Noch bis zum 20. September zeigt die Frankfurter Schirn eine Ausstellung zum Thema „The World Through AI“. Die Frage, wie bildgenerative KI unsere Wahrnehmung von Bildern und der Welt, die sie abbilden, verändert, ist hochaktuell. Ausstellung und Katalog bieten dazu interessante Ansätze – allerdings auch, wie Doc Baumann bei der Lektüre feststellen musste, Anlass für grundlegende Kritik.
Oh je, das fängt ja gut an! Die Schirn verwendet für die PR der Ausstellung ein KI-Bild von Holly Herndon und Mat Dryhurst, für kunstinteressierte KI-Laien durchaus aufschlussreich, weil es die Anmutung eines Gemäldes hat (Ausschnitt siehe oben). Sowas kann KI also! Tolle Sache! Doch als KI-erfahrender Betrachter schaut man aus alter Gewohnheit erst mal auf die Finger … und findet derer etwa ein Dutzend an beiden Händen, ganz genau lässt sich das nicht bestimmen. Eine Schwäche aus der Anfangszeit, die inzwischen aber nur noch selten vorkommt. Ist das ein guter Einstieg, Interessenten die aktuellen Möglichkeiten von KI nahezubringen?
Ausstellungskataloge erfüllen heute meist weit mehr als die Aufgabe, die gezeigten Werke zu dokumentieren. Sie verstehen sich zugleich als theoretische Beiträge, ordnen historische Entwicklungen ein und versuchen, die behandelten Gegenstände begrifflich zu fassen. Das gilt in besonderem Maße für Publikationen zur künstlichen Intelligenz. Deren Gegenstand besteht ja gerade darin, dass die technischen Prozesse, auf denen die sichtbaren Bilder beruhen, den Betrachtern weitgehend verborgen bleiben. Umso größer ist die Versuchung und Notwendigkeit, diese verborgenen Prozesse theoretisch zu rekonstruieren.
Der Katalog The World through AI, erschienen anlässlich der gleichnamigen Ausstellung im Jeu de Paume in Paris (11. April bis 21. September 2025) wird nun, leider unübersetzt, auch zur Schirn-Ausstellung angeboten und gehört zweifellos zu den anspruchsvollen Veröffentlichungen dieser Art. Antonio Somaini versammelt darin gemeinsam mit zahlreichen Autorinnen und Autoren rund 120 Arbeiten zur analytischen und generativen künstlichen Intelligenz. Die Beiträge von Kate Crawford, Fabian Offert, Noam M. Elcott, Tim Trombley, Ada Ackerman, Alexandre Gefen und anderen verbinden Mediengeschichte, Bildtheorie und politische Analyse auf hohem Niveau.
Besonders überzeugend sind jene Passagen, die sich den materiellen Voraussetzungen gegenwärtiger KI widmen. Trainingsdatensätze, algorithmische Verzerrungen, digitale Ausbeutungsverhältnisse, Überwachung, Kriegseinsätze oder der enorme Energieverbrauch generativer Systeme werden differenziert und überzeugend diskutiert.
Allerdings ist, etwa bei Crawford, auch eine gewisse Blindheit zu konstatieren: Sie thematisiert zu recht den in der Tat gewaltigen Energieverbrauch der KI; das aber mit derselben Tendenz, in der manche Politiker die Zahl der Drogentoten in Deutschland instrumentalisieren: Die Zahlen stimmen zwar, doch es wird nicht erwähnt, dass sie einen winzigen Bruchteil darstellen, wenn man „legale Drogen“ wie Alkohol und Tabak mit einbezieht. Ähnlich bleibt hier unerwähnt, dass der Energie- und Wasserverbrauch etwa von Streaming oder privatem E-Mail-Versand von Fotos weit höher liegt (grob geschätzt 700 TWh statt 450 TWh bei KI weltweit); ebenso, wieviel durch KI-Einsatz bei der Herstellung von Bildern eingespart wird, für die man früher per Montage viel länger gebraucht hätte. Der breite Einsatz neuromorpher Chips, die wesentlich schneller und energiesparender arbeiten, könnte diese Umweltbelastungen deutlich verringern.
