Forschen ohne Forscher? Die neue Ära der autonomen Wissenschaftslabore

Ein Labor, das selbst entscheidet, welches Experiment als Nächstes sinnvoll ist, klang lange nach Science-Fiction. Inzwischen ist es eher eine nüchterne Forschungsstrategie. Modelle schlagen Kandidaten vor, Roboter mischen und erhitzen Proben, Messsysteme lesen die Resultate aus, Algorithmen priorisieren den nächsten Versuch. Der Kreislauf läuft nicht mehr nur automatisch, sondern zunehmend autonom.

Das bedeutet allerdings nicht, dass Forschende verschwinden. Es bedeutet, dass sich ihre Arbeit verschiebt. Das eigentliche Drama spielt sich nicht zwischen Mensch und Maschine ab, sondern zwischen zwei Arten des Forschens: der alten Logik des langsamen, handwerklichen Durchprobierens und einer neuen Logik, in der wissenschaftliche Suchräume wie steuerbare Infrastrukturen behandelt werden.

Was an diesen Laboren wirklich neu ist

Laborautomation gibt es seit Jahrzehnten. Pipettierroboter, Hochdurchsatz-Screenings und automatische Auswertungen sind nichts Revolutionäres. Neu ist der geschlossene Kreislauf. Ein selbstfahrendes Labor führt nicht bloß Befehle aus. Es verbindet Zieldefinition, Experimentplanung, Durchführung, Messung, Auswertung und Priorisierung der nächsten Schritte in einer Pipeline.

Definition: Was ein selbstfahrendes Labor ausmacht

Ein autonomes Labor ist kein Raum ohne Menschen, sondern ein System, in dem Modelle und Maschinen innerhalb klarer Grenzen selbstständig entscheiden können, welcher Versuch als Nächstes den größten Erkenntnisgewinn verspricht.

Genau deshalb taucht in der internationalen Literatur so oft der Begriff “closed loop” auf. Die Maschine produziert nicht nur Daten. Sie verändert auf Basis dieser Daten ihr weiteres Vorgehen. Das ist der Punkt, an dem aus Automation eine neue Form von Forschungspraxis wird.

Nature führte Self-driving Labs Anfang 2025 sogar unter den wichtigsten Technologien des Jahres. Das ist mehr als ein Hype-Signal. Es zeigt, dass die Community diese Systeme nicht mehr als exotische Einzelprojekte betrachtet, sondern als entstehende Basistechnologie für Chemie, Materialforschung und angrenzende Felder.

Warum dieser Wandel gerade jetzt Fahrt aufnimmt

Drei Entwicklungen greifen ineinander.

Erstens sind Robotik und Messtechnik besser geworden. Viele Arbeitsschritte lassen sich heute präziser und verlässlicher automatisieren als noch vor wenigen Jahren. Zweitens sind Optimierungsverfahren wie Bayes’sche Suche, aktives Lernen und datengetriebene Versuchsplanung in der Praxis angekommen. Sie können nicht einfach nur mehr Kombinationen testen, sondern sinnvollere Kombinationen früher ansteuern. Drittens verändern große Sprachmodelle die Schnittstelle zum Labor: Dokumentationen, Gerätebefehle, Protokolle und Auswertungen lassen sich zunehmend in Sprachebene zusammenführen.

Das Ergebnis ist eine stille Verschiebung. Früher brauchte man hochspezialisierte Teams, um jedes neue Gerät, jedes Protokoll und jede Datenquelle mühselig zu verbinden. Heute wird genau diese Verknüpfung selbst zu einem Forschungsgegenstand. Die Frage lautet nicht mehr nur: “Welchen Versuch machen wir?” Sondern: “Wie bauen wir ein System, das gute Versuche selbst finden kann?”

