Innovationen gestalten sich immer schwieriger. Die Unternehmen geben nicht nur immer mehr Geld für die Forschung aus, sondern die Forscher sind auch immer weniger produktiv. Dies sind die Schlussfolgerungen einer amerikanischen Forschungsstudie, die 2020 veröffentlicht wurde. Das gilt für die IT ebenso wie für die Landwirtschaft und die Medizin. LLMs (Large Language Models) bieten jedoch neue Hoffnung, die die Forschung zu revolutionieren verspricht. Die Produktivität der Forscher, die diese LLMs verwenden, könnte erheblich gesteigert werden.
Moore’s Law, das perfekte Beispiel für sinkende Produktivität
Das Mooresche Gesetz geht davon aus, dass sich die Transistordichte alle 2 Jahre verdoppelt. Dies entspricht einem konstanten jährlichen Anstieg der Dichte um 35%. Zwischen 1970 und 2020 wurde das Mooresche Gesetz exakt eingehalten (siehe Grafik unten). Für die Hersteller ist es zweifellos zu einem Ziel geworden. Sie haben beispiellose Forschungsanstrengungen unternommen, um dieses Ziel zu erreichen (dies ist an sich schon eine sinnvolle Anwendung des Goodhartschen Gesetzes).
Die 4 Autoren des Artikels zeigen, dass die Anzahl der Forscher, die für eine Verdoppelung der Transistoren benötigt wird, 18 Mal höher ist als 1970. Das Erreichen der Ziele, die das Mooresche Gesetz vorgibt, impliziert eine konstante jährliche Steigerung der Transistordichte um 35%. Zwischen 1970 und 2015 haben die Forscher die Ausgaben für Forschungspersonal aller an der Chipentwicklung beteiligten Unternehmen analysiert. Die Ergebnisse sind in der folgenden Grafik aus ihrem Artikel deutlich zu erkennen.
So schreiben die Autoren der Studie:
„Der Forschungsaufwand ist seit 1971 um das 18-fache gestiegen. Dieser Anstieg findet statt, während die Wachstumsrate der Chipdichte mehr oder weniger stabil ist: Das konstante exponentielle Wachstum, das durch das Mooresche Gesetz impliziert wird, wurde nur durch einen massiven Anstieg der Ressourcen erreicht, die dafür eingesetzt wurden, die Grenzen voranzutreiben.“
Diese 18-fache Zunahme der Forscher entspricht letztlich einem durchschnittlichen jährlichen Produktivitätsrückgang von 6,8 %.
Warum ist das so? Um die Ziele des Moore’schen Gesetzes zu erreichen, müssen die technischen und physikalischen Grenzen immer weiter verschoben werden (Ätzgenauigkeit, Wärmeverteilung). Hinter diesem „Produktivitätsrückgang“ verbirgt sich eine exponentielle technologische Herausforderung im Laufe der Jahre. Wir können Gordon Moore danken, dessen Vorhersage aus dem Jahr 1965 zweifellos zu einem unbewussten industriellen Ziel wurde, das dazu beitrug, die Informatik voranzutreiben.
Die Agrarforschung wird den Herausforderungen der Produktivität nicht Gerecht
Natürlich sind die Herausforderungen für die Forschung nicht auf die Informatik beschränkt. Die Landwirtschaft ist ein weiterer Bereich, in dem die Forschung für die Bewältigung der Herausforderungen unseres Planeten von entscheidender Bedeutung ist. Die Autoren zeigen, dass die Kapazität zur Steigerung der Erträge (blaue Linie) abnimmt, während gleichzeitig der Forschungsaufwand steigt (grüne Linien).
Die Grafik ist zugegebenermaßen weniger gut lesbar als diejenige zum Mooreschen Gesetz. Aber die Schlussfolgerungen sind die gleichen. Einfach ausgedrückt: Es werden mehr Forscher benötigt, um weniger Forschungsaktivitäten zu betreiben als früher. Zwischen 1970 und 2007 sank die Produktivität der Agrarforschung um durchschnittlich 3,7% pro Jahr.
Die Autoren haben die Forschungsanstrengungen detaillierter nach Kulturarten analysiert: Mais, Weizen, Sojabohnen und Baumwolle. Und natürlich sind die Ergebnisse auch auf dieser Ebene konsistent (siehe Abbildung unten). Bei Mais und Soja ist die Anzahl der Forscher zwischen 1970 und 2010 um 24 gestiegen.
Die Medizin gibt den Patienten immer weniger Hoffnung
Wenn es einen Bereich gibt, in dem die Forschungsanstrengungen für die breite Öffentlichkeit sichtbar sind, dann ist es die medizinische Forschung. Die Suche nach Heilmitteln für die Krankheiten, die uns am Altern hindern, ist eine Priorität.
- die Anzahl der „geretteten“ Lebensjahre für verschiedene Arten von Krankheiten (Krebs, Brustkrebs, Herzerkrankungen)
- die Anzahl der wissenschaftlichen Veröffentlichungen zu diesen verschiedenen Krankheiten als Indikator für den Forschungsaufwand.
Sie zeigen, dass der Forschungsaufwand linear ansteigt, während der Forschungsoutput sinkt. Unabhängig von der erforschten Krankheit sind die Ergebnisse die gleichen.
.
Schlussfolgerungen
Es wird zunehmend aufwendiger, das Innovationstempo zu halten. Wenn Sie jedoch Ergebnisse messen (Anzahl der Transistoren, Ernteerträge, gerettete Lebensjahre), dann arbeiten mehr Forscher.
Der „Ertrag“ der Forschung nimmt ständig ab, weil es einfach immer komplizierter wird, etwas zu „finden“. Wir stoßen an die Grenzen der Materie, an die Grenzen des Lebens, um zu verbessern, was verbessert werden kann. Aber es wird immer schwieriger, diese Grenzen zu verschieben. Das erklärt, warum die einzelnen Forscher immer weniger effizient sind. Also arbeiten sie immer mehr, um Schritt zu halten (Moore’s Law), und manchmal reicht das nicht einmal aus (Landwirtschaft, Medizin).
An dieser Stelle geben LLMs (Large Language Models) Hoffnung. Diese bahnbrechende Technologie könnte es denselben Forschern ermöglichen, ihre Produktivität zu steigern. Die ersten Versuche waren vielversprechend. Bei einem Hackathon wurden verschiedene Produktivitätssteigerungen bei der Suche nach neuen Materialien festgestellt. LLMs könnten auch die Entdeckung neuer Medikamente vereinfachen. Kurz gesagt, über einzelne Anwendungsmöglichkeiten wie die Erstellung von Inhalten hinaus eröffnen LLMs ein Feld von Möglichkeiten, das Forschern in allen Bereichen einen Produktivitätsschub verleihen dürfte.
Posted in Forschung, Innovation.
