Das US-amerikanische Technologieunternehmen Microsoft hat auf der Build-Konferenz 2026 offiziell die cloudbasierte Enterprise-KI-Plattform Microsoft Discovery vorgestellt. Die Plattform richtet sich an datenintensive Forschungsbereiche wie Chemie, Materialwissenschaften, Biowissenschaften, Halbleiter und Quantencomputing. Durch Multi-Agenten-Kollaboration, Wissensgraphen, Integration von Simulationswerkzeugen und Orchestrierung von Experimentabläufen hilft sie Forschungsteams, den Zyklus von Hypothesenbildung über Versuchsplanung bis zur Ergebnisvalidierung zu verkürzen. Microsoft Discovery wurde erstmals auf der Build-Konferenz 2025 als private Vorschau vorgestellt und ist nun allgemein verfügbar.
Der Kern von Microsoft Discovery ist kein universeller Büroassistent, sondern eine auf wissenschaftliche und technische Entwicklungsprozesse ausgerichtete Agentenplattform. Forschungseinrichtungen und Unternehmens-F&E-Abteilungen haben oft mit verstreuten Datensätzen, internen Dokumenten, Versuchsaufzeichnungen, Simulationstools, Instrumentensystemen und Fachmodellen zu tun. In traditionellen Forschungsabläufen müssen Forscher ständig zwischen verschiedenen Softwarelösungen, Datenbanken und Experimentplattformen wechseln, wobei Datenbereinigung, Hypothesenfilterung, Parametervergleiche und Versuchsauswertungen viel Zeit in Anspruch nehmen. Microsoft Discovery versucht, diese Schritte in einen einheitlichen cloudbasierten Forschungsworkflow zu integrieren, sodass mehrere KI-Agenten Aufgaben wie Literaturrecherche, Datenaufbereitung, Simulationsaufrufe, Hypothesengenerierung, Versuchsplanung und Ergebnisanalyse übernehmen.
Das zentrale Modul der Plattform ist die Discovery Engine. Sie organisiert das interne Wissensarchiv der Organisation, öffentliche wissenschaftliche Daten, Versuchsdaten, Modellwerkzeuge und Simulationsergebnisse in Form eines Wissensgraphen, sodass KI-Agenten über verschiedene Werkzeuge hinweg auf dasselbe Forschungsziel schließen können. Nachdem Forscher Aufgaben wie Materialauswahl, Moleküldesign, Optimierung von Halbleiterprozessen oder Validierung von Arzneimittelkandidaten vorgeben, kann das System verschiedene Agenten zur Problemzerlegung einsetzen und Berechnungen, Recherchen, Simulationen und experimentelles Feedback in einer einzigen Forschungskette zusammenführen. Dieses Design ähnelt eher einem „digitalen Laborassistenten" als einer einfachen Chat-basierten Frage-Antwort-Funktion.
Microsoft Discovery unterstützt die Orchestrierung mehrerer Agenten. Verschiedene Agenten können unterschiedliche Rollen übernehmen, z. B. das Abrufen vorhandener Forschungsergebnisse, das Generieren neuer Hypothesen, das Aufrufen von Hochleistungsrechenressourcen, das Ausführen von Simulationsaufgaben, das Vergleichen von Versuchsdaten und das Überprüfen der Ergebnisstimmigkeit. Wissenschaftliche Aufgaben sind in der Regel nicht mit einer einzigen Frage-Antwort-Runde abgeschlossen, sondern erfordern mehrere Runden der Hypothesenkorrektur, Parameteranpassung, experimentellen Rückmeldung und Ergebnisüberprüfung. Der Wert der Multi-Agenten-Struktur liegt darin, komplexe Forschungsaufgaben in mehrere ausführbare Knoten zu zerlegen und die Ergebnisse dann in einen von Forschern überprüfbaren Prozess zusammenzuführen.
Microsoft betont bei dieser Gelegenheit besonders den Einsatz von Discovery in der Quantencomputing-Forschung. Bei der Entwicklung des neuen topologischen Quantenchips Majorana 2 half Microsoft Discovery bei der Optimierung des Materialstapels, der Chipkonfiguration und der Verkürzung des Experimentpfads. Nach der Einführung des neuen Materialstapels bei Majorana 2 verbesserte sich die Zuverlässigkeit der Qubits im Vergleich zur Vorgängergeneration um etwa das 1000-fache, die durchschnittliche Lebensdauer der Qubits erreichte 20 Sekunden, in einigen Fällen nahezu eine Minute. Für das Quantencomputing ist die Kohärenzzeit direkt entscheidend für die Fähigkeit zur Aufrechterhaltung des Quantenzustands, das Fehlerkorrekturfenster und die spätere skalierbare Rechenleistung; eine Lebensdauer von 20 Sekunden ist ein wichtiger Leistungsindikator auf diesem technologischen Weg.