Die Schlüsseldemos: A-Lab, Coscientist und Polybot

Ein besonders aufschlussreicher Meilenstein war das Berkeley-Projekt A-Lab, 2023 in Nature beschrieben. Das System kombinierte Vorhersagemodelle, Rezeptgenerierung, robotische Synthese und Röntgencharakterisierung für anorganische Materialien. Laut Paper realisierte die Plattform in 17 Tagen 36 Verbindungen aus 57 Zielmaterialien, also mehr als zwei zusätzliche Materialien pro Tag, mit minimaler menschlicher Intervention. Allein diese Zahl macht klar, worum es geht: nicht um magische Einsicht, sondern um brutale Suchgeschwindigkeit in einem standardisierbaren Raum.

Noch interessanter wurde es, als Sprachmodelle ins Spiel kamen. Ebenfalls 2023 zeigte die Nature-Arbeit zu Coscientist, dass große Sprachmodelle nicht nur Texte formulieren, sondern auch Syntheseplanung, Dokumentationssuche, Gerätesteuerung und Reaktionsoptimierung koordinieren können. Das System bewältigte laut Paper sechs unterschiedliche Aufgaben, darunter die Navigation durch Hardware-Dokumentation, die Steuerung eines Cloud-Labors und die Optimierung palladiumkatalysierter Kreuzkupplungen.

Damit entstand eine neue Ebene von Laborintelligenz. Der entscheidende Fortschritt war nicht bloß, dass ein Modell “Chemie kennt”. Entscheidend war, dass Sprache zur Schaltfläche für Geräte, Datenquellen und Protokolle wurde. Wissenschaftliche Handlungsketten werden dadurch modularer, schneller rekonfigurierbar und theoretisch breiter zugänglich.

Auch nationale Forschungslabore bauen diese Richtung massiv aus. Das Argonne National Laboratory beschreibt seine Plattform Polybot ausdrücklich als autonome Entdeckungsinfrastruktur, in der KI und Robotik Reaktivität analysieren, Parameter durchsuchen und Materialkandidaten auswählen. Solche Systeme sind nicht mehr nur akademische Showcases. Sie zielen auf reproduzierbare, alltagstaugliche Forschungsproduktion.

Der eigentliche Hebel: enorme Suchräume werden maschinenlesbar

In vielen Gebieten scheitert Forschung nicht an fehlenden Ideen, sondern an der Größe des Suchraums. Welche Molekülstruktur, welche Temperatur, welches Lösungsmittel, welche Reihenfolge, welche Konzentration, welche Nachbehandlung? Selbst wenn man nur einige wenige Parameter variiert, explodiert die Zahl möglicher Experimente.

Menschen sind in solchen Räumen gut darin, kluge Abkürzungen zu finden. Maschinen sind gut darin, enorme Varianten systematisch und ohne Ermüdung abzuarbeiten. Ein autonomes Labor wird gerade dann mächtig, wenn beide Stärken zusammenkommen: Menschen definieren die wissenschaftlich sinnvolle Landschaft, Maschinen durchsuchen sie viel dichter und schneller.

Darum liegen die besonders dynamischen Anwendungen bisher vor allem in Chemie, Materialforschung, Katalyse, Formulierungen und Wirkstoffsuche. Dort existieren harte Messgrößen, geschlossene Arbeitsabläufe und viele wiederholbare Schritte. Genau diese Kombination macht Autonomie praktisch.

Aber forscht die Maschine damit schon “selbst”?

Nur in einem begrenzten Sinn. Autonome Labore können heute lokal klug handeln. Sie können gute nächste Schritte berechnen, Gerätekonfigurationen ausführen und Ergebnisse in die nächste Runde einspeisen. Was sie nicht automatisch können, ist die tiefere wissenschaftliche Leistung, die Menschen oft unterschätzen: herausfinden, welches Problem überhaupt relevant ist, wann eine Messung epistemisch faul ist, welche Randbedingung sozial oder ethisch unzulässig wäre, und welche scheinbar saubere Zahl in Wahrheit nur ein Artefakt der Apparatur darstellt.

