Die unerwartete Avantgarde der KI: warum Naturwissenschafter und Historiker den Informatikern den Rang ablaufen

Wer in der Schweiz den Diskurs über künstliche Intelligenz verfolgt, stösst auf ein interessantes Phänomen. Die prominentesten Gestalter und Erklärer dieser technologischen Revolution sind oft keine Informatiker im klassischen Sinne.

Da ist Kevin Schawinski, der einst an der ETH Schwarze Löcher erforschte, bevor er zum KI-Unternehmer wurde. Da ist Marcel Salathé an der EPFL, der als Epidemiologe startete; und da ist Mary-Anne Hartley, ebenfalls EPFL, eine Ärztin, die heute führende Algorithmen für das globale Gesundheitswesen entwickelt.

Auf den ersten Blick wirkt dies wie eine zufällige Häufung von Quereinsteigern. Doch es ist kein Zufall. Es ist das Symptom einer tiefgreifenden Verschiebung: Die KI-Kompetenz wandert dorthin, wo die komplexesten Probleme warten.

Der Elfenbeinturm hatte Risse

Warum sind diese Wissenschafter oft die besseren KI-Experten als reine Software-Ingenieure?

Die Antwort liegt in der Historie ihrer Disziplinen. Lange bevor Big Data ein Marketingbegriff wurde, gehörten grosse Datenmengen in der Astrophysik und der Epidemiologie zum Alltag.

Kevin Schawinski stand vor dem Problem, dass moderne Teleskope keine hübschen Einzelbilder liefern, sondern Petabytes an Rohdaten. Marcel Salathé erkannte, dass man Pandemien nicht mehr allein im Labor verstehen kann, sondern digitale Spuren von Millionen Menschen analysieren muss. Und Mary-Anne Hartley sah in Afrika, dass man den Ärztemangel nicht mit Personal, sondern nur mit automatisierter Diagnostik beheben kann.

Für sie alle war der Griff zum Code keine Karriereplanung, sondern ein Notnagel. Ein klassischer Informatiker lernt zuerst programmieren und schaut sich dann um, welche Aufgaben er mit dem Code lösen kann. Die Naturwissenschafter dagegen wurden von ihren grossen Problemen zur KI getrieben. Ihre Motivation ist darum viel grösser.

Pragmatismus schlägt Perfektionismus

Genau dieser Unterschied im Mindset macht sie heute so effektiv. Ihr gemeinsamer Nenner sind Programmiersprachen, zum Beispiel Python. Der Computer-Code, der nach der britischen Komödiantentruppe Monty Python benannt wurde, kann mittlerweile durchaus als die Lingua franca der Wissenschaft bezeichnet werden. Und zur gemeinsamen Sprache kommt die Infrastruktur des Teilens.

Die Code-Bausteine, diejenigen Teile von Programmen, die bestimmte Aufgaben übernehmen, verstauben heute nicht mehr auf den Festplatten einzelner Institute. Sie leben auf Plattformen wie Github oder Gitlab. Das sind keine simplen Datenspeicher, sondern soziale Netzwerke für Algorithmen, die Kathedralen des modernen Codes. Hier arbeiten Entwickler aus Bangalore, Berlin und Boston gleichzeitig an denselben Projekten. Wer ein Problem hat, stellt es online. Oft ist die Lösung am nächsten Morgen da, geschrieben von einem Fremden am anderen Ende der Welt. Für Wissenschafter, die gewohnt sind, über Grenzen hinweg zu kooperieren, ist das der natürliche Lebensraum.

Diese Welt ist nicht perfekt. Open Source, also Code, dessen Funktionsweise für alle Nutzer transparent und frei zugänglich ist, gleicht oft mehr einem chaotischen Basar als einer geordneten Bibliothek. Die Schattenseiten sind real: In der Open-Source-Welt tummelt sich auch viel schädliche Software, Projekte verwaisen, der Code ist oft unübersichtlich oder fehlerhaft dokumentiert. Doch die Vorteile der radikalen Offenheit überwiegen die Risiken bei weitem. Es ist ein Paradebeispiel dafür, wie die Menschheit profitiert, wenn Wissen nicht patentiert, sondern demokratisiert wird. Die Geschwindigkeit der Innovation, die wir bei der KI erleben, wäre in abgeriegelten Silos einzelner Konzerne unmöglich.

Der wahre Treibstoff in diesem Online-Basar sind jedoch die Werkzeuge, die auf den Open-Source-Plattformen entstehen. Code-Bibliotheken, im Englischen «libraries» genannt, sind Sammlungen von vorgefertigtem Code, den Entwickler nutzen können, um spezifische Aufgaben zu lösen. Sie müssen nicht jedes Mal das Rad neu erfinden.

Nehmen wir die Python-Bibliothek Pandas. Für den Laien klingt das nach einem süssen Bären, für Datenwissenschafter ist es das Schweizer Taschenmesser der modernen Analyse. Man kann es sich vorstellen wie Excel, aber ohne die Grenzen der Tabellenkalkulation. Wo Excel bei einer Million Zeilen in die Knie geht, fängt Pandas gerade erst an, sich warmzulaufen. Es ist das wohl mächtigste Statistikinstrument der Gegenwart, und es stammt nicht aus den Labors von Microsoft oder Google. Es wird von einem weltweiten Netz von Tausenden Freiwilligen entwickelt. Es ist ein Triumph der Kollaboration: Ein Astrophysiker in Zürich profitiert von Code-Verbesserungen, die ein Finanzanalyst in New York oder ein Biologe in Tokio gestern Abend hochgeladen hat.

