Künstliche Intelligenz (KI) tut sich beim Erkennen von Objekten anhand ihrer Gesamtform deutlich schwerer als der Mensch. Zu diesem Ergebnis kommt ein Forschungsteam um Biyu He von der New York University Grossman School of Medicine, das die Sehleistung von Testpersonen mit der von mehr als 200 tiefen neuronalen Netzen verglich. Die im Fachjournal «iScience» veröffentlichte Untersuchung zeigt, dass selbst moderne Bilderkennungsprogramme bei der Erfassung übergeordneter Formen und Silhouetten klar hinter menschlichen Betrachtern zurückbleiben.
Für die Studie manipulierten die Forschenden 240 Abbildungen aus 48 Alltagskategorien systematisch. Gezeigt wurden unter anderem reine schwarze Silhouetten ohne jede Innenstruktur sowie isolierte Muster wie Felltexturen ohne erkennbare Kontur. In einem weiteren Versuch wurden viele kleine Objekte bildfüllend aneinandergereiht, sodass zwar Binnendetails erhalten blieben, der typische Umriss jedoch zerstört war. Keines der über 200 KI-Modelle konnte das menschliche Erkennungsmuster über alle Bedingungen hinweg vollständig nachbilden. Sobald die Identifikation allein von der Gesamtsilhouette abhing, lagen die Algorithmen durchweg hinter den menschlichen Probanden.
Besonders drastisch zeigte sich die Diskrepanz in einem Folgeexperiment, bei dem die Gesamtform von lokalen Details entkoppelt wurde. Die Wissenschaftler füllten die Umrisse von Gegenständen und Tieren mit vielen kleinen Kreuzchen. Während Menschen das Motiv weiterhin problemlos anhand der äußeren Kontur benennen konnten, versagten die meisten KI-Modelle völlig. Sie deuteten Katzen- oder Schmetterlingssilhouetten reihenweise als «Kreuzworträtsel», «Fenstergitter», «Kettenhemd» oder «Fadenwurm», weil die kleinen Kreuzmuster die Auswertung der Algorithmen vollständig dominierten.
Als Ursache für die Schwäche nennen die Forschenden die grundlegend andere Funktionsweise der Algorithmen. Während das menschliche Gehirn die Gesamtgestalt priorisiert, klammern sich selbst moderne tiefe neuronale Netze vorrangig an lokale Details, Oberflächenmuster und Texturen. Schon geringfügige Bildverzerrungen oder das Fehlen typischer Details bringen die Systeme schnell aus dem Konzept. Heutige Bilderkennungsmodelle seien keineswegs so menschenähnlich, wie oft angenommen werde, betonte He. Obwohl sie mit gigantischen Mengen an Fotos trainiert wurden, die Menschen aufgenommen haben, verlieren sie ihren Vorteil, sobald die Gesamtgestalt gestört oder isoliert bewertet wird. Zwar erzielten moderne Systeme, die gleichzeitig mit Bildern und begleitenden Texten geschult wurden, insgesamt menschenähnlichere Trefferquoten als herkömmliche Bilderkennungsnetze. Doch auch sie konnten den menschlichen Vorsprung bei der Silhouettenerkennung nicht wettmachen.
Die Ergebnisse sind für praktische Anwendungen von zentraler Bedeutung. Sollen KI-Systeme in der Robotik, beim autonomen Fahren oder in Sehprothesen und Gehirn-Computer-Schnittstellen für sehbehinderte Menschen zuverlässig arbeiten, müssen sie auch bei Nebel, Dämmerung oder Verdeckungen verlässliche Urteile fällen. In solchen Situationen greift der Mensch instinktiv auf die grobe Silhouette zurück. Die Studie liefere wertvolle Hinweise, wie Algorithmen künftig trainiert werden müssen, um ein ganzheitlicheres und damit robusteres Sehvermögen zu entwickeln, schreibt das Team. Die Forschenden sehen in ihren Ergebnissen einen Ansatzpunkt, um die Lücke zwischen künstlicher und menschlicher Wahrnehmung zu schließen.