Kernidee: Der Beruf verschwindet nicht, aber er kippt

Forschende werden weniger zu manuellen Ausführenden und stärker zu Architektinnen, Kuratoren, Fehlerjägern, Sicherheitsinstanzen und Deuterinnen maschinell beschleunigter Suchprozesse.

Gerade in diesem Punkt ist die Formulierung “Forschen ohne Forscher” irreführend. Passender wäre: Forschen mit weniger Handarbeit und mehr Systemverantwortung.

Die Ernüchterung gehört zur Geschichte dazu

Wer über autonome Wissenschaftslabore nur in Superlativen spricht, verschweigt die zweite Hälfte der Entwicklung. Denn einige der spektakulärsten Erfolgsmeldungen wurden inzwischen genauer geprüft. Nature berichtete 2025 in einem größeren Überblick über Kritik an automatisch entdeckten Materialien. Gerade bei der Frage, was wirklich “neu” ist, zeigte sich ein zäher Konflikt zwischen rechnerischer Originalität, experimenteller Synthese und wissenschaftlicher Neuheit im strengen Sinn.

Besonders aufschlussreich ist der Umgang mit A-Lab. Nach Kritik an den ursprünglichen Neuheitsbehauptungen veröffentlichte Nature am 5. Februar 2026 eine Korrektur. Der Kern der Präzisierung: Die erzeugten Materialien waren nicht zwingend neu für die Wissenschaft insgesamt, sondern neu in Relation zur Vorhersageplattform und zum gewählten Workflow.

Das mag nach einem Detail klingen, ist aber zentral. Denn autonome Forschungssysteme können nur dann vertrauenswürdig sein, wenn ihre Leistungsansprüche sauber kalibriert werden. Geschwindigkeit ist beeindruckend. Falsch etikettierte Neuheit ist es nicht.

Die Machtfrage beginnt erst mit der Infrastruktur

Die vielleicht wichtigste gesellschaftliche Frage lautet nicht, ob autonome Labore funktionieren. Sie lautet, wer sie besitzt, wer sie trainiert, wer ihre Daten kontrolliert und wer von ihrer Beschleunigung ausgeschlossen bleibt.

Der Acceleration Consortium an der University of Toronto formuliert das offen als industrie- und gesellschaftspolitisches Projekt. Das Ziel ist gewaltig: die Entwicklung neuer Materialien von durchschnittlich 20 Jahren und 100 Millionen US-Dollar auf etwa ein Jahr und 1 Million zu drücken. Wenn diese Logik auch nur teilweise aufgeht, verändert sie nicht bloß Forschung, sondern Innovationsmacht.

Das Problem: Solche Plattformen sind teuer, datenhungrig und organisatorisch komplex. Wer Zugriff auf Robotik, Datenpipelines, Rechenressourcen und Standardisierung hat, kann wissenschaftliche Produktivität massiv verdichten. Wer ihn nicht hat, läuft Gefahr, zum Zulieferer von Ideen, Rohdaten oder Spezialwissen zu werden, während die eigentliche Beschleunigungsmaschine anderswo steht.

Dass diese Sorge real ist, zeigt ausgerechnet eine Gegenbewegung. 2025 stellte die University of Toronto ein offenes Robotiksystem für unter 500 Dollar vor, ausdrücklich mit dem Ziel, den Zugang zu self-driving-lab-Forschung zu verbreitern. Das ist ein starkes Signal: Selbst die Pioniere des Feldes sehen die Gefahr, dass millionenschwere Infrastruktur wissenschaftliche Teilhabe verengt.

Was autonome Labore sehr gut können und was nicht

Sie sind hervorragend darin, klar definierte Suchräume mit hoher Taktung zu erkunden. Sie ermüden nicht, führen Protokolle konsistent aus und können aus vielen Zwischenergebnissen schneller lernen als Teams, die jeden Versuchszyklus manuell umbauen müssen.

