Du arbeitest als Forscherin an einer aufwendigen Simulation. Der Quellcode stammt aus den Neunzigern, die Logdateien sind widersprüchlich. Du musst entscheiden, welches Teilergebnis du weiterverfolgst. Jeder Schritt ist eine Abwägung. Jede Entscheidung hinterlässt eine Spur – später kaum noch nachvollziehbar. Ein neues Projekt des US-Energieministeriums setzt hier an: Genesis-Science-1, kurz GS1. Es ist ein offenes KI-Modell, das wissenschaftliche Rechenworkflows ausführt und jeden Zwischenschritt dokumentiert. Der Ansatz zielt nicht auf schnelle Antworten, sondern auf Nachvollziehbarkeit und menschliche Kontrolle.
Das US-Energieministerium (DOE) und das Unternehmen Arcee AI haben GS1 heute vorgestellt. Das Modell ist Teil der Genesis-Mission, einer nationalen Initiative, die die Produktivität der amerikanischen Wissenschaft und Technik innerhalb eines Jahrzehnts verdoppeln soll. GS1 ist kein weiterer Chatbot für Wissenschaftler. Es bildet echte Forschungsumgebungen ab: alte Codebasen, unvollständige Simulationsläufe, widersprüchliche Ergebnisse, mehrere plausible nächste Schritte. Das Modell lernt, mit diesen Imperfektionen umzugehen – in einer Umgebung, die jederzeit überprüfbar ist.
Warum offene Gewichte?
Ein zentraler Punkt von GS1 sind offene Modellgewichte – Open Weights. Viele leistungsstarke KI-Modelle sind nur über APIs erreichbar. Du schickst eine Anfrage, bekommst eine Antwort, weisst aber nicht genau, was im Modell passiert. Vor allem weisst du nicht, ob das Modell morgen noch genauso funktioniert, weil der Anbieter es aktualisieren kann. Für eine Forschungseinrichtung, die vielleicht zehn Jahre lang eine bestimmte Modellversion verwenden muss, ist das ein Problem. Offene Gewichte erlauben es, das Modell auf eigener Infrastruktur zu betreiben, es anzupassen und langfristig zu sichern. Das heisst nicht, dass es keine Kontrollen mehr gibt. Die Verantwortung für Sicherheit, Qualität und Nachvollziehbarkeit bleibt bei der Institution. GS1 liefert die Grundlage, auf der solche Kontrollen aufgebaut werden können.
Mark McQuade, Mitgründer und CEO von Arcee AI, sagt: Ein Land könne nicht in KI führend sein, wenn alles, worin es führend ist, geschlossen bleibt. Mit GS1 wollen die Beteiligten einen Standard setzen: Das Modell soll unter realen Bedingungen nützliche wissenschaftliche Arbeit leisten – nachvollziehbar.
Wie GS1 funktioniert: Ein governed execution system
GS1 arbeitet in einer kontrollierten Ausführungsumgebung – wie eine digitale Laborbank. Das Modell bekommt Zugriff auf Werkzeuge, aber nur in isolierten, sandboxartigen Umgebungen. Jeder Schritt wird aufgezeichnet: die gestellten Prompts, die verwendeten Tools, die Codeänderungen, die Zwischenergebnisse, die endgültigen Schlussfolgerungen. Das System verwaltet den Zustand der Aufgabe, setzt bei Fehlern neu an und dokumentiert jeden Wiederholungsversuch. Menschen bleiben im Prozess. Sie genehmigen Entscheidungen, die Sicherheit, Veröffentlichung oder Ressourcennutzung betreffen. GS1 bekommt keinen pauschalen Zugriff auf DOE-Systeme. Eine erfolgreiche Ausführung bedeutet, den gesamten Workflow vom Plan bis zum Bericht zu durchlaufen, bei neuen Erkenntnissen die Strategie anzupassen, Toolfehler zu überstehen und eine Aufzeichnung zu hinterlassen, die ein anderer Forscher nachvollziehen kann.