Solche Argumentationsmuster gibt es immer wieder. So schreibt Eugenia Stamboliev im Schirn-Paper in „Werk ohne Autor, Kunst ohne Mensch“ einerseits vom „Datendiebstahl für das Training dieser neuen KI-Modelle, [der] viele Kreative und Künstler*innen verzweifeln [ließ]“ – andererseits, nur wenige Zeilen später: „Kunst ist und war nie wirklich isoliert von ihren Kontexten oder Bedingungen, entgegen allen Künstler*innen-Mythen“. Mit anderen Worten: Wird KI mit Kunstwerken trainiert, ist das Datendiebstahl – werden Künstler von ihnen inspiriert, indem sie Eigenes auf den Fundamenten von Jahrhunderten der Kunstproduktion aufbauen, soll das einfach nur ihr Kontext sein. (Auf die mühsame Lesbarkeit gegenderter Texte und das grässliche Layout des Papers will ich nicht näher eingehen.)
Bei der Lektüre von Katalog und Schirn-Paper fällt ein weiteres Muster auf, das sich durch verschiedene Beiträge zieht. Es betrifft weniger einzelne Behauptungen als vielmehr die Art ihrer Argumentation. An mehreren Stellen werden Unterschiede so beschrieben, als handele es sich um grundsätzliche Gegensätze. Übergänge erscheinen als Brüche, Kontinuität als radikaler Neubeginn. Die folgenden Überlegungen gehen der Frage nach, ob diese Gegenüberstellungen tatsächlich notwendig sind oder ob manche von ihnen nicht eher graduelle Unterschiede beschreiben.
1. Produktions- statt Rezeptionsperspektive
Wer den Katalog liest, bemerkt rasch, dass sich sein Interesse vor allem auf die Entstehung der Bilder richtet. Immer wieder geht es um die Frage, wie latente Räume aufgebaut sind, wie neuronale Netze trainiert werden, wie Diffusionsmodelle funktionieren oder welche Rolle Prompts bei der Bildgenerierung spielen. Besonders Antonio Somainis grundlegender Essay über die Theorie latenter Räume verfolgt diesen Weg konsequent. Im Mittelpunkt stehen die technischen Verfahren ihrer Erzeugung, Exploration und Steuerung.
Daran ist zunächst nichts auszusetzen. Schließlich unterscheiden sich KI-Bilder gerade durch ihre Produktionsweise von früheren Bildverfahren, und wer sie verstehen will, muss sich zwangsläufig mit ihren technischen Grundlagen beschäftigen. Dennoch entsteht bei der Lektüre der Eindruck, dass eine andere Perspektive erstaunlich wenig Aufmerksamkeit erhält.
Gemeint ist diejenige der Betrachter. Unter der Überschrift „Die Welt durch KI“ würde man ja eigentlich eine Schwerpunktsetzung auf diese Perspektive erwarten. Wie erleben Rezipienten die Begegnung mit Bildern, deren Entstehungsprozess sie nicht nachvollziehen können? Welche Rolle spielen Faszination, Irritation oder Skepsis? Welche Erwartungen bringen sie mit, und wie verändern sich diese während der Betrachtung? Solche Fragen gehören seit langem zum Kern rezeptionsästhetischer Überlegungen. Im Katalog treten sie dagegen deutlich in den Hintergrund. Vor allem aber besteht die Welt nicht zu großen Teilen aus Kunstwerken, sondern aus alltäglichen Bildern. Unser internes Bild der Welt wird durch ihre mittelbare Kenntnisnahme über Bilder stark beeinflusst. Die eigentlich wichtigere Frage ist also die, was es für unser Weltbild (und unsere Sicht auf die Vergangenheit) bedeutet, wenn wir scheinbare Fotos von ihr sehen, die nicht direkt kausal von ihr bewirkt wurden und die zudem etwas zeigen, das es so in der Regel nicht gegeben hat. (Was aber einerseits typisch ist für Kunst-Bilder und andererseits seit manuellen und vor allem digitalen Fotomanipulationen auch nichts grundlegend Neues ist.)
