LONDON (IT BOLTWISE) – Forschende zeigen, dass untrainierte Deep-Neural-Networks Gesichtsschönheit offenbar allein aus visuellen Grundmustern ableiten. In einem Experiment mit AlexNet entstanden „beauty-selective units“ konsistent, ohne dass das Modell zuvor menschliche Präferenzen lernte. Über Scrambling-Tests und eine Vergleichs- bzw. Sortieraufgabe wird sichtbar, dass sowohl lokale Merkmale als auch die räumliche Anordnung entscheidend sind. Die Ergebnisse lassen sich mit VGG-16 und einem Datensatz realer Gesichter mit unterschiedlichen Hintergründen reproduzieren.
Untrainierte KI-Systeme können offenbar mehr als nur Muster aus Bildern „nachrechnen“. Eine Studie, die in Psychology of Aesthetics, Creativity, and the Arts veröffentlicht wurde, berichtet, dass Deep Neural Networks bereits ohne Training eine Art Gespür für Gesichtsschönheit entwickeln. Der zentrale Befund: Bestimmte neuronale Einheiten reagieren selektiv auf unterschiedliche „Beauty“-Grade, obwohl sie weder mit menschlichen Präferenzen gefüttert wurden noch jemals zuvor menschliche Gesichter gesehen haben.
Der Hintergrund greift eine alte Debatte auf: Entstehen ästhetische Vorlieben aus angeborenen Eigenschaften des sensorischen Systems, oder werden sie vor allem durch kulturelle Erfahrung gelernt? In der Psychologie und Neurowissenschaft gibt es Hinweise darauf, dass auch sehr junge Menschen und nichtmenschliche Primaten Gesichtern eine gewisse Aufmerksamkeit schenken und dass Erwachsene „attraktive“ Gesichter bevorzugen. Gleichzeitig bleibt schwierig, die Ursache eindeutig zu trennen – zwischen Hardwiring im Gehirn und dem schnellen Aufbau von Präferenzen durch frühe Seherfahrungen.
Technisch genommen nutzen die Forschenden eine Methode, die diese Trennschärfe testen soll: Sie betrachten eine untrainierte Variante eines Bildnetzwerks wie AlexNet, dessen Verbindungen bei Start zufällig sind. Wenn schon so ein zufälliges Netz eine Ordnung nach „Beauty“ aufspannt, wäre das ein starkes Indiz dafür, dass die Fähigkeit als Nebenprodukt grundlegender struktureller Kodierung auftauchen kann – nicht als Ergebnis gelernter Bewertung. Um dafür eine Kontrollbasis zu schaffen, erzeugte das Team mit einer spezialisierten KI realistische Gesichtsbilder und variierte die zugrundeliegenden Codes gezielt, sodass die „Schönheit“ in Abstufungen vorlag. Freiwillige bewerteten die Bilder, damit sie weiterhin natürlich wirkten und die Beauty-Levels plausibel getrennt waren.
Mit über 10.000 Gesichtern fütterten die Forschenden das untrainierte AlexNet und analysierten, welche neuronalen Einheiten in der abschließenden visuellen Verarbeitungsebene selektiv auf Beauty-Level reagieren. Die selektiven Einheiten – im Text als „beauty-selective units“ beschrieben – blieben auch dann erkennbar, wenn die Gesichter anders ausgerichtet waren oder wenn die zufällige Initialisierung des Netzes erneut erfolgte. Um zu klären, worauf diese Reaktion beruht, manipulierten die Forschenden die Bildinhalte: Durch zufälliges Scrambling wurde die globale Gesichtsform gestört, lokale Details blieben jedoch erhalten; eine zweite Scrambling-Variante behielt die grobe räumliche Anordnung, verschleierte aber feinere Details. Zusätzlich testeten sie Bilder, die auf einfache Umrisse reduziert waren. Das Team kommt zu dem Schluss, dass sowohl konkrete Merkmale als auch deren räumliche Anordnung notwendig sind, damit die Beauty-Bewertung im Modell „greift“.
Diese Kombination aus Detailmerkmalen und geometrischer Gesamtanordnung lässt sich mit einer bekannten Perspektive aus der Psychologie verbinden: der dual-code theory, die davon ausgeht, dass Menschen Gesichter über zwei Ebenen erkennen – über feine Eigenschaften und über den breiteren räumlichen Aufbau. Entsprechend zeigt die Analyse, dass das Netzwerk die Information hierarchisch verarbeitet: Frühere Schichten bilden einfache Kanten, lokale Strukturen und geometrische Teilinformationen ab, spätere Schichten integrieren daraus eine vollständiger wirkende Repräsentation. Um zu prüfen, ob diese Einheiten nicht nur „reagieren“, sondern auch praktisch vergleichen können, trainierten die Forschenden zudem einen einfachen Sortieransatz, der die Aktivitätsmuster der Beauty-Einheiten nutzt, um zwischen zwei Gesichtern das attraktivere auszuwählen. Dabei schnitten die Beauty-selektiven Einheiten besser ab als Einheiten, die lediglich rohe Pixel verarbeiten, und die Genauigkeit stieg mit zunehmendem Abstand zwischen den Beauty-Leveln.
Der nächste Schritt erklärt, