KI-Bildtheorie

Holly Herndon & Mat Dryhurst – KI als kulturelle Infrastruktur

Herndon und Dryhurst verstehen KI als kulturelle Infrastruktur statt als bloßes Werkzeug. Trainingsdaten sind Teil des kulturellen Erbes und sollten transparent verwaltet werden; im Mittelpunkt stehen Zustimmung, Vergütung und Governance beim Training von Modellen, und Künstler sollen die Regeln mitgestalten. Ihre Initiative Spawning und deren Werkzeug Have I Been Trained? setzen diese Ideen praktisch um.

Hito Steyerl – Bilder in Daten- und Machtstrukturen

Steyerl beschreibt Bilder als Bestandteile globaler Daten- und Machtstrukturen. Digitale Bilder werden zugleich von Menschen und Maschinen genutzt; ihre Bedeutung ergibt sich auch aus technischen und politischen Infrastrukturen. KI verändert die Funktion des Bildes. In ihrer Arbeit gehen Bildproduktion und Kritik an deren Bedingungen Hand in Hand.

Wichtige Texte: In Defense of the Poor Image (2009), Duty Free Art (2017), Mean Images (2023).

Trevor Paglen – Wie Maschinen uns sehen

Paglen untersucht maschinelles Sehen und die verborgenen Infrastrukturen künstlicher Intelligenz. Trainingsdatensätze enthalten gesellschaftliche Vorurteile; ImageNet Roulette (2019, mit Kate Crawford) machte das sichtbar, indem es zeigte, wie ein Modell die Gesichter der Nutzer etikettierte. Seine Kunst verbindet Fotografie und KI-Kritik um eine Frage: Wie klassifizieren Maschinen Menschen?

Wichtiger Text: Invisible Images (Your Pictures Are Looking at You) (2016).

Kate Crawford – KI als sozio-technisches System

Crawford versteht KI als sozio-technisches System: Datensätze, Rechenzentren und menschliche Arbeit gehören ebenso dazu wie Algorithmen. Atlas of AI (2021) zeigt die materiellen und politischen Grundlagen künstlicher Intelligenz. KI ist nie neutral; Macht und Ressourcen prägen ihre Entwicklung.

James Bridle – Mehr Daten, weniger Verstehen

In New Dark Age (2018) argumentiert Bridle, dass mehr Daten nicht automatisch mehr Wissen bedeuten. Komplexe Systeme schaffen neue Formen der Intransparenz, Algorithmen beeinflussen Entscheidungen, und Technologie muss gesellschaftlich eingeordnet werden. Kritik und Reflexion bleiben notwendig.

Joanna Zylinska – Kreativität als Netzwerk

Zylinska untersucht KI-Kunst philosophisch und hinterfragt Autorschaft, Kreativität und Originalität. Kunst entsteht in Netzwerken aus Menschen und Maschinen; KI verändert künstlerische Produktion, ersetzt sie aber nicht. Ethik und Ästhetik gehören zusammen.

Wichtige Bücher: AI Art (2020), The Perception Machine (2023).

Boris Groys – Bilder in Zirkulation

Groys analysiert digitale Bilder als Bestandteile globaler Informationsströme. Bedeutung entsteht durch Zirkulation und Kontext; das Verhältnis von Original und Kopie verschiebt sich im digitalen Raum, und Kunst wird zunehmend kommunikativ. Seine Theorie erklärt die Stellung von KI-Bildern im Netzwerk.

Lev Manovich – Software prägt Kultur

Manovich verbindet Informatik und Kunstgeschichte. Software prägt die Kultur der Gegenwart, und generative KI verändert kreative Prozesse: Mensch und Modell arbeiten zusammen. Mit Manovich gelesen, bleiben Gestaltung und Auswahl menschliche Leistungen.

Wichtige Bücher: The Language of New Media (2001), AI Aesthetics (2018).

Kate Crawford & Trevor Paglen – Datensätze sind politisch

Gemeinsam analysieren sie Trainingsdatensätze als politische Infrastruktur. Excavating AI: The Politics of Images in Machine Learning Training Sets (2019) zeigt, dass Klassifikationen gesellschaftliche Werte transportieren; Datensätze sind nie neutral. Künstlerische Forschung macht diese Strukturen sichtbar, und Transparenz wird zur Voraussetzung verantwortungsvoller KI.

Timnit Gebru – Verantwortung für Daten

Gebru fordert Transparenz bei Datensätzen. Datasheets for Datasets (2018, mit Koautorinnen und Koautoren) schlägt vor, Herkunft und mögliche Verzerrungen von Daten zu dokumentieren. Verantwortlichkeit soll Teil der KI-Entwicklung sein; faire Datensätze sind Voraussetzung vertrauenswürdiger Systeme. Ihre Arbeit prägte die Debatte über KI-Ethik.

Was das für Gesicht & Fiktion bedeutet

Jedes Bild in Gesicht & Fiktion trägt einen Provenienz-Eintrag: Modell, Seed, Parameter, LoRA, Prompt und Hash. Diese Praxis antwortet auf Forderungen, die sich durch diese Positionen ziehen – Gebrus Datenblätter, Crawfords und Paglens Ausgrabung der Datensätze, Herndons und Dryhursts Ruf nach Zustimmung. Die Trainingsdaten sind hier mein eigenes Gesicht, mit Zustimmung gegeben und offen dokumentiert.

Mehr zu Groys, Manovich, Fontcuberta und Zylinska: Theoretischer Kontext →