit anderen Agenten kommunizieren können.

„Das ist eine Gelegenheit, das Wesen von Wissen grundlegend neu zu definieren“, sagt Studienleiter Zou. Bislang seien wissenschaftliche Arbeiten statische Aufzeichnungen in Form von gedruckten oder digitalen Texten. In Zeiten von agentischer künstlicher Intelligenz ändere sich das: Ein Framework wie Paper2Agent könne aus jeder statischen Arbeit eine interaktive machen. Man könne sich das wie einen „virtuellen Autor vorstellen, der weiß, wie Wissen entsteht“, sagt Zou.

Das Tool Paper2Agent ist auf Github frei verfügbar

Was dazu benötigt wird, ist eine wissenschaftliche Studie und der Paper2Agent Code, den die Forschenden kostenlos auf Github bereitstellen. Verknüpft man diesen mit einem Coding-Assistenten wie Claude Code, ist Paper2Agent in der Lage, die Arbeit in einen Model Context Protocol Server (MCP) zu übersetzen. MCP ist eine noch recht junge, offene Schnittstelle, mit der KI-Agenten mit anderen Systemen kommunizieren können. „Ein MCP ermöglicht es der KI im Grunde genommen, ein PDF-Dokument in einer Form darzustellen, auf die Agenten leicht zugreifen können – fast wie bei einem Ablagesystem“, sagt Zou.

Paper2Agent extrahiert vereinfacht gesagt das in der Arbeit enthaltene Wissen, den Studienaufbau und die Ergebnisse und setzt mit einem eigenen Multi-Agenten-System einen MCP-Server auf. Wird dieser dann mit einem Sprachmodell verknüpft, ist der Agent einsatzbereit: Die Nutzerinnen und Nutzer können ihm Fragen in natürlicher Sprache stellen, ihn bitten, die Methoden aus der Studie auf neue Datensätze anzuwenden, oder mehrere Paper-Agenten miteinander interagieren lassen. Das Aufsetzen des Agenten dauert pro Studie weniger als eine Stunde und die Kosten für die genutzte Rechenleistung bei etwa 15 US-Dollar liegen, heißt es in der Studie.

Wie werden Halluzinationen ausgeschlossen?

Um Halluzinationen zu minimieren, gleicht jeder Paper-Agent in einer iterativen „Build-Test-Repair-Schleife“ immer wieder die Ergebnisse und Zahlen aus der zugrundeliegenden Studie ab und wird abschließend „gesperrt“. Die Forscherinnen und Forscher können aber noch manuell Informationen ergänzen, etwa zu gescheiterten Experimenten, die es häufig nicht in die finale Arbeit schaffen, die aber dennoch wichtige Aussagen enthalten können.

Das Team aus Stanford hat inzwischen mehr als 100 Paper-Agenten aus Arbeiten aus verschiedenen Fachbereichen erstellt. Darunter war die Studie von Deepminds AlphaGenome, einem KI-Modell, das voraussagen soll, wie einzelne Gene bestimmte Prozesse im Körper steuern. Die Forschenden haben dem Agenten anschließend Testfragen zu bestimmten Genen gestellt, die sowohl konkret mit der Studie zu tun hatten, aber auch komplexere wissenschaftliche Aufgabenstellungen, für die das System selbstständig planen musste. Die Antworten wurden mit anderen, spezialisierten Agenten verglichen.

Test von Paper2Agent anhand der Studie zu AlphaGenome

Das Ergebnis: Paper2Agent erreichte, je nach Fragestellung, eine Genauigkeit zwischen 82 und 100 Prozent und übertraf dabei die bestehenden Systeme. Auf die Frage nach einer Gensequenz, die auf hohe Cholesterinwerte hindeutet, hat das System ein anderes Gen identifiziert als in der ursprünglichen Studie von Deepmind – aber eines, das im Rahmen der Hypothese dennoch denkbar ist. Die Forschenden sehen das als Beweis dafür, dass Paper2Agent auch für neue Forschung genutzt werden könnte.

Und nicht nur das: Das dank MCP verschiedene Agenten miteinander kommunizieren können, erhofft sich das Team auch eine Art KI-zu-KI-Kollaboration, durch die sich das Wissen, das bislang als statischer Text vorlag, künftig zu einer sich immer weiterentwickelnden, lebendigen Ressource wird.

„Früher mussten sich zwei Forschungsgruppen, die zwei unterschiedliche Artikel veröffentlichten, irgendwie selbst finden“, sagt Studienleiter James Zou. Künftig könne es ein „Manuskript-Speed-Dating“ in großem Maßstab geben: Millionen von Paper-Agenten, die künftig Gemeinsamkeiten untereinander aufdecken und zusammenarbeiten, um neue Erkenntnisse zu gewinnen.