Sie sind deutlich schwächer, sobald Zielkonflikte, unklare Messgrößen oder fragwürdige Annahmen ins Spiel kommen. Ein System, das auf maximale Leitfähigkeit optimiert, produziert noch keine gute Energiepolitik. Ein System, das einen interessanten Molekülkandidaten priorisiert, hat noch nichts über Lieferketten, Toxikologie oder gesellschaftlichen Bedarf verstanden. Ein Modell, das Dokumentationen ausliest und Geräte ansteuert, ist noch lange kein verlässlicher epistemischer Partner.

Genau deshalb passt dieses Thema auch so gut zu zwei anderen Wissenschaftswelle-Linien: Forschungsinstrumente waren nie neutral. Heute können wir das nicht mehr ignorieren und KI-Beschleunigung der Innovation: Wie ein neuer F&E-Stack unsere Zukunft komprimiert. Autonome Labore sind die praktische Verdichtung genau dieser Entwicklung. Sie machen sichtbar, dass Instrumente, Modelle und Forschungsorganisation nicht bloß Hilfsmittel sind, sondern selbst Erkenntnispolitik.

Was sich für Forschende konkret verändert

Die stille Verschiebung ist radikal genug. Wer künftig erfolgreich forschen will, muss nicht nur Fachwissen haben, sondern auch mit Datenqualität, Workflow-Design, Evaluationsmetriken, Unsicherheiten und Mensch-Maschine-Schnittstellen umgehen können. Experimentelle Exzellenz bleibt wichtig, aber sie wird neu verteilt.

Das kann befreiend sein. Routinen, die heute viel Lebenszeit verschlingen, lassen sich delegieren. Es kann Forschung beschleunigen, reproduzierbarer machen und Räume öffnen, in denen Menschen eher strategisch als mechanisch arbeiten. Es kann aber auch neue Hierarchien erzeugen: zwischen denen, die Systeme bauen, und denen, die nur noch in ihren Grenzen arbeiten dürfen.

Für viele junge Forschende ist das die eigentlich unbequeme Botschaft. Nicht die Maschine ersetzt die Wissenschaft. Die Infrastruktur entscheidet neu, welche Art von Wissenschaft belohnt wird.

Die Zukunft gehört wahrscheinlich nicht dem vollautonomen Labor, sondern dem gut geführten

Die spannendste Formulierung für die nächsten Jahre lautet deshalb nicht “Labore ohne Menschen”, sondern “Labore mit besser verteilten Aufgaben”. Die robusteste Version autonomer Forschung ist vermutlich nicht die, in der Menschen verschwinden, sondern die, in der ihre Urteilskraft an den richtigen Stellen unverzichtbar bleibt: bei Zielwahl, Sicherheitsgrenzen, Bewertung von Neuheit, Fehleranalyse und gesellschaftlicher Relevanz.

Autonome Wissenschaftslabore markieren also tatsächlich eine neue Ära. Aber nicht, weil sie den Forscher abschaffen. Sondern weil sie die Arbeit des Forschens entkoppeln: von Handgriffen, die Maschinen übernehmen können, und hin zu Entscheidungen, für die wissenschaftliche Verantwortung weiterhin menschlich bleiben muss.

Wer darin nur Maschinenromantik sieht, unterschätzt den Wandel. Wer darin das Ende des Menschen im Labor sieht, versteht ihn ebenfalls falsch. Die eigentliche Revolution ist nüchterner, tiefer und vielleicht folgenreicher: Wissenschaft wird gerade von einer Werkstatt zu einem steuerbaren System.

Mehr Wissenschaftsanalysen gibt es auch auf Instagram und Facebook.

Weiterlesen

• KI-Beschleunigung der Innovation: Wie ein neuer F&E-Stack unsere Zukunft komprimiert

• Forschungsinstrumente waren nie neutral. Heute können wir das nicht mehr ignorieren

• Greiftechnik wird zur Intelligenzfrage: Wie Robotik lernt, eine empfindliche Welt sicher anzufassen