Die Herausforderung bei der Entwicklung von Quantenchips liegt in der starken Kopplung von Materialien, Bauelementstrukturen, Tieftemperaturumgebungen, Rauschkontrolle und Messverfahren. Eine Parameteränderung kann die Bandstruktur, die Grenzflächenqualität, die Defektdichte und die Stabilität des Quantenzustands beeinflussen. Die Rolle von Microsoft Discovery bei solchen Problemen besteht darin, Versuchsdaten, Simulationsmodelle und Kandidatenmaterialkombinationen in einen iterativen Prozess zu integrieren und so manuelles, schrittweises Ausprobieren zu reduzieren. KI-Agenten können physikalische Experimente nicht ersetzen, aber sie können Forschungsteams helfen, Kandidatenpfade schneller zu filtern, anomale Ergebnisse zu lokalisieren und fragmentierte Daten in überprüfbare Hypothesen umzuwandeln.
Die Plattform richtet sich auch an Halbleiter-Forschungsszenarien. Die Erforschung von Halbleitermaterialien, Prozessrouten, Gehäusestrukturen und Bauelementzuverlässigkeit erfordert umfangreiche Simulations- und Versuchsdaten. Discovery kann Prozessdaten, Materialeigenschaften, Defektanalysen, Simulationsmodelle und Versuchsaufzeichnungen einheitlich verwalten, sodass Forschungsteams auf derselben Plattform Problemzerlegung, Variablenauswahl und Ergebnisüberprüfung durchführen können. Für die Entwicklung fortschrittlicher Fertigungsprozesse, Verbindungshalbleiter, optoelektronischer Bauelemente und KI-Chip-Materialien wirken sich Datenorganisation und werkzeugübergreifende Zusammenarbeit direkt auf die F&E-Effizienz aus.
Biowissenschaften und chemische Forschung sind ebenfalls Zielbereiche von Microsoft Discovery. Wirkstoffforschung, Proteinstrukturanalyse, Molekülscreening, Batteriematerialien, Elektrolytformulierungen und Katalysatordesign sind alle mit Hochdurchsatzdaten und multivariablen Experimentproblemen konfrontiert. Discovery kann vorhandene Daten der Einrichtung, öffentliche Datenbanken, Fachmodelle und experimentelle Systeme verbinden und Forschern helfen, die Zeit für das Screening von Kandidatenlösungen zu verkürzen. Die Forschungsteams müssen weiterhin die experimentelle Beurteilung und Ergebnisbestätigung leiten; die KI-Plattform übernimmt die Informationsintegration, Aufgabenzerlegung, Simulationsaufrufe und die Automatisierung sich wiederholender Arbeiten.
Die offizielle Veröffentlichung von Microsoft Discovery zeigt, dass sich wissenschaftliche KI von einem „Einzelpunktwerkzeug" zu einer „Forschungsprozessplattform" wandelt. Früher wurde KI eher für Literaturzusammenfassungen, Codegenerierung oder Vorhersagen mit einzelnen Modellen eingesetzt; jetzt dringt sie in die Kette der Hypothesengenerierung, Versuchsplanung, Werkzeugaufrufe und Ergebnisvalidierung vor. Für Unternehmens-F&E-Abteilungen liegt der Wettbewerbspunkt solcher Plattformen nicht nur in der Modellfähigkeit, sondern auch in Datenverwaltung, Berechtigungsmanagement, Qualität des Wissensgraphen, Anbindungsfähigkeit an Fachwerkzeuge und Rückverfolgbarkeit von Experimentprozessen.
Microsoft hat gleichzeitig eine Vorschauversion der Microsoft Discovery-Anwendung veröffentlicht, um die Einstiegshürde für Forschungsteams und Studenten zu senken. Die Enterprise-Plattform wird in der Azure-Cloud bereitgestellt und eignet sich für große Einrichtungen, die internes Wissen und Hochleistungsrechenressourcen anbinden; die lokale Anwendung richtet sich an leichtere wissenschaftliche Erkundungen und frühe Experimente. Mit dem schrittweisen Einzug von KI-Agenten in die Forschung wird der Kernwert von Forschungsplattformen von der „Generierung von Antworten" zur „Organisation von Forschungsprozessen" übergehen. Ob Microsoft Discovery in den Bereichen Materialien, Halbleiter, Quanten und Biowissenschaften stabile Anwendungen findet, hängt von der realen experimentellen Validierung, der Tiefe der Branchendatenanbindung und der langfristigen Nutzung durch die Forschungsteams ab.