Diffusionsmodell

Ein Diffusionsmodell ist ein Programm, das neue Bilder erzeugt. Es beginnt nicht mit einer leeren Leinwand, sondern mit reinem Bildrauschen: einem Bild aus lauter zufälligen Farbpunkten, wie beim Flimmern eines alten Fernsehers. Aus diesem Chaos entfernt das Programm in vielen kleinen Schritten immer etwas Zufall. Nach einigen Dutzend Durchgängen bleibt ein klares Motiv übrig, das vorher nirgends existierte. Welches Motiv entsteht, steuert man mit einer kurzen Beschreibung in normaler Sprache. Die Technik funktioniert auch für Töne und kurze Videos, bekannt geworden ist sie aber mit Bildern.

Warum Bildgeneratoren plötzlich funktionierten

Vor 2021 waren computererzeugte Bilder meist sofort als solche erkennbar. Verzerrte Gesichter, verwaschene Hintergründe, seltsame Farbverläufe waren die Regel. Mit Diffusionsmodellen änderte sich das innerhalb weniger Monate. Programme wie Stable Diffusion, Midjourney und DALL·E beruhen alle auf diesem Prinzip. Sie machten aus einem Forschungsthema ein Werkzeug, das Millionen Menschen im Browser benutzen.

Der wirtschaftliche Effekt ist groß, weil Bilder in vielen Branchen Geld kosten. Werbeagenturen, Spielefirmen und Verlage brauchen ständig neues Bildmaterial. Ein Entwurf, für den früher ein Fotoshooting oder ein Illustrationsauftrag nötig war, entsteht nun in Sekunden. Das drückt Preise und verändert Berufsbilder. Gleichzeitig entstehen neue Aufgaben, etwa das Formulieren guter Bildbeschreibungen und das Nachbearbeiten der Ergebnisse.

Umstritten ist die Technik vor allem aus zwei Gründen. Erstens wurden die Modelle mit riesigen Mengen an Bildern aus dem Internet trainiert, oft ohne Zustimmung der Urheber. Mehrere Klagen von Künstlern und Bildagenturen sind deshalb anhängig. Zweitens lassen sich damit täuschend echte Fotos von Ereignissen erzeugen, die nie stattgefunden haben. Solche Fälschungen nennt man Deepfakes, und sie sind ein Problem für Wahlkämpfe und Nachrichtenlagen.

Vom Rauschen zurück zum Bild

Das Training läuft rückwärts zur späteren Anwendung. Man nimmt echte Fotos und schüttet stufenweise Zufall darüber, bis nur noch Rauschen übrig ist. Für jede dieser Stufen kennt das System also beide Zustände: das leicht verrauschte Bild und das etwas sauberere davor. Genau daraus lernt es eine einzige Fähigkeit: aus einem verrauschten Bild schätzen, welcher Teil davon Störung ist. Diese Fähigkeit wendet man später millionenfach an.

Bei der Bilderzeugung dreht man den Ablauf um. Das Modell bekommt zufälliges Rauschen und entfernt einen Teil davon. Das Ergebnis geht erneut hinein, wieder wird etwas entfernt, und so weiter. Typisch sind zwanzig bis fünfzig solcher Schritte. Man kann sich das vorstellen wie einen Bildhauer, der aus einem Block Marmor Material wegnimmt, bis eine Figur sichtbar wird.

Die Textbeschreibung wirkt bei jedem einzelnen Schritt mit. Sie wird in Zahlen übersetzt und lenkt die Entscheidung, was als Störung gilt und was zum Motiv gehört. Ein häufiger Irrtum ist, das Modell suche in einer Datenbank nach passenden Bildern und setze sie zusammen. Das tut es nicht: Es speichert keine Bilder, sondern nur die gelernte Regel zum Entrauschen. Deshalb entstehen auch Motive, die es im Training nie gesehen hat.

Wo überall Diffusion drinsteckt

Am direktesten begegnet man der Technik in Bildgeneratoren. Adobe Photoshop nutzt sie, um fehlende Bildteile zu ergänzen oder Objekte zu entfernen. In Handykameras verbessern verwandte Verfahren Aufnahmen bei wenig Licht. Auch die Bildfunktionen in Chatprogrammen wie ChatGPT oder Gemini arbeiten im Kern so.

In Wirtschaftsnachrichten taucht der Begriff meist im Zusammenhang mit Stability AI, dem Unternehmen hinter Stable Diffusion, oder mit Urheberrechtsprozessen auf. Ein zweites Dauerthema ist der Stromverbrauch: Jeder der vielen Rechenschritte kostet Rechenzeit auf teuren Grafikkarten. Deshalb arbeiten Firmen daran, mit weniger Schritten auszukommen.

Sinnvoll ist die Abgrenzung zu Sprachmodellen wie GPT. Diese erzeugen Text Wort für Wort von links nach rechts. Ein Diffusionsmodell arbeitet am ganzen Bild gleichzeitig und verfeinert es Runde für Runde. Beide sind KI-Modelle, aber ihr Arbeitsprinzip ist grundverschieden. Neuerdings wird Diffusion auch für Videos genutzt, etwa in Sora von OpenAI, wo die Bildfolge zusätzlich zeitlich zusammenpassen muss.