von Doris Gutsmiedl-Schümann
Vor einiger Zeit hatten wir hier unsere Erfahrungen mit Chat-GPT beschrieben, als wir diese KI nach frühen Archäologinnen gefragt haben. Unser damaliges Fazit: Chat-GPT gab uns einen gut lesbaren Text. Die historischen Daten und Fakten hatte die KI aber noch nicht gelernt. Folglich waren die Texte inhaltlich nicht verlässlich.
Heute wollen wir nun schauen, welche Ergebnisse ein KI-basierter Bildgenerator liefert, wenn wir diesen nach Darstellungen von Archäologinnen fragen.
Vorweg ein Disclaimer: Wir sind keine Expertinnen für KI. „Künstliche Intelligenz“ begegnet uns aber zunehmend in unserem beruflichen Alltag: Daher haben wir begonnen, uns damit auseinanderzusetzen.
Text-zu-Bild-Generatoren sind maschinelle Lernmodelle, die Bilder aus textlichen Beschreibungen erzeugen können; dabei kann in der Regel einfach die im Alltag genutzte Sprache verwendet werden. Die text-to-image-AI unternimmt dann zuerst eine Textanalyse der Beschreibung. Die Generatoren (englisch: AI Image Generator) verwenden komplexe Algorithmen, um die Bedeutung und den Kontext der Worte zu verstehen, und leiten daraus die Merkmale des gewünschten Bildes ab, indem sie sich auf Merkmale einer großen Zahl von Beispielbildern beziehen. Neben dem textlich beschriebenen Inhalt – den sog.- Prompts – lässt sich in populären Text-zu-Bild-Generatoren meist auch die Stilrichtung eines Bildes bestimmen. Zudem ist es oft möglich, durch negative Prompts bestimmte Aspekte auszuschließen. Mehrfache Durchläufe mit immer komplexeren Prompts können ein Bild an die Wünsche und Vorstellungen der Nutzenden annähern.
Text-zu-Bild-Generatoren sind aber nicht unproblematisch: Sie wurden oft mit großen Mengen Bildmaterial trainiert, dessen Herkunft sich in der Regel kaum nachvollziehen lässt. Ob die Künstler*innen, Fotograf*innen und Urheber*innen des Trainingsmaterials dieser Nutzung zugestimmt haben, liegt oft (noch) im Dunkeln. Daher wollen wir sie auch nicht dauerhaft einsetzen, um Bildmaterial für unsere Wissenschaftskommunikation zu erzeugen.
Häufig lässt zudem noch die Qualität der erzeugten Bilder zu wünschen übrig. Das erkennt man zum Beispiel daran, dass Gebäude fehlerhaft, d.h. verformt oder unproportional ausgegeben werden. Bei Personen sind häufig die Hände unproportioniert und, wenn viele Personen zu sehen sind, werden auch Gesichter mitunter fehlerhaft dargestellt. Dann kommt es zudem häufiger dazu, dass Personen mehrfach auftauchen. Probleme gibt es darüber hinaus mit unnatürlichen Lichtverhältnissen oder Schattenwürfen.
Doch um ein Gefühl für populäre Vorstellungen zu „Archäologie“ oder „Archäologinnen“ zu bekommen, sind Text-zu-Bild-Generatoren ein nützliches Werkzeug – gerade, weil sie an einer sehr großen Menge sehr diverser Bilder trainiert wurden. Unsere Grundannahme ist, dass Bilder, die populären Vorstellungen (und Vorurteilen) entsprechen, im Trainingsmaterial entsprechend häufig vorkommen, und sich daher in KI-generierten Bildern wiederfinden. Darüber hinaus lernt die KI kontinuierlich weiter durch die wiederholten Verfeinerungen und Anpassungen, die die Nutzenden vornehmen, bis sie die gewünschten und im Vorfeld imaginierten Bilder erhalten. Doch auch dabei besteht die Gefahr, dass die KI populäre Vorurteile reproduziert.
Für unsere KI-Spielereien haben wir den Text-zu-Bild-Generator Stable Diffusion XL benutzt. Die Prompts zur Bilderzeugung wurden auf Englisch formuliert. Da Stable Diffusion XL über unterschiedliche Webseiten und Portale (kostenfrei) genutzt werden kann, haben wir immer zwei Wege versucht. In beiden Fällen haben wir die sonstigen Einstellungen im Default gelassen: Wir haben also etwa keine Stilrichtung für das Bild vorgegeben, sondern die KI wählen lassen.
Eine andere bekannte KI ist DALL-e von OpenAI, die u.a. in Crayion (https://www.craiyon.com/) verwendet wird. Auf einem eigenen KI-Model basiert hingegen Adobe Firefly (https://www.adobe.com/de/sensei/generative-ai/firefly.html).
Für unsere Experimente haben wir zum einen die kostenlos nutzbare Version von Stable Diffusion XL unter https://stablediffusionweb.com/ genutzt (im Folgenden: Variante 1), zum anderen die ebenfalls kostenlos und ohne Anmeldung nutzbare Version unter https://playgroundai.com/ (im Folgenden: Variante 2).
Test 1: „Archaeology“
Zunächst wollten wir sehen, welches Bild uns Stable Diffusion XL erzeugt, wenn wir als Prompt einfach nur „Archaeology“ wählen.
Variante 1 erzeugt ein Stilleben: Ein Hut – genauer ein brauner Fedora-Hut – liegt auf einer Holzkiste mit einem auffälligen Schloss. Dahinter ist mindestens eine weitere Holzkiste zu sehen. Der Hintergrund des Bildes ist unscharf gehalten.

