Wissenschaft & Bio

Bedarfssignatur

Was es ist & Reifegrad

KI für Naturwissenschaften umfasst eine breite Palette: Strukturvorhersage für Proteine und Moleküle (AlphaFold-Linie und Nachfolger — das KI-System von Google DeepMind, das die 3D-Faltung eines Proteins aus seiner Aminosäuresequenz vorhersagt), KI-gestützte Wirkstoff- und Materialsuche, Klima- und Wettervorhersagemodelle sowie Genom-/Genomik- und Multiomics-Analyse (Erbgut bzw. dessen systematische Untersuchung; Multiomics = die kombinierte Auswertung mehrerer „-omik"-Ebenen wie Genom, Transkriptom, Proteom, Metabolom). Trainingsgrundlage sind sowohl experimentelle Daten — etwa aus der Cryo-EM (Cryo-EM, Kryo-Elektronenmikroskopie, ein Verfahren zur Strukturbestimmung biologischer Moleküle bei sehr tiefen Temperaturen) — als auch große öffentliche Datenbanken. Das verbindende Merkmal ist die Arbeit mit großen, strukturierten wissenschaftlichen Datensätzen, auf denen spezialisierte Modelle trainiert werden.

Reifegrad (Einschätzung): nische, aber strategisch wertvoll und in einzelnen Feldern bereits teils produktiv. Strukturvorhersage (Proteine) gilt als durchgebrochen und wird produktiv genutzt; KI in der Wirkstoffsuche wächst, ist aber in frühen Phasen; Klimamodelle ergänzen klassische numerische Simulation. Insgesamt: kein Massen-Use-Case, aber mit stetigem, langfristigen Storage-Wachstum durch Datensatz-Akkumulation.

IP-Intensität (Einschätzung): hoch — Wert und Burggraben liegen in proprietären Modellen, kuratierten Daten und Forschungs-Know-how (z. B. AlphaFold-Linie, firmeneigene Wirkstoff-Pipelines). Für die Hardware-Nachfrage ist das Segment dennoch kein breiter Dauer-Speichertreiber: Die Last ist schubweise und in der Nische, der stetige Beitrag kommt aus der Akkumulation der Datensätze (NAND/Storage), nicht aus Massen-Inferenz.

Stand der Dinge / Dynamik

Beim nächsten Review hier aktualisieren — das ist der lebende Teil der Seite.

• KI-getriebene Wirkstoff- und Materialsuche: Mehrere Unternehmen und Forschungseinrichtungen setzen KI-Modelle in der frühen Wirkstoffentwicklung ein; Wachstum der Pipeline, aber noch keine dominante Produktionsnutzung. (Sekundärinfo, zu belegen.)
• Foundation Models für Biologie und Chemie: Große vortrainierte Modelle für biologische Sequenzen, Molekülgraphen und chemische Räume entstehen analog zu Sprach-LLMs. Fortschritt und Modellgrößen nachtragen. (Einschätzung, zu belegen.)
• Kopplung mit Laborautomation: KI-Modelle werden zunehmend mit automatisierten Labors (Robotik-Synthese, High-Throughput-Screening) gekoppelt — das erhöht die Datenproduktionsrate. (Einschätzung, zu belegen.)
• Öffentliche und proprietäre Datasets: Öffentliche Datenbanken (Proteinstrukturen, Genome) und proprietäre Industriedaten sind die Trainingsgrundlage; deren Wachstum ist stetiger als bei konsumentenorientierten Use-Cases. Belegt: Die experimentelle RCSB Protein Data Bank (PDB) umfasst rund 254.000 Strukturen (Mai 2026) und wächst seit Jahren stetig; KI hebt das Volumen um Größenordnungen: die AlphaFold-DB enthält über 214 Mio. vorhergesagte Strukturen (2024), ausgehend von ~300.000 (2021) — siehe Diagramme unten.
• Strukturelle Storage-Logik: Wachsende Datensätze leben dauerhaft auf NAND/SSD im Datacenter; mehr dazu unter Kioxia und SanDisk (Storage/NAND).

Übrige Aussagen hier sind Einschätzungen/Sekundärinfos. Vor Verwendung in der These mit Primär-/belastbaren Quellen härten.