Und wenn es an die «echte» künstliche Intelligenz geht, greifen die Forscher zur Python-Bibliothek Pytorch. Das ist der Maschinenraum des Deep Learning. Während Pandas die Daten sortiert und bereinigt, so etwas wie die Drecksarbeit erledigt, ist Pytorch der Baukasten, aus dem neuronale Netze zusammengesetzt werden. Es verwandelt die abstrakte Mathematik in anwendbaren Code.

Dass Schawinski, Salathé und Hartley diese Tools beherrschen, ist ihr Vorteil. Sie warten nicht auf Software-Updates von Herstellern. Sie nutzen den Code, den die globale Community ihnen zur Verfügung stellt, passen ihn an und bauen damit ihre Anwendungen. Obwohl sie fachfremd sind, sind sie KI-Experten, und zwar deshalb, weil sie gelernt haben, die Macht der Gemeinschaft pragmatisch zu nutzen.

Datengetriebene Geschichtsforschung

Doch das Monopol der Naturwissenschafter beginnt zu bröckeln. Denn während Naturwissenschafter oft mit schön sortierten Zahlenkolonnen hantieren, sassen Historiker bisher auf einem Datenschatz, der für Computer lange unlesbar war: unstrukturierter Text, krakelige Handschriften, kulturelles Erbe.

Mit dem Durchbruch der Large Language Models (LLM) ändert sich das. Die KI hat gelernt, Sprache und Kontext zu verstehen, oder zumindest sehr überzeugend so zu tun. Damit öffnet sich die Tür für eine neue Generation: die Vertreter der Digital Humanities.

Ein Vorbote dieser Ära ist Frédéric Kaplan an der EPFL. Mit seiner Venice Time Machine digitalisiert er nicht nur Kilometer von venezianischen Archiven, er lässt die KI Zusammenhänge erkennen, für die ein Mensch Jahrhunderte brauchte. Das Projekt startete bereits 2012 und drohte im Jahr 2019 zu scheitern. Mit der generativen KI hat das Vorhaben nun ganz neue Möglichkeiten erhalten. So können heute mit LLM zum Beispiel alte Karten wiederhergestellt oder nur schwer lesbare Dokumente zuverlässig transkribiert werden.

Wichtig dabei ist, zu beachten: Die KI ist kein magisches Orakel, das verlorenes Wissen herbeizaubert. Wo Quellen physisch vernichtet wurden oder die Überlieferung – etwa bei der Finanzierung der mittelalterlichen Kurie – nur noch in spärlichen Fragmenten vorliegt, bleibt das klassische Ad Fontes die einzige Instanz. Die Maschine kann nur finden, was auch aufgezeichnet wurde. Die Revolution der Digital Humanities liegt folglich nicht im Ersetzen der präzisen Einzelanalyse. Sie liegt in der Erschliessung jener riesigen Archivberge, die schlicht zu gewaltig waren, um von Menschen gelesen zu werden.

Dieses Prinzip nutzt auch die britische Historikerin Ruth Ahnert. Sie liest schon seit 2018 im Projekt Living with Machines mit künstlicher Intelligenz Millionen viktorianischer Zeitungen. Wo früher Doktoranden Jahre brauchten, um die Auswirkungen der Industrialisierung in lokalen Archiven zu suchen, zeigte ihr der Algorithmus in Sekunden, wie sich die Sprache der Arbeiterklasse über die Jahre veränderte.

Das Ende der Geschichte, wie wir sie kennen

Solche Projekte markieren mehr als nur einen technologischen Wandel. Es ist eine Zeitenwende. Bisher praktizierten Geisteswissenschafter das sogenannte Close Reading, das genaue Interpretieren weniger Texte. Die nächste Generation wird das Distant Reading beherrschen: die algorithmische Analyse von Millionen Dokumenten gleichzeitig.

Wir stehen an der Schwelle zu Erkenntnissen, die in riesigen, verstaubten Archiven verborgen geblieben sind. Vielleicht werden wir quantifizieren, dass der Niedergang einer venezianischen Handelsdynastie nicht durch politische Intrigen, sondern durch subtile Verschiebungen in globalen Lieferketten ausgelöst wurde, die nur eine KI im Datenwust erkennen kann. Vielleicht finden wir in Tausenden von diplomatischen Depeschen ein sprachliches Muster, das Kriege bereits Jahre vor dem ersten Schuss ankündigt.

Die Dominanz der Astrophysiker und Epidemiologen war der ersten Phase der KI geschuldet, die vor allem Zahlen verstand. Doch jetzt, wo die Maschinen lesen gelernt haben, können die Historiker und andere Geisteswissenschafter aufholen. Wir werden in Zukunft sehr viel mehr über unsere Vergangenheit erfahren. Nicht, weil wir mehr lesen, sondern weil die Maschinen äusserst überzeugend so tun, als könnten sie alles lesen.