Der Filzhut und die Holzkisten spielen sicherlich auf eine Filmreihe an, deren erster Teil vor inzwischen mehr als 40 Jahren in die Kinos kam – und dessen Hauptfigur seither viel zu oft als Referenz genutzt wurde, um „Archäologie“ zu illustrieren . Der Begriff Archäologie scheint also bei Variante 1 stark mit Referenzen zur zeitgenössischen Popkultur belegt zu sein.
Variante 2 wählt einen anderen Ansatz, und zeigt uns einen verlassenen Ort in einer sandbraunen, felsigen Umgebung. Die Häuser sind teilweise in den Felsen hineingehauen, teilweise wurden Mauern und Gebäude vor und auf die Felsen gesetzt. Die Siedlung ist unbelebt und verlassen; und auch wenn die Gebäude teilweise gut erhalten sind, wird doch deutlich, dass es sich um Ruinen handeln soll. Auffällig ist das völlige Fehlen von Vegetation. Eine Gruppe von drei Figuren ist klein an der rechten Seite des Bildes zu erkennen; es bleibt aber unklar, was diese Personen dort machen. Insgesamt wirkt dieses Bild fast wie ein Modell aus einem Museum.

Test 2: „Archaeologist“
Im zweiten Test wollten wir wissen, welche Bilder erzeugt werden, wenn wir als Prompt „Archaeologist“ eingeben.
Variante 1 bleibt der schon mit dem ersten Bild eingeschlagenen Linie treu, und auch das Bild eines Archäologen erinnert schon sehr an die Hauptfigur aus der bekannten Filmreihe: Ein hellhäutiger Mann mit Hut, langärmligem Hemd, langer Hose und großen Rucksack hockt in einer wüstenhaften Umgebung und hält ein seltsames Objekt in der Hand. Das Objekt hat eine eher glatte Oberfläche, und wirkt leicht metallisch. Vielleicht soll es aus Bronze sein?

A propos Hände: Die Hände des Mannes sehen nur auf den ersten, flüchtigen Blick stimmig aus. Bei näherem Hinsehen scheinen Finger zu fehlen, und die Handhaltung wirkt seltsam. Wie wir noch sehen werden, sind Details der Hände oft eines der ersten Merkmale, an denen sich die Bilder als KI-generiert erkennen lassen.
Variante 2 gibt ein Bild in einem eher grafischen Stil aus. Auch hier ist der Archäologe draußen zu sehen: In diesem Bild allerdings umgeben von Mauerresten. Im Hintergrund sind weitere Ruinen zu sehen, die ein wenig an ägyptische Tempel erinnern; die Pyramide mit fehlender Spitze im rechten Hintergrund lässt ebenfalls an Ägypten denken. Der hellhäutige Archäologe mittleren Alters trägt einen grauen Overall, ein graues Käppi und festes Schuhwerk; zwei Gürtel scheinen vor allem dazu da zu sein, verschiedenen Werkzeugen und Ausrüstungsgegenständen Halt zu geben. Und auch hier sehen wir, dass es der KI Probleme macht, Hände richtig darzustellen.

Ohne weitere Spezifizierungen erscheint bei dem Prompt „Archaeologist“ ein weißer Mann in wüstenhafter Umgebung bzw. inmitten von Ruinen. In beiden Bildern spiegelt sich sehr stark das Stereotyp von Archäologie als Abenteuer und des Archäologen als reisenden Forscher-Abenteuerers wieder. Keiner der Text-zu-Bild-Generatoren denkt bei „Archaeologist“ als erstes an eine Frau – obwohl der Begriff im Englischen zunächst einmal geschlechtlich unspezifisch ist.
Im dritten Test fragen wir daher explizit nach einer Archäologin, und nutzen als Prompt „Female Archaeologist“.
Test 3: „Female Archaeologist“
Variante 1 gibt wiederum ein fotorealistisches Bild aus. Stilistisch arbeitet dieses Bild wieder mit einem unscharfen Hintergrund. Vor diesem Hintergrund hockt eine hellhäutige junge Frau mit Helm, jeansblauer Bluse und beigefarbener Weste. Ihr Blick geht in die Ferne. Sie scheint mit bloßen Händen einen vor ihr liegenden Stein zu berühren.

