OpenAI und Ginkgo koppeln GPT-5 in einem geschlossenen Kreislauf mit einem robotergestützten Nasslabor

Was der Kreislauf tatsächlich leistete

OpenAI kombinierte GPT-5 mit dem Cloud-Labor von Ginkgo Bioworks – einem automatisierten Nasslabor, das per Software aus der Ferne betrieben wird, wo Roboter Experimente durchführen und Daten zurückliefern. GPT-5 entwarf Reaktionsserien im Standardformat von 384-Well-Platten, das Labor führte sie aus, und die Ergebnisse flossen zurück ins Modell, um die nächste Runde zu formen.

Diesen Zyklus wiederholten sie sechsmal. Über den gesamten Durchlauf führte das System mehr als 36.000 einzigartige Reaktionszusammensetzungen zur zellfreien Proteinsynthese (CFPS) über 580 automatisierte Platten aus. Ausgestattet mit einem Computer, einem Webbrowser und Zugriff auf relevante Fachliteratur brauchte GPT-5 drei Runden und zwei Monate, um einen neuen Bestwert zu erzielen: eine Senkung der Proteinproduktionskosten um 40 % gegenüber dem bisherigen Optimum sowie eine Verbesserung der Reagenzienkosten um 57 %.

Die Aufgabe selbst eignet sich gut für diesen Ansatz. Bei der CFPS werden Proteine ohne lebende Zellen hergestellt – die Proteinherstellungsmaschinerie läuft in einer kontrollierten Mischung aus DNA-Vorlage, Zelllysat und vielen miteinander wechselwirkenden biochemischen Komponenten ab. Eine intuitive Optimierung ist schwierig, weil kleine Änderungen viel bewirken können und die Richtung ihrer Wirkung nicht offensichtlich ist.

Der Validierungsschritt, der das Modell ehrlich hält

Die Absicherung ist das Detail, bei dem es sich zu verweilen lohnt. Bevor ein Experiment lief, fügte OpenAI eine strikte programmatische Validierung hinzu, die sicherstellte, dass die von der KI entworfenen Experimente auf der Automatisierungsplattform physisch tatsächlich durchführbar waren.

Sie verhinderte „Papierexperimente“, die im Text plausibel wirken, sich aber in einem robotergesteuerten Ablauf nicht umsetzen lassen.Montana Labs

Das ist der Teil des Systems, der die eigentliche Arbeit leistet. Ein Sprachmodell kann ein chemisch plausibel klingendes Protokoll erzeugen, das ein Pipettierroboter schlicht nicht ausführen kann. Indem Ausführbarkeit zur harten Vorbedingung wird und nicht erst nach einem gescheiterten Versuch entdeckt wird, koppelt der Aufbau die sprachliche Gewandtheit des Modells an die mechanischen Grenzen des Labors, das es tatsächlich steuert.

Wo das Modell von menschlichen Gewohnheiten abwich

Die Befunde sind konkreter als „KI fand bessere Rezepte“. GPT-5 identifizierte kostengünstige Zusammensetzungen, die Menschen in dieser Konfiguration bisher nicht getestet hatten, und viele davon bewährten sich unter Bedingungen, die Laborforschern typischerweise Schwierigkeiten machen: Hochdurchsatz-Plattenreaktionen bei geringem Volumen, mit geringerer Sauerstoffversorgung und anderer Durchmischung als im Reagenzglas.

OpenAI berichtet, dass kleine Änderungen bei Puffersubstanzen, Energieregenerationskomponenten und Polyaminen eine überproportionale Wirkung im Verhältnis zu ihren Kosten hatten – Parameter, an die man normalerweise nicht zuerst denkt. Im großen Maßstab werden daraus testbare Hypothesen statt bloßer Hintergrundannahmen.

Und die Kostenstruktur lenkte die Strategie. In diesem CFPS-System werden die Kosten von Lysat und DNA dominiert, was die Ausbeute zum wirkungsvollsten Hebel macht: Eine Steigerung der Proteinausbeute pro Einheit teurer Ausgangsstoffe verändert die Kostenzahl stärker als das Einsparen bei günstigeren Reagenzien. Diese Umdeutung – Optimierung der Ausbeute pro teurem Ausgangsstoff statt billigerer Zutaten – ist genau die Art von Überlegung, die der hohe Durchsatz nachvollziehbar machte.

Die enge Aussage hinter der Automatisierungsgeschichte

OpenAI ist beim Geltungsbereich vorsichtig, und angewandte Teams sollten es ebenso sein. Das Ergebnis wurde an einem Protein, sfGFP, und einem CFPS-System nachgewiesen; die Übertragbarkeit auf andere Proteine und andere Systeme ist nicht belegt. Manche Gewinne könnten empfindlich auf Sauerstoffversorgung und Reaktionsgeometrie reagieren, die je nach Maßstab variieren. Und menschliche Aufsicht war weiterhin nötig für Protokollverbesserungen und den Umgang mit Reagenzien.

Die konkrete Implikation dieser Ankündigung ist also nicht, dass ein Modell allein neue Biologie entdeckt hat. Sie ist, dass die Iterationsgeschwindigkeit – 36.000 Reaktionen an Robotern, abgesichert durch Ausführbarkeitsprüfungen – aus den Vorschlägen eines Modells eine messbare Verschiebung der Leistungsgrenze machte, bei einer Aufgabe, bei der Kosten genau deshalb zählen, weil autonome Labore Tausende von Reaktionen durchführen können, wo ein menschliches Team Dutzende schafft. Der Engpass, den dies adressiert, ist die Iterationsgeschwindigkeit – eine Aussage, die eng genug ist, um nützlich zu sein, und ehrlich genug, um darauf aufzubauen.