Dieser Ansatz unterscheidet sich von typischen LLM-Benchmarks. Dort gibt es meist eine klare Frage und eine richtige Antwort. In der Wissenschaft sind Aufgaben offen, Lösungen unscharf. GS1 wird mit sogenannten Workbenches trainiert, die genau diese Unschärfe abbilden. Initiale Bereiche sind: Modernisierung von Hochleistungsrechen-Code, experimentelle Analyse, Materialwissenschaft, Energiesysteme. Jede Workbench enthält Code, Daten, Tools, Dokumentation, Logs, Teilergebnisse und Fehlerzustände. Das Modell muss lernen, damit umzugehen – wie ein erfahrener Postdoc, der ein chaotisches Projekt übernimmt.
Die Rolle von Arcee AI und der Beitragsprozess
Arcee AI hat bereits die Trinity-Modellfamilie entwickelt, zuletzt Trinity Large mit 400 Milliarden Parametern. Diese Erfahrung mit grossen Modellen, vor allem mit der gesamten Pipeline von Daten über Architektur bis zur Evaluation, bringt das Team in die Genesis-Mission ein. Das DOE und seine nationalen Labore liefern die wissenschaftliche Fundierung: Sie stellen geprüfte Materialien zur Verfügung, definieren repräsentative Aufgaben und bewerten die Ergebnisse. Arcee kümmert sich um die Recheninfrastruktur, kuratiert die Trainingsdaten, trainiert das Modell und erstellt die kontrollierte Ausführungsumgebung.
Um die Datenbasis zu verbreitern, hat das DOE ein Beitragsportal eingerichtet. Universitäten, Unternehmen und Forschungseinrichtungen können sich bis zum 6. August 2026 mit Daten für die Grundlagenphase bewerben. Eine zweite Runde für Post-Training-Daten und Umgebungen läuft bis zum 25. August 2026. Es werden nur Beschreibungen und Metadaten eingereicht, keine sensiblen Daten. Jeder Beitragende bestimmt selbst, wie seine Materialien verwendet werden dürfen. Der Auswahlprozess durchläuft fünf Prüfstufen: wissenschaftliche Passung, Rechteklärung, Prüfbereitschaft, technische Integration, finale Programmauswahl. Ausgewählte Teilnehmer arbeiten direkt mit den Entwicklern zusammen und erhalten frühen Zugang zu Evaluierungen.
Das Programm sucht besonders Arbeitsabläufe, die schlecht durch Standard-KI-Evaluierungen abgedeckt werden. Es geht nicht um einfache Multiple-Choice-Fragen, sondern um komplexe Szenarien, die Fachwissen und Erfahrung erfordern.
Was bedeutet das konkret für die KI-Entwicklung?
GS1 zeigt einen Weg, wie KI in der Wissenschaft vertrauenswürdig eingesetzt werden kann. Statt die Modelle als Blackbox zu behandeln, wird hier Transparenz von Anfang an mitgedacht. Das Modell muss seine Arbeit dokumentieren. Die Prüfung durch menschliche Experten bleibt erhalten. Das entspricht guter wissenschaftlicher Praxis: Reproduzierbarkeit, Nachvollziehbarkeit, Offenlegung von Fehlern.
Das Projekt ist auch ein Signal an die Industrie. Offene Modelle müssen nicht weniger leistungsfähig sein – und sie sind unter Umständen besser für regulierte Umgebungen geeignet. Wenn das Modell auf eigener Hardware läuft, unterliegen die Daten den eigenen Sicherheitsrichtlinien. Das ist in Bereichen wie Energie, Verteidigung oder Gesundheit ein entscheidender Vorteil.
GS1 ist ein Beispiel, wie sich der Diskurs verschiebt. Es geht nicht mehr nur um die Grösse eines Modells oder um die Anzahl der Parameter. Es geht um Vertrauen, Kontrolle und Integrität des wissenschaftlichen Prozesses. Die Genesis-Mission formuliert das Ziel, die Produktivität der amerikanischen Wissenschaft zu verdoppeln. Ob das gelingt, wird sich in den nächsten Jahren zeigen. Der Ansatz, offene Modelle mit strikten Governancestrukturen zu kombinieren, ist ein Schritt in diese Richtung.
Quelle: arcee.ai