Bezeichnend ist bereits der Sprachgebrauch. Begriffe wie viewer, spectator oder audience tauchen zwar vereinzelt auf, bleiben jedoch Randbemerkungen. Eine zusammenhängende Theorie der Wahrnehmung KI-generierter Bilder entwickelt der Band nicht.
Das ist insofern bemerkenswert, als viele der diskutierten Werke ihre Wirkung gerade aus der Erfahrung ihrer Betrachter beziehen. Die technischen Prozesse bleiben für sie unsichtbar; sichtbar sind lediglich ihre Ergebnisse. Zwischen beiden vermittelt die Wahrnehmung und gegebenenfalls das Wissen über die Entstehung. Wer ausschließlich die Produktionsseite untersucht, beschreibt deshalb nur eine Hälfte des ästhetischen Geschehens.
Hinzu kommt, dass etliche der Texte eine Perspektive widerspiegeln, die wenig mit der realen Produktion von KI-Bildern zu tun hat. Sie setzen voraus, dass ein Bild ganz und gar von KI erzeugt wird und berücksichtigen nur am Rande den langwierigen Prozess von Prompt-Verfeinerung, Auswahl von Referenzbildern, Selektion geeigneter Zwischenstadien – vor allem aber die finale manuell-digitale Nachbearbeitung, um das Bild den eigenen Vorstellungen anzupassen. Das ist kein neues Problem, sondern eins, das bei kunstwissenschaftlichen Texten schon auftauchte, als es noch um Pinsel, Pigmente und Leinwand ging.
2. Sind alle Bilder Kunstwerke?
Ein zweiter Punkt betrifft einen Begriff, dessen scheinbare Selbstverständlichkeit sich bei näherem Hinsehen als recht problematisch erweist: den des Kunstwerks. An mehreren Stellen werden alle generierten Bilder selbstverständlich unter kunsttheoretischen Gesichtspunkten diskutiert. Alexandre Gefen spricht etwa von Originalität, Stil, Autorenschaft oder ästhetischem Urteil. Solche Begriffe gehören seit langem zum Vokabular der Kunstgeschichte. Gerade deshalb überrascht, dass kaum thematisiert wird, worauf sie sich hier eigentlich beziehen.
Denn dieselben Modelle, die museal ausgestellte Arbeiten hervorbringen, erzeugen täglich Milliarden profaner Bilder. Produktabbildungen, Werbegrafiken, Illustrationen, Social-Media-Inhalte oder rein dekorative Visualisierungen entstehen häufig mit identischen Verfahren. Die technische Herkunft unterscheidet sie kaum. Dennoch werden sie immer wieder mit den Kriterien beschrieben und bewertet, die an Kunstwerke angelegt werden – was immer das auch sein mag. (Das ist so, als kritisiere man einen Text, der aus einer Reihung kurzer, linksbündiger Zeilen besteht, für den Mangel an Reimschema und Versmaß – ohne zu berücksichtigen, dass es sich um eine Einkaufsliste handelt.)
Die eigentliche Frage lautet daher nicht, ob KI Kunst erzeugen kann. Sie lautet vielmehr, wodurch ein einzelnes Bild überhaupt zum Kunstwerk wird. Gerade an dieser Stelle bleibt der Katalog überraschend zurückhaltend. Wenn Gefen etwa von einem „Midjourney-Stil“ oder einem „DALL-E-Stil“ spricht, scheint sich der Stilbegriff von einzelnen Werkreihen oder Künstlern auf eine Software zu verlagern. Das wirkt zunächst plausibel, führt aber bei näherer Betrachtung zu Schwierigkeiten. Stil beschreibt traditionell charakteristische Eigenschaften konkreter Werke oder Werkgruppen. Wird derselbe Begriff auf ein Werkzeug angewandt, droht er seine analytische Trennschärfe zu verlieren.
