Die von künstlicher Intelligenz erstellten Essensbilder in Restaurantmenüs fallen durch ihre makellose Symmetrie, ihre übermäßige Glätte und ihre verstörende Wirkung trotz ihres realitätsnahen Aussehens auf. Alex Lisle, CTO von Reality Defender, vergleicht diese Bilder mit einem Außerirdischen, der versucht, Pizza zu machen, ohne ihre grundlegenden Prinzipien zu verstehen. In einigen Beispielen führt das übermäßige Aufblähen des Käses oder der Eindruck, die Garnelen würden ihre eigenen Schwänze fressen, dazu, dass die künstliche Erzeugung sofort auffällt, während das Problem bei den meisten Bildern erst bei genauerem Hinsehen erkennbar wird.
Laut Lisle hängt diese Ästhetik mit der Art und Weise zusammen, wie KI-Modelle trainiert werden. Große Sprachmodelle und Diffusionsmodelle, die in Systemen wie ChatGPT und Midjourney zum Einsatz kommen, lernen Muster aus sehr großen Datensätzen und versuchen, Inhalte zu erzeugen, die den Wünschen der Nutzer entsprechen. Wenn daher ein Menü für ein Burgerrestaurant angefordert wird, können sie sich an den ähnlichen Menü-Stilen von Ketten wie Wendy’s, Burger King oder McDonald’s orientieren. Den Grund dafür, dass die entstandenen Bilder manchmal wie „ein Chili’s-Menü aus dem Jahr 2015“ aussehen, führt Lisle ebenfalls auf den Datensatz zurück, mit dem die Modelle gespeist werden.
Dass von AI generierte Inhalte erneut in die Trainingsdaten gelangen, kann dazu führen, dass Modelle mit ihren eigenen Ausgaben gefüttert werden. Wenn sich dieser Prozess verstärkt, entsteht das Risiko eines „Modellkollapses“. Lisle vergleicht dies mit einer genetischen Verwandtschaft, die dadurch entsteht, dass die Ausgaben eines Modells immer wieder in dasselbe Modell eingespeist werden. Er betont jedoch, dass es sich bei dem in den Menüs beobachteten Phänomen nicht direkt um einen Modellkollaps, sondern um eine „Konvergenz“ handelt, die die Qualität der Ausgaben mindert. Lee Rainie, Leiter des Imagining the Digital Future Center an der Elon University, sagt hingegen, dass die Optimierung der Modelle darauf, nicht anstößige und „gefällige“ Inhalte zu bevorzugen, die charakteristischen Merkmale in Bildern und Sprache abschwäche und dadurch zu einer Homogenisierung führe.
In einem Versuch eines Nutzers namens Labtec auf X zeigte sich, dass die Lebensmittelbilder immer runder und glatter wurden, nachdem ein mit ChatGPT erstelltes Menü 100-mal bearbeitet worden war. TechCrunch wiederholte ein ähnliches Experiment. Es wird darauf hingewiesen, dass auch die wiederholte Bearbeitung von Menüs durch Restaurants, um Preise oder Produktnamen zu ändern, denselben Effekt haben könnte.
Forscher der University of Duisburg-Essen in Deutschland stellten bei von AI erzeugten Lebensmittelbildern einen „Uncanny-Valley“-Effekt fest. Bilder, die fast echt aussehen, lösen mehr Ekel und Unbehagen aus als solche, die eindeutig künstlich wirken. Diese Reaktion verbindet sich mit einem kulturellen Misstrauen gegenüber AI-Inhalten. Lisle erklärt, dass die Zeit vorbei sei, in der Bild- und Tonaufnahmen als Beweismittel ungeprüft akzeptiert wurden, und dass dies weitreichendere Bereiche einschließlich der Gerichte betreffe.
Warum das wichtig ist
Diese Befunde zeigen, dass Restaurants bei der Erstellung ihrer Speisekarten nicht nur die visuelle Qualität, sondern auch die Gleichförmigkeit berücksichtigen sollten, die durch die wiederholte Verarbeitung von AI-Ausgaben entstehen kann. Wenn Produktnamen und Preise geändert werden, die Bilder sich jedoch zunehmend ähneln, kann dies die markenprägenden Unterscheidungsmerkmale der Unternehmen schwächen und das Vertrauen der Kunden in die Fotos auf Speisekarten beeinflussen. Dass das Problem nicht in erster Linie ein direkter Modellkollaps, sondern eine durch die Ausrichtung der Modelle auf ähnliche und beliebte Beispiele entstehende Konvergenz ist, deutet darauf hin, dass die Lösung möglicherweise nicht auf die Nutzung größerer Datenmengen beschränkt sein kann. Dass Lebensmittel, die beinahe echt aussehen, Unbehagen auslösen, verlagert die Debatte von der Ästhetik hin zu der Frage, wie AI-generierte Bilder in der Werbung, als Beweismittel und in der alltäglichen Kommunikation bewertet werden sollen.