Meta in der Kritik: Zweifel an KI-Modellen zur CO₂-Entfernung
- Meta wird vorgeworfen, KI-Modelle zur CO₂-Entfernung auf unzuverlässigen Datensätzen trainiert zu haben.
- Wissenschaftler kritisieren die Nutzung fehlerhafter Materialdaten und zweifeln an der praktischen Anwendbarkeit der Ergebnisse.
Meta sieht sich Vorwürfen ausgesetzt, KI-Modelle zur CO₂-Entfernung auf unzuverlässigen Datensätzen trainiert und überversprechend vermarktet zu haben. Chemiker kritisieren die Nutzung fehlerhafter Materialdaten, die falsche Hoffnungen auf technologische Durchbrüche wecken.
Berend Smit von der EPFL bemängelt, dass von 135 als vielversprechend bezeichneten Substanzen keine die prognostizierte CO₂-Affinität zeigte. Einige Strukturen seien chemisch instabil oder gar irreal.
Meta veröffentlichte ein Datenset mit 40 Millionen quantenmechanischen Simulationen, um mittels Machine Learning Metal-Organic Frameworks (MOFs) zu identifizieren, die CO₂ aus der Luft filtern könnten.
Die Rechenleistung überstieg akademische Kapazitäten. Meta bezeichnete das Projekt als „Durchbruch“, der ein KI-Modell hervorbrachte, das CO₂-affine Materialien schnell vorhersagen könne. Die Ergebnisse wurden in einer Fachzeitschrift publiziert.
Wissenschaftler fanden jedoch Inkonsistenzen. Ein veralteter chemischer Referenzdatensatz mit falschen Elementbeschreibungen wurde genutzt. Kritiker halten das Machine-Learning-Modell für die praktische Materialbewertung für ungeeignet.
Meta verteidigt sich: Ziel sei die Demonstration der Methodik für Hochdurchsatzscreenings gewesen. Die Daten seien als Ausgangspunkt für weitere Forschung gedacht, mit Hinweisen auf mögliche Instabilitäten.
Die Diskussion trifft einen sensiblen Punkt. Unternehmen wie Microsoft und Meta investieren Milliarden in Carbon Removal, während Technologieanbieter mit ökonomischen Herausforderungen kämpfen. Climeworks kündigte Stellenabbau an, trotz über 1 Milliarde Dollar Eigenkapital.
Susana Garcia von der Heriot-Watt University sieht dennoch Nutzen in Metas Initiative. Die Offenlegung ermöglichte es Forschern, Schwächen zu identifizieren und bessere Werkzeuge zu entwickeln. Doch Forschung mit globalem Einfluss benötigt mehr als Rechenleistung – sie braucht Validität.
