möchte, zeigt man einem Diskriminator entsprechende
Fotos und mischt eines darunter, das der Generator erstellt
hat. Der Diskriminator prüft daraufhin, ob das generierte
Bild »echt« ist. Wird es abgelehnt, muss sich der Generator
verbessern. »Es ist wie eine Art Spiel zwischen ihnen«,
erklärt Goodfellow. »Das eine Netzwerk erzeugt Bilder,
während das andere errät, ob sie echt oder gefälscht sind.«
Diese Technik wird als »generative adversarial network«
(GAN) bezeichnet.
Zu Beginn des Prozesses ist der Generator noch in
einem zufälligen Anfangszustand, in dem er keine klaren
Bilder produziert. Zu dem Zeitpunkt hat auch der Diskrimi-
nator bloß wenige Trainingsdaten erhalten, so dass er nicht
allzu streng ist. Während das diskriminierende Netzwerk
immer besser lernt, wie echte Bilder aussehen, muss sich
der Generator ebenfalls steigern. Mit etwas Glück gelingt
es ihm irgendwann, ein so realistisches Bild zu produzieren,
dass er den Diskriminator täuscht.
So viel versprechend der Ansatz auch klingt, er führt
leider nicht immer zum Erfolg. Die Netzwerke bleiben oft in
einer Sackgasse stecken. Der Generator produziert dann
beispielsweise dauerhaft unrealistische Bilder, oder der
Diskriminator erfasst nicht die wesentlichen Merkmale der
Trainingsdaten. Das Gelingen hängt stark vom Anfangszu-
stand der neuronalen Netze ab, ohne dass man allerdings
genau weiß, wie. »Wir haben keine wissenschaftliche
Erklärung dafür, warum manche Modelle besonders gut
und andere wiederum extrem schlecht abschneiden«, sagt
Goodfellow.
Intelligente Bildbearbeitung
Dennoch hat kaum eine andere Methode so schnell derart
viele Anwendungen gefunden wie die GANs. Von der
Analyse kosmologischer Daten über Teilchenkollisionen bis
hin zur Konstruktion von Zahnkronen: Wann immer man
Daten braucht, die einem zuvor eingegebenen Datensatz
ähneln, kann man auf GANs zurückgreifen. Die Programme
erkennen dabei Muster, die dem menschlichen Auge zum
Teil entgehen.
Eine bemerkenswerte Anwendung ist »Pix2Pix«, das
Bilder auf jede nur erdenkliche Weise bearbeiten kann.
Dabei übertrifft es gewöhnliche Grafikprogramme wie
Photoshop um Längen. Zwar können diese ein Farbbild auf
Graustufen oder auf einfache Linienzeichnungen reduzie-
ren, andersherum versagen sie aber. Denn das Einfärben ei-
nes Bilds erfordert kreative Entscheidungen. Pix2Pix kann
genau das. Dazu muss man dem Algorithmus zuerst Farb-
bilder mit den dazugehörigen Strichzeichnungen überge-
ben. Zeigt man dem Programm dann eine solche Zeich-
nung, kann es sie realistisch einfärben, selbst wenn es das
Bild nie zuvor gesehen hat.
Neben GANs gibt es auch noch andere Möglichkeiten,
neuronale Netze miteinander zu verbinden. Nicholas
Guttenberg und Olaf Witkowski, beide am Earth-Life
Science Institute in Tokio, ließen 2017 zwei Netzwerke
kooperieren, anstatt sie gegeneinander antreten zu lassen.
Die Forscher zeigten den Programmen jeweils unter-
schiedliche Ausschnitte von Bildern verschiedener Stilrich-
tungen. Um das Genre der jeweiligen Bilder zu bestimmen,
Computer mit Zahlenverständnis
Schon lange wissen Biologen, dass nicht nur
Menschen, sondern auch viele Tiere über ein
Zahlenverständnis verfügen: Sie können abschät-
zen, ob zwei Mengen gleich groß sind, und beur-
teilen, welche davon mehr Elemente enthält.
Nun haben Wissenschaftler der Universität
Tübingen ähnliche Versuche mit einem neuronalen
Netz durchgeführt, das sie eigentlich darauf trai-
niert hatten, verschiedene Objekte in Bildern zu
erkennen. Als sie die KI danach diverse Punkt-
muster mit bis zu 30 Punkten vergleichen ließen,
schnitt die Maschine dabei in etwa so gut ab wie
Menschen oder auch Affen: In 81 Prozent der Fälle
konnte sie richtig einschätzen, welches Bild mehr
Punkte enthält – und das, obwohl sie niemals auf
so eine Aufgabe trainiert wurde.
Genau wie echte Lebewesen tat sich die KI
schwer damit, wenn zwei Muster aus ähnlich
vielen oder sehr vielen Punkten bestanden. Und
auch die künstlichen Neurone reagierten erstaunli-
cherweise ähnlich auf die gezeigten Muster, wie es
die Nervenzellen im Gehirn von Affen tun: Je nach
Anzahl der Punkte auf einem Bild werden unter-
schiedliche Neurone aktiv, wobei mehr Neurone
kleinen Zahlen zugeordnet sind als großen.051015202530051015202530Percentage of units0 5 10 15 20 25 30051015202530DEPercentage of neuronsPreferred numerosityPreferred numerosityNASR, K. ET AL.: NUMBER DETECTORS SPONTANEOUSLY EMERGE IN A DEEP NEURAL NETWORK DESIGNED FOR VISUAL OBJECT RECOGNITION.
SCIENCE ADVANCES 5, EAAV7903, 2019, FIG. 2 D+E; MIT FRDL. GEN. VON ANDREAS NIEDER, UNIVERSITÄT TÜBINGENProzentsatz aktiver Neuronein AffenhirnenAnzahl der PunkteProzentsatz aktiver Neuronein der KIAnzahl der Punkte0 5 10 15 20 25 30051015202530Percentage of units051015202530051015202530DEPercentage of neuronsPreferred numerosityPreferred numerosity