Künstliche Intelligenz: Microsofts Bot zeichnet auf Geheiß alles

Der Zeichenbot wurde in den Forschungslabors von Microsoft entwickelt und so programmiert, dass er aus Textbeschreibungen heraus Bilder erstellt. Dabei achtet der Bot auf einzelne Wörter. So kann er zum Beispiel das Bild eines Vogels mit einem gelben Körper, schwarzen Flügeln und einem kurzen Schnabel zeichnen.

Microsofts Zeichenbot kann Bilder von alltäglichen Szenen bis hin zum Absurden erzeugen. Interessanterweise enthalten die Bilder mittlerweile Details, die in den Textbeschreibungen fehlen.

• 

Der Drawing-Bot in Aktion (Bild: Microsoft)

"Wenn du auf Bing nach einem Vogel suchst, bekommst du ein Vogelfoto. Aber hier werden die Bilder vom Computer, Pixel für Pixel, von Grund auf neu erstellt", so Xiaodong He, Forschungsleiter im Deep Learning Technology Center im Microsoft-Forschungslabor in Redmond, Washington. "Diese Vögel gibt es vielleicht nicht in der realen Welt - sie entsprechen nur der Vogelvorstellung unseres Computers."

Im Zentrum von Microsofts Zeichenroboter steht eine Technologie, die Generative Adversarial Network (GAN) genannt wird. Das Netzwerk nutzt zwei Modelle des maschinellen Lernens: eines, das Bilder aus Textbeschreibungen generiert und eines, das als Diskriminator bekannt ist und Textbeschreibungen verwendet, um die Authentizität der erzeugten Bilder zu beurteilen. Der Generator versucht, Fake-Bilder am Diskriminator vorbeizubekommen; der Diskriminator will sich nicht täuschen lassen. Dieses Zusammenspiel soll helfen, die generierten Bilder zu verbessern.

Microsofts Zeichenroboter wurde auf Datensätze trainiert, die Bilder und Bildbeschreibungen enthalten. Bei Microsofts Anwendung wird der eingegebene Text in einzelne Wörter zerlegt und diese Wörter bestimmten Bildbereichen zugeordnet. Da viele Bilder von Vögeln in den Trainingsdaten Vögel zeigen, die auf Ästen sitzen, zeichnet das System normalerweise Vögel, die auf Ästen sitzen, es sei denn, der Text gibt etwas anderes vor.

Das Team versuchte aber auch, den Zeichenroboter mit unsinnigen Beschreibungen zu verwirren. So wurde verlangt, einen roter Doppeldeckerbus schwebend auf einem See zu zeichnen. Es entstand ein verschwommenes Motiv, das sowohl einem Boot mit zwei Decks als auch einem Doppeldeckerbus auf einem von Bergen umgebenen See ähnelt. Die Forscher interpretieren das Ergebnis so, dass der Bot offenbar versuchte, sein Wissen, dass Boote auf Seen schwimmen, im Einklang mit dem Texthinweis auf den Bus zu bringen.

Ob es praktische Anwendungen für diese Technik gibt, wird sich noch zeigen. Microsoft glaubt, dass eine Text-zu-Bild-Generierung als Skizzenassistent für Maler und Innenarchitekten oder als Werkzeug zur sprachgesteuerten Fotobearbeitung dienen könnte. Animationsfilme könnten mit mehr Rechenleistung auf der Basis von Drehbüchern erzeugt werden.

Im Moment ist die Technologie aber noch unvollkommen. Die genaue Betrachtung der Bilder zeigt fast immer Fehler, wie zum Beispiel Vögel mit blauem statt schwarzem Schnabel.