\nWir leben in einer Zeit, in der k\u00fcnstliche Intelligenz aus wenigen Worten eine bizarre Fantasiewelt oder ein hyperrealistisches Foto zaubern kann. All diese Magie beruht auf riesigen neuronalen Netzwerken, die still und leise aus Millionen \u2013 manchmal sogar Milliarden \u2013 von Fotos und schriftlichen Beschreibungen lernen. Doch der n\u00e4chste Durchbruch in der KI-Kunst k\u00f6nnte ein kleiner Trick sein: Was w\u00e4re, wenn man Bilder mit KI erstellen und ver\u00e4ndern k\u00f6nnte, ohne dabei auf die schwerf\u00e4llige Maschinerie eines herk\u00f6mmlichen Bildgenerators zur\u00fcckgreifen zu m\u00fcssen?\n<\/p>\n
\nGenau dieser Gedanke inspirierte eine Gruppe von Forschern des MIT und von Facebook AI Research. Ihre neueste Arbeit, die auf der Internationalen Konferenz f\u00fcr maschinelles Lernen (ICML) 2025 vorgestellt wurde, zeigt, wie eine \u00fcberraschend einfache Technik die Art und Weise, wie KI Bilder erzeugt und bearbeitet, drastisch optimieren k\u00f6nnte.\n<\/p>\n
\nDas Projekt begann als Klassenprojekt des MIT-Doktoranden Lukas Lao Beyer unter der Betreuung von Professor Kaiming He. Was bescheiden begann, zog bald weitere Mitwirkende an \u2013 Tianhong Li, Xinlei Chen und Sertac Karaman \u2013 und gewann deutlich an Umfang.\n<\/p>\n
\nBeyers Inspiration stammte aus neuen Forschungsergebnissen der Technischen Universit\u00e4t M\u00fcnchen und von ByteDance. Dieses Team entwickelte einen \u201c1D-Tokenizer\u201d \u2013 ein ungew\u00f6hnliches KI-Modell, das ein Bild mit einer Gr\u00f6\u00dfe von 256\u00d7256 auf nur 32 Token reduziert, bei denen es sich jeweils um einen 12-stelligen Bin\u00e4rwert handelt. Stellen Sie sich das wie eine extrem komprimierte \u201cSprache\u201d mit 4.000 W\u00f6rtern vor, nur dass diese Sprache Bilder statt Ideen beschreibt.\n<\/p>\n
\nFasziniert davon, wie viele Informationen diese Token enthielten, begann Beyer zu experimentieren: Indem er Token in einem Bild austauschte, beobachtete er, wie sich das Bild ver\u00e4nderte \u2013 die Aufl\u00f6sung sprang, Farben wurden matt oder leuchteten st\u00e4rker, Hintergr\u00fcnde wurden scharf oder verschwommen, und manchmal \u00e4nderte sich einfach die Richtung der K\u00f6rperhaltung eines Vogels.\n<\/p>\n
\nUnd jetzt wird es erst richtig spannend: Anstatt die Pixel direkt neu zu zeichnen, begannen Beyer und sein Team, bestimmte Token zu bearbeiten, um die gew\u00fcnschten \u00c4nderungen an einem Bild zu erzielen. Es stellte sich heraus, dass diese Art des Austauschs nicht nur zum Herumprobieren dient, sondern auch eine v\u00f6llig neue M\u00f6glichkeit zur Bildgenerierung bietet. Durch die Kombination eines 1D-Tokenizers mit einem Decoder, der das Bild rekonstruiert, sowie einem leitenden neuronalen Netzwerk namens CLIP (das die Arbeit der KI an einer Textvorgabe ausrichtet), konnte das Team Token-B\u00fcndel so lange \u201cverrutschen\u201d, bis beispielsweise das Bild eines roten Pandas wie ein Tiger aussah \u2013 oder sogar etwas v\u00f6llig Neues erschaffen, indem es von zuf\u00e4lligen Token ausging und diese schrittweise verfeinerte, um sie an eine Eingabeanweisung anzupassen.\n<\/p>\n
\nErstaunlich ist, wie sehr dadurch die Notwendigkeit klassischer Bildgeneratoren umgangen wird. Herk\u00f6mmliche Generatoren sind riesige Monster \u2013 langsam beim Training und energieintensiv im Betrieb. Diese minimalistischere Methode umgeht einen Gro\u00dfteil der Rechenlast und macht fortschrittliche KI-Kunst potenziell kosteng\u00fcnstiger und verbreiteter. Sie kann zudem Techniken wie das \u201eInpainting\u201c \u2013 das Ausf\u00fcllen fehlender Bildteile \u2013 unter Verwendung derselben Tokenizer- und Decoder-Konfiguration ausf\u00fchren. Manchmal entstehen die k\u00fchnsten Fortschritte durch die unerwartete Wiederverwendung von Werkzeugen.\n<\/p>\n
\nExperten nehmen dies aufmerksam zur Kenntnis. Saining Xie von der NYU bezeichnete die Ergebnisse als \u201cziemlich \u00fcberraschend\u201d, w\u00e4hrend Zhuang Liu von der Princeton University auf die vielversprechende M\u00f6glichkeit hinwies, die Kosten f\u00fcr KI-Bilder zu senken.\n<\/p>\n
\nUnd das Potenzial beschr\u00e4nkt sich nicht nur auf Bilder. Sertac Karaman hob hervor, wie dieselbe Idee \u2013 das Komprimieren von Handlungen oder Wegbeschreibungen in Tokens \u2013 auch Bereichen wie der Robotik oder selbstfahrenden Autos zugutekommen k\u00f6nnte. Beyer stimmt dem zu: \u201cDie Leistungsf\u00e4higkeit dieser Art von Komprimierung k\u00f6nnte erstaunliche M\u00f6glichkeiten er\u00f6ffnen\u201d, sagt er.\n<\/p>\n
\nIm Kern zeigt dieser neue Ansatz, was passieren kann, wenn man es wagt, alte Gewohnheiten in Frage zu stellen und das Beste aus den verf\u00fcgbaren Mitteln zu machen. Durch ihr unkonventionelles Denken hat das MIT-Team nicht nur eine Abk\u00fcrzung gefunden \u2013 es hat einen neuen Weg f\u00fcr die Kreativit\u00e4t der KI geebnet.\n<\/p>\n