Variante 2 wählt wiederum einen eher grafischen Stil. Sie zeigt die Archäologin in feldforschungs- bzw. expeditionstauglicher beige-grauer Kleidung. Sie trägt einen Hut, eine kurzärmlige Bluse, eine Hose mit Gürtel und festes Schuhwerk. Die rechte Hand liegt an einer Kameratasche, zu der wohl auch der Riemen über ihrer rechten Schulter gehört; auf der linken, dem Betrachter abgewandten Seite scheint eine weitere Tasche am Gürtel befestigt zu sein. In der linken Hand hält die Archäologin einen Stock. Sie bewegt sich in einer wüsten Umgebung ohne Vegetation. Dabei ist nicht klar, ob die Strukturen im Hintergrund Felsen oder Reste von Gebäuden sein sollen.

Beide Bilder scheinen vor allem weibliche Versionen der Stereotype zu sein, die schon im Test 2 zu bemerken waren. Archäolog*innen werden nach wie vor als erstes nach Draußen ins Gelände gesetzt: Das Stereotyp des Forscher-Abenteurers ist auch bei der Frage nach einer Archäologin sehr präsent.
Welche Bilder gibt uns die KI nun aber aus, wenn wir eine Archäologin im 19. Jahrhundert sehen wollen? Das führt uns zu unserem nächsten Prompt: “Female Archaeologist 19th Century”.
Test 4: “Female Archaeologist 19th Century”
Variante 1 hält an der eben schon gezeigten Frau fest. Die KI tauscht den Helm gegen eine beigefarbene Schirmmütze aus, sie trägt aber nach wie vor eine jeansblaue Bluse und eine beigefarbene Weste. Neu ist der Riemen einer mutmaßlichen Tasche, der sich quer über ihren Oberkörper zieht. Die Haare der Archäologin scheinen nun nicht mehr offen getragen zu sein, sondern in zwei unterschiedliche lange Zöpfe geflochten.

Bei Variante 2 ändert sich die Bildkomposition grundlegend. Diese Archäologin sitzt nun an einem Tisch, auf dem allerlei Dinge ausgebreitet zu sehen sind, und hält einen Stift in der Hand. Sie selbst trägt einen Hut und eine weite helle Bluse. Augenscheinlich ist sie dabei, Fundmaterial zu zeichnen.

Auch in diesem Bild sehen die Hände nur auf den ersten, flüchtigen Blick stimmig aus; bei näherem Hinsehen entdecken wir anatomische Fehler und seltsame Handhaltungen. An einem Gefäß im Bildmittelgrund sind weitere Finger zu sehen, zu der aber keine weitere Person zu sehen ist.
Während nur der Prompt für eine Archäologin das Bild einer Frau ohne erkennbare Tätigkeit im Gelände ergibt, zeigt das Bild einer Archäologin im 19 Jahrhundert eine Frau beim Zeichnen. Das Zeichnen wiederum – nicht nur von Funden, auch von Befunden – war eine Tätigkeit, die im 19. Jahrhundert für Frauen als „angemessen“ galt und damit gesellschaftlich akzeptabel war. Zeichenarbeiten waren für archäologisch arbeitende Frauen ein Weg zur weiteren Professionalisierung in der Archäologie sein.
Ein kurzes Fazit:
Auf den ersten Blick scheint der Text-zu-Bild-Generator, den wir für unsere Tests benutzt haben, populäre Vorstellungen zu „Archäologie“ zu visualisieren. Wir haben aber nur einfache Prompts benutzt, und uns jeweils nur ein Bild erzeugen lassen; zudem haben wir darauf verzichtet, das Ausgangsbild mit weiteren Prompts und Iterationen zu verfeinern und an unsere Vorstellungen anzupassen. Würden wir mehr Zeit in das Erzeugen KI-generierter Bilder investieren und mit mehr textlichen Angaben genauere Vorgaben machen, bekämen wir sicherlich Bilder, die besser zu AktArcha passen würden. Doch das war nicht das Ziel unseres kleinen Experiments.
Weiterführende Links und Literatur:
Helmut Linde, So funktionieren KI-Bildgeneratoren. Golem.de, 30. Mai 2023, https://www.golem.de/news/kuenstliche-intelligenz-so-funktionieren-ki-bildgeneratoren-2305-174436.html
Kim Rixecker, Midjourney, Dall-E, Stable Diffusion: Was ist der beste KI-Bildgenerator? t3n, 11. November 2023, https://t3n.de/news/midjourney-dall-e-stable-diffusion-bild-ki-bildgenerator-1587907/
Mehr zu Stable Diffusion gibt es auch auf der Wikipedia unter https://de.wikipedia.org/wiki/Stable_Diffusion
Diesen Artikel zitieren: Doris Gutsmiedl-Schümann, KI-Spielereien: Text-zu-Bild-Generatoren im AktArcha-Test. In: AktArcha - Akteurinnen archäologischer Forschung und ihre Geschichte(n), 23.11.2023, URL: https://aktarcha.hypotheses.org/3555
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Doris Gutsmiedl-Schümann (23. November 2023). KI-Spielereien: Text-zu-Bild-Generatoren im AktArcha-Test. AktArcha. Abgerufen am 19. Februar 2025 von https://doi.org/10.58079/axpb
Ein Gedanke zu „KI-Spielereien: Text-zu-Bild-Generatoren im AktArcha-Test“