Man könnte sich dieselbe Argumentation im Bereich der Fotografie vorstellen. Niemand würde ernsthaft behaupten, sämtliche mit einer Leica oder Nikon aufgenommenen Fotografien besäßen einen gemeinsamen Stil. Zwar beeinflusst die verwendete Technik das Ergebnis. Daraus folgt jedoch noch kein ästhetischer Stil im kunsthistorischen Sinn.
Interessanterweise scheint Antonio Somaini selbst an anderer Stelle eine Position zu vertreten, die diese Überlegung eher stützt als widerlegt. Für ihn besitzt jeder Punkt im latenten Raum denselben ontologischen Status. Ob daraus später eine Werbeanzeige, ein privates Erinnerungsbild oder ein Museumsobjekt entsteht, spielt für das Modell zunächst keine Rolle. Erst kulturelle, institutionelle oder kuratorische Zusammenhänge verleihen einzelnen Bildern jene besondere Stellung, die wir gewöhnlich mit dem Begriff Kunstwerk verbinden.
Genau an dieser Stelle hätte der Katalog seine eigenen Voraussetzungen deutlicher reflektieren können. Denn solange ungeklärt bleibt, wodurch sich Kunstwerke von der unüberschaubaren Menge alltäglicher KI-Bilder unterscheiden, bleibt auch offen, worauf sich kunsttheoretische Begriffe wie Stil, Originalität oder Autorenschaft eigentlich beziehen.
3. KI-Bilder und digitale Fotografie
Kaum eine These wird im Katalog so nachdrücklich vertreten wie diejenige, KI-Bilder unterschieden sich grundsätzlich von Fotografien. Besonders deutlich formulieren Noam M. Elcott und Tim Trombley diese Auffassung in ihrem Essay AI Imaging, or, the End of Photography. KI-Bilder seien keine Fotografien mehr, sondern statistische Visualisierungen. Sie stünden, so ihre Formulierung, einem Balkendiagramm näher als einer mit einer digitalen Spiegelreflexkamera aufgenommenen Fotografie. KI-„Fotos“ würden nicht von einer realen Szene kausal bewirkt, sondern seien nur die Visualisierung von Zahlenwerten. Das stimmt zwar, führt aber keinen Schritt weiter. Denn auch jedes am Monitor oder im Ausdruck sichtbare „echte” Digitalfoto ist nichts anderes: eine Visualisierung von Zahlenwerten. Der Unterschied kann also nicht durch etwas begründet werden, was beiden gemeinsam ist.
Nur auf den ersten Blick erscheint diese Unterscheidung daher plausibel. Fotografien entstehen durch Licht, das auf einen Sensor trifft; KI-Bilder dagegen werden auf der Basis von Trainingsbildern aus Wahrscheinlichkeitsverteilungen berechnet. Betrachtet man jedoch die Entwicklung der digitalen Fotografie genauer, verliert diese Gegenüberstellung zusätzlich erheblich an Schärfe.
Seit mehr als zwanzig Jahren sind Fotografien keine unmittelbaren Abbilder optischer Wirklichkeit mehr. Zwischen der Aufnahme einer Szene und dem fertigen Bild liegen zahlreiche algorithmische Verarbeitungsschritte. Die Sensoren moderner Kameras liefern zunächst lediglich Rohdaten, aus denen erst durch Interpolation, Farbrekonstruktion, Rauschunterdrückung, Schärfung, Kompression und inzwischen vielfach durch KI-gestützte Verfahren ein sichtbares Bild entsteht. Besonders deutlich zeigt sich dies bei Smartphones. Nachtmodus, HDR-Fusion oder semantische Bildoptimierung verändern das Bild häufig so weit, dass kaum noch sinnvoll zwischen Aufnahme und nachträglicher Berechnung unterschieden werden kann.
In gewisser Weise hat sich also bereits die digitale Fotografie von dem entfernt, was man früher als unmittelbare fotografische Aufzeichnung verstand. Ganz abgesehen von der naiven Annahme, ein Foto würde – obwohl es zweifellos eine „objektive“ Darstellung ist – die Realität ohne Verzerrungen und Vorannahmen abbilden, ganz unabhängig von den vielen Entscheidungen, die der Fotograf vor und während der Aufnahme trifft. Die Differenz zwischen KI-Bild und Digitalfotografie besteht deshalb weniger darin, dass das eine „berechnet“ und das andere „nicht berechnet“ wäre. Beide beruhen auf komplexen algorithmischen Transformationen numerischer Daten.
Der tragfähigere Unterschied liegt eher an anderer Stelle. Fotografien besitzen – trotz aller algorithmischen Verarbeitung – eine physikalisch-kausale Beziehung zu einer konkreten Szene. In der Semiotik wird diese Eigenschaft seit Charles Sanders Peirce als Indexikalität beschrieben. Das Bild verdankt seine Existenz einem tatsächlichen Lichteinfall auf den Sensor. Diese Beziehung fehlt KI-generierten Bildern. Sie beruhen nicht auf einer konkreten Belichtung, sondern auf statistischen Zusammenhängen innerhalb ihres Trainingsmaterials. Doch eigentlich verschiebt sich die Kausalbindung damit nur, wenn das Trainingsmaterial aus authentischen Fotos besteht. Ebenso, wie wir Kanzler Merz auf der Straße erkennen würden, obwohl wir ihn nie selbst gesehen haben und nur von – bewegten oder statischen – Bildern kennen. Oder, um eine Abstraktionsstufe höher zu gehen: In ähnlicher Weise würden wir – irgendeinen – Orca oder 12,5-kg-Goldbarren „wiedererkennen”, obwohl wir sie wahrscheinlich in der Realität noch nie gesehen haben. Auch hier ist die kausale Bindung an reale, indexikalische Bilder nicht abwesend, sondern nur von der Ebene des singulären Referenten auf die Ebene der Gattung verschoben.
Damit verschiebt sich der Unterschied von der Ebene der Datenverarbeitung auf die Ebene der Kausalität. Nicht „Zahlen gegen keine Zahlen“, sondern unterschiedliche Formen der Weltbeziehung bilden den eigentlichen Gegensatz. Gerade diese Präzisierung hätte der Argumentation des Katalogs größere Schärfe verliehen.
Zudem ist zu fragen, ob die kausal-fotografische Entstehung des Trainingsmaterials und ihre (statistische) Weiterverarbeitung sich tatsächlich so erheblich von menschlicher Wahrnehmung und Erinnerung unterscheidet.
Dazu ein weiterer historischer Aspekt: Als in der 40er Jahren des 19. Jahrhunderts (Wochen-)Zeitungen mit vielen Abbildungen auftauchten (etwa die „Illustrated London News“ oder in Deutschland die „Illustrirte Zeitung“), waren deren Grundlagen bis ca. 1880 überwiegend grobe Skizzen und Textbeschreibungen, etwa von Kriegsszenen, Eisenbahnunglücken oder Versammlungen, ausgeführt von Handwerkern nach einer bloßen Text-Beschreibung oder groben Skizze eines Reporters vor Ort; der Stecher selbst hat die Szene nie gesehen. Hier liegt praktisch derselbe Ablauf wie bei Text-zu-Bild-KI vor.
Elcott/Trombley erwähnen zwar, dass die „indexical chain that tethered images to reality“ schon im 19. Jahrhundert „weak links“ hatte – konkret nennen sie jedoch Pressebilder, die als Holzstiche verbreitet wurden und durch die Bildunterschrift „after a photograph“ als solche kenntlich gemacht wurden. Aber das ist eine schwächere, weniger interessante Variante des Phänomens: Hier wird ein tatsächlich existierendes Foto nachträglich in einen Holzstich übersetzt (reine Reproduktionstechnik vor Erfindung des Rasterdrucks) – die indexikalische Bindung an die Realität bleibt im Kern erhalten, nur das Medium wechselt.
Der Stecher generiert das Bild also nicht aus direkter Anschauung, sondern in Kombination mit seinem internen „Weltmodell“ – einem über Alltagserfahrungen und Berufslaufbahn erworbenen Repertoire an visuellen Konventionen (wie sieht Kavallerie aus, wie sieht ein zerstörter Waggon, welche Posen/Kompositionen sind für „Trauerversammlung“ oder „Schlachtengetümmel“ konventionell). Das ist strukturell fast identisch mit dem, was ein latentes Modell tut: aus einer Textbeschreibung ein plausibles Bild generieren, gestützt auf ein aus vielen früheren Bildern erlerntes Muster – nicht auf eine konkrete Beobachtung der jeweiligen Szene.
4. Die neurophysiologische Parallele
Ein weiteres wiederkehrendes Motiv des Katalogs besteht in der Charakterisierung neuronaler Netze als Ausdruck einer grundsätzlich nichtmenschlichen Wahrnehmung. Immer wieder ist von einer „algorithmic gaze“, von „alien logics“ oder einer fremden Form des Sehens die Rede. Die Systeme erscheinen als etwas, das außerhalb menschlicher Wahrnehmung steht und sich ihr grundsätzlich entzieht.
Diese Argumentation besitzt zweifellos eine gewisse suggestive Kraft. Sie verdeutlicht, dass künstliche neuronale Netze anders funktionieren als bewusste menschliche Überlegungen. Dennoch stellt sich die Frage, ob damit nicht zugleich eine wichtige wissenschaftshistorische Kontinuität aus dem Blick gerät.
Denn die Architektur moderner Convolutional Neural Networks entstand keineswegs unabhängig von der Hirnforschung. Ihre hierarchische Organisation – von der Detektion einfacher Kanten, Farben und Ausrichtungen über Texturen und Objektteile bis hin zu vollständigen Objektkategorien – geht historisch auf die Arbeiten von David Hubel und Torsten Wiesel zurück. Deren Entdeckung der „simple cells“ und „complex cells“ im visuellen Cortex bildete schließlich eine der Grundlagen moderner CNNs.
Damit ergibt sich eine bemerkenswerte Situation. Ausgerechnet jene Systeme, die im Katalog als Ausdruck einer radikal anderen Wahrnehmung beschrieben werden, verdanken ihre Struktur teilweise dem Versuch, menschliches Sehen besser zu verstehen.
Gerade das vorgebliche Unterscheidungsmerkmal „Visualisierung von Daten“ führt in eine falsche Richtung. Denn wie funktioniert (visuelle) menschliche Wahrnehmung? Da gibt es auf der neuronalen Ebene keine „Bilder“. Nur der allererste Schritt – Lichtstrahlen fallen auf die Netzhaut – hat noch irgendwie damit zu tun. Gleich danach wird der Lichtreiz im Auge photochemisch in ein elektrisches Signal umgewandelt. Ich sehe etwas und erkenne sofort „Baum“. Keineswegs! Das elektrische Signal setzt sich entlang der Ausläufer der Nervenzellen fort, wird zwischen ihnen an den Synapsen in den Austausch von Botenstoffen übersetzt, dann wieder elektrisch weitergeleitet. Und zwar ähnlich wie in den künstlichen neuronalen Netzen: Auch im Gehirn werden am Anfang Kanten, Farben, Ausrichtungen erkannt, später in höheren Gehirnzentren zunehmend abstraktere Kategorien: Katze > Säugetier > Tier > Lebewesen … Wichtig dabei: das quantifizierbare elektrische Signal, das eine Zelle anregt (oder hemmt), an weitere Zellen weitergegeben zu werden, ist immer dasselbe und man „sieht ihm nicht mehr an“, ob es aus dem Auge, dem Ohr oder den Schmerzrezeptoren des kleinen Zehs stammt. Oder auch „gehirn-intern“ aus einer Erinnerung oder Vorstellung.
Doch von alledem kriegen wir bewusst nichts mit. Dass wir scheinbar spontan einen Baum sehen und erkennen, wenn wir ihn ansehen oder uns an ihn erinnern, und dass das, was wir subjektiv erleben und erinnern, eine Visualisierung dieser elektrochemischen Prozesse ist, stellt die Argumentation vieler Aufsätze in Frage, die grundsätzliche Unterscheide konstruieren, wo keine sind.
Hinzu kommt die aktuelle Forschung der Computational Neuroscience, die seit Jahren überraschende Übereinstimmungen zwischen den Aktivierungsmustern tiefer neuronaler Netze und den Verarbeitungsschritten im ventralen visuellen Pfad von Primaten aufzeigen. Natürlich bedeutet dies nicht, dass Gehirne und KI identisch wären. Es legt jedoch nahe, die Unterschiede weniger als absoluten Gegensatz denn als strukturelle Variation verwandter Verarbeitungsprinzipien zu betrachten.
Dabei hätte gerade diese Verbindung erhebliche Konsequenzen. Menschliche Objekterkennung verläuft selbst weitgehend unbewusst. Niemand kann introspektiv angeben, wie sein Gehirn aus Kanten, Texturen und Teilformen schließlich einen Hund, ein Gesicht oder einen Baum erkennt oder rekonstruiert. Auch dieser Prozess bleibt für das Bewusstsein eine Black Box.
In diesem Punkt ähneln sich neuronale Netze und menschliche Wahrnehmung stärker, als die Gegenüberstellung von menschlicher und algorithmischer Sichtweise vermuten lässt. Der Unterschied besteht weniger darin, dass das eine transparent und das andere undurchschaubar wäre. Beide beruhen auf hochkomplexen Verarbeitungsprozessen, deren Ergebnisse zwar wahrgenommen, deren interne Abläufe jedoch kaum unmittelbar beobachtet werden können.
Insofern ist die starke Betonung des „latenten Raums“ der neuronalen Netze im Katalog letztlich in diesem Kontakt bedeutungslos. Denn bezogen auf die kreativen Prozesse beim Entstehen menschengemachter Bilder ist doch festzuhalten, dass die zentrale Rolle dabei Assoziationen spielen. Doch diese sind gerade nicht planbar und dem bewussten Denken meist unzugänglich; sie scheinen nach der Beschäftigung mit einem Problem auf der Basis individueller Erfahrungen (Trainingsmaterial) plötzlich auf, subjektiv wahrgenommen als „In-Spiration“, in den Geist verpflanzt. Doch die neuronalen Prozesse dahinter, von der Wahrnehmung über die (störungsanfällige) Erinnerung bis zum eigenständigen Handeln sind uns selbst nicht zugänglich, sondern ebenfalls eine „Black Box“, ein latenter Raum. Auch da also können die grundlegenden Unterschiede nicht zu finden sein.
5. Erinnerung, Imagination und die Verlagerung der Kausalität
Der Katalog greift mehrfach Roland Barthes‘ berühmte Formel des „ça a été“ (so wie auf dem Foto ist es gewesen) auf. Künstliche Intelligenz erscheint dabei als eine neue Form technischer Gedächtnisspeicherung, die über frühere Medien hinausgeht. Was kaum berücksichtigt wird, ist die kognitionswissenschaftliche Forschung über das menschliche Erinnern selbst.
Heute gilt Erinnerung nicht mehr als passives Abrufen gespeicherter Inhalte. Erinnern ist vielmehr ein konstruktiver Vorgang. Aktuelle Ansätze sprechen deshalb von einer „constructive episodic simulation“. Dieselben neuronalen Mechanismen, die Erinnerungen rekonstruieren, ermöglichen zugleich Imagination, Zukunftsentwürfe und Traumbilder.
Diese Einsicht verändert den Vergleich zwischen menschlicher Erinnerung und KI-Bildern erheblich. Ein Erinnerungsbild ist keineswegs die unmittelbare Rückkehr zu einem vergangenen Augenblick. Vielmehr entsteht es im Moment des Erinnerns neu, zusammengesetzt aus abstrahierten Fragmenten früherer Erfahrungen. Seine Beziehung zur ursprünglichen Situation ist indirekt und rekonstruktiv, zudem gefärbt von Emotionen und anderen Erinnerungen; man denke nur an die Unzuverlässigkeit von Zeugenaussagen.
Gerade darin zeigt sich eine bemerkenswerte Parallele zur Bildgenerierung künstlicher Intelligenz. Auch dort existiert keine direkte Verbindung zwischen einem einzelnen Bild und einer einzelnen Vorlage. Das Bild entsteht vielmehr aus einem statistischen Modell, das seinerseits auf einer Vielzahl früherer Beispiele beruht. Die Kausalkette zur Wirklichkeit verschwindet also weder beim Menschen noch bei der KI. Sie verschiebt lediglich ihre Ebene. Beim Menschen führt sie über die Gesamtheit lebensgeschichtlich erworbener Sinneseindrücke, Erfahrungen und Erinnerungen. Beim KI-System verläuft sie über Milliarden fotografischer und grafischer Beispiele des Trainingskorpus. In beiden Fällen entsteht das konkrete Bild nicht durch unmittelbare Abbildung einer einzelnen Situation, sondern durch Rekonstruktion innerhalb eines bereits gebildeten Modells.
Vor diesem Hintergrund erscheint die Formulierung Elcotts und Trombleys, KI-Bilder seien „wholly untethered from reality“, problematisch. Nach demselben Maßstab müsste man auch Traumbilder oder Erinnerungen als vollständig von der Wirklichkeit gelöst beschreiben. Eine solche Aussage würde jedoch der gegenwärtigen Gedächtnisforschung kaum gerecht.
Der entscheidende Unterschied liegt deshalb wohl nicht im Vorhandensein oder Fehlen eines Realitätsbezugs. Er betrifft vielmehr die Möglichkeit seiner nachträglichen Überprüfung. Fotografien lassen sich häufig einer konkreten Situation zuordnen. Erinnerungen sind bereits wesentlich schwieriger zu verifizieren. KI-generierte Bilder bilden schließlich einen weiteren Schritt dieser Entwicklung, weil ihre Beziehung zu einzelnen Ereignissen grundsätzlich nicht mehr rekonstruiert werden kann.
Fazit
Die hier diskutierten Beispiele betreffen unterschiedliche Themenbereiche. Sie reichen von der Bildproduktion über Fragen der Kunsttheorie und Fotografie bis hin zu Neurophysiologie und Gedächtnisforschung. Dennoch weisen sie eine gemeinsame argumentative Struktur auf.
Immer wieder begegnet man einer Tendenz, graduelle Unterschiede als grundlegende Gegensätze zu formulieren. Produktion und Rezeption erscheinen als getrennte Bereiche, obwohl beide sich gegenseitig bedingen. Generierte Bilder und Kunstwerke werden nicht hinreichend unterschieden. Digitale Fotografie und KI-Bild werden als grundsätzlich verschiedene Medien behandelt, obwohl beide auf komplexen algorithmischen Bildprozessen beruhen. Menschliche Wahrnehmung und neuronale Netze erscheinen als gegensätzliche Formen des Sehens, obwohl ihre historischen und funktionalen Zusammenhänge erheblich enger sind. Schließlich werden menschliche Erinnerung und KI-Bildproduktion unterschiedlich bewertet, obwohl beide rekonstruktive Prozesse darstellen.
Diese Zuspitzungen verleihen dem Katalog zwar eine argumentative Schärfe. Sie erzeugen klare Gegensätze und erleichtern die Beschreibung einer neuen, fremden Bildwelt. Zugleich besteht jedoch die Gefahr, Kontinuitäten aus dem Blick zu verlieren, die für ein präziseres Verständnis künstlicher Intelligenz ebenso bedeutsam sind.
Eine Theorie der KI-Bilder, die solche Übergänge systematisch berücksichtigt, müsste weniger nach „disruptiven“ Brüchen suchen als nach Verschiebungen innerhalb bereits bekannter bildtheoretischer Strukturen. Dadurch würde die eigentliche Stärke des Katalogs – seine überzeugende Analyse von Machtverhältnissen, Trainingsdaten, ökonomischen Interessen und gesellschaftlichen Folgen generativer KI – keineswegs geschwächt, sie könnte im Gegenteil an analytischer Überzeugungskraft gewinnen.