Treiber-Mechanik → Hardware

Warum Wissenschaft & Bio Storage (stetig) und Compute (schubweise) treibt:

Daten als Storage-Treiber

Zwei belegte Anker zeigen die Storage-Logik dieses Segments: die experimentelle Strukturdatenbank wächst stetig und langlebig, und KI-Vorhersage hebt das Volumen um Größenordnungen darüber hinaus.

Kumuliertes Wachstum experimenteller Proteinstrukturen (RCSB Protein Data Bank, PDB)

Zeitraum 2010–2025, Einheit: kumulierte experimentell bestimmte Strukturen (gerundet). Legende: Balkenlänge = kumulierter Bestand relativ zu 2025. Quelle: RCSB PDB — Released Structures Statistics. Reported. Rohdaten: assets/data/wissenschaft-pdb-wachstum.csv.

Größenordnung: experimentell vs. KI-vorhergesagt (Strukturen je Datenbank)

Einheit: Anzahl Proteinstrukturen je Datenbank, Balkenlänge relativ zu AlphaFold-DB 2024. Die ersten beiden Balken sind im Verhältnis kaum sichtbar — genau das ist die Aussage: KI-Vorhersage hebt die nutzbare Strukturmenge um rund drei Größenordnungen über die experimentelle PDB, und damit den Storage-Bedarf. Quellen: RCSB PDB (experimentell ~254.000), AlphaFold-DB 2024 (NAR) (>214 Mio.; ~300.000 beim Start 2021), AlphaFold-DB / EMBL-EBI (über 200 Mio. seit Juli 2022). Reported. Rohdaten: assets/data/wissenschaft-datenbasis.csv.

Kennzahlen

Quantitative Anker — vor Eintrag belegen (Quelle, Zeitraum, Einheit, reported/geschätzt).

Belegte Werte mit Rohdaten unter assets/data/ (wissenschaft-pdb-wachstum.csv, wissenschaft-datenbasis.csv, wissenschaft-markt.csv) — synchron halten. Verbleibende „k. A."-Zeilen: Recherche ausstehend.

Edge vs. Datacenter

Vollständig Datacenter / HPC: Training und Inferenz laufen auf Beschleunigern im Rechenzentrum oder HPC-Cluster. Kein nennenswerter Edge-Anteil — Wissenschaftler greifen über Workstations und Web-Interfaces auf zentrale Recheninfrastruktur zu. Das bedeutet: der gesamte Hardware-Bedarf (Storage, Compute) liegt im Datacenter.

Bedeutung für die Speicher-/Storage-These

Beobachten / offene Fragen

• Wachstum wissenschaftlicher Datasets: Sequenzierungskosten, Laborautomations-Durchsatz und öffentliche Datenbankgrößen als Proxy für Storage-Wachstum.
• Übergang von Forschung zu produktiver Nutzung: Wann und in welchem Umfang werden KI-Modelle in regulierten Prozessen (klinische Studien, Zulassungsverfahren) produktiv eingesetzt?
• Ob Foundation Models für Bio/Chemie große, stetige Compute-/Speicherlasten erzeugen — das würde den HBM/DRAM-Beitrag dieses Segments erhöhen.
• Kopplung mit Laborautomation als Datengenerator: Skaliert die Datenproduktion mit der Automatisierung, steigt der Storage-Bedarf überproportional.

Quellen & Update-Log

Quellen mit klickbaren Links (Primär- vor Sekundärquellen).

• RCSB Protein Data Bank — Released Structures Statistics — kumuliertes Strukturwachstum, Gesamtbestand (~254.000 experimentell, >1,06 Mio. Computed Structure Models). Reported.
• Varadi et al., AlphaFold Protein Structure Database in 2024 (Nucleic Acids Research) — >214 Mio. vorhergesagte Strukturen, Start 2021 mit ~300.000. Reported (Primärquelle Betreiber/Forschung).
• AlphaFold Protein Structure Database / EMBL-EBI (About) — über 200 Mio. Strukturen seit Juli 2022, offener Zugang. Reported.
• MarketsandMarkets — AI in Drug Discovery Market — Marktgröße 1,86 Mrd. USD (2024) → 6,89 Mrd. USD (2029), CAGR 29,9 %. Geschätzt (Marktforschung; Anbieter-Schätzungen streuen).