Ich liess mir von einem KI-Bildgenerator die fotorealistische Darstellung einer Mall im Einkaufszentrum entwickeln. Da sollten auch Geschäfte drin sein, wie eine Apotheke, ein Geldautomat oder Aufschriften wie «Sonderverkauf», «Informationen» etc. Doch warum machte der Bildgenerator so viele Fehler bei Texten im ausgegebenen Bild? So gelang es ihm auch nach mehreren Versuchen nicht, den Begriff „Geldautomat“ richtig zu schreiben. Immer wieder hiess es trotz aller Korrekturanweisungen „Gelderautomat“. Die Apotheke hatte zwei E in ihrem Ladenschild etc. Versuchte ich, einzelne Wörter über einen Prompt nochmals zu verändern, erschien öfters wieder derselbe oder ein neuer Fehler im Bild. Es schien mir, wie wenn die KI – die klügste aller Intelligenzen – ein Analphabet wäre. 

Was der Hintergrund ist

Ich konnte dies kaum glauben. Denn in den meisten Diskussionen geht es heute ja eher darum, wann die künstliche Intelligenz die natürliche der Menschen überholt. Und mein KI-Assistent war dennoch ein Analphabet? Um dieses Rätsel zu klären, muss man in Betracht ziehen, dass Menschen und künstliche Intelligenz unterschiedlich funktionieren.

Wenn ich mit meiner «menschlichen Intelligenz» den Bildtext analysiere und Textfehler feststelle, dann mache ich das auf Grund meines sprachlichen Verständnisses. Ich unterscheide also Buchstaben und setze diese zu einem Wort zusammen. Genau dies kann aber ein KI-Bildgenerator nicht. Dieser analysiert den Texte nicht über seine Buchstabenketten, sondern betrachtet das Pixelmuster und das damit gegebene visuelle Bild. Bilder werden damit wie visuelle Muster aus Pixeln betrachtet. Es werden nicht einzelne Buchstaben und die dahinterstehenden Sprachlogiken erkannt, sondern das Bild eines Wortes.  Diese Form der Bildanalyse ermöglicht es auf der einen Seite, auch dann zum Beispiel ein Logo noch zu erkennen, wenn die einzelnen Buchstaben nur schwer zu unterscheiden sind. Es hilft aber wenig, wenn es darum geht, Fehler innerhalb einer Aufschrift zu korrigieren. Für KI-Systeme sind Buchstaben nur visuelle Formen in einem Bild. Die KI hat gelernt, wie Text aussieht, kann diese aber nicht sprachlich entschlüsseln. Buchstaben und Wörter werden also als Bilder behandelt, die wie Buchstaben aussehen; aber die sprachliche Logik erschliesst sich einem solchen System nicht.

Wo die Menschen (noch) besser sind 

Es ist allerdings zu vermuten, dass es die KI lernen wird, in Zukunft auch die sprachliche Logik eines Textes besser zu erkennen und in den Bildentwicklungs-Prozess einzubeziehen. Dennoch erscheint es tröstlich, wenn man heute noch sagen kann, dass die Akteure der hochgelobten künstlichen Intelligenz eigentlich Analphabeten sind. Aber, um es weniger polemisch auszudrücken: KI kann uns nur das zurückgeben, was in die Konstruktion der Algorithmen als Analysefähigkeit bereits eingebaut worden ist. Zwar kann die KI weiterfantasieren, wie es in ihren Halluzinationen zum Ausdruck kommt.  Aber das führt wiederum nur zu neuen Bildern,  die wieder auf dem Hintergrund von visuellen Pixelmustern – und nicht aufgrund von sprachlichen Kenntnissen- erstellt wurden. Genau das ist auch der Punkt, wo ich fast verzweifelte, um am Schluss dennoch ein taugliches Bild zu erhalten. Rückfragen bei der KI empfahlen denn auch, besser ein Bild ohne Text in Auftrag zu geben – um dann den Text über ein spezielles Grafikprogramm von Hand dort selbst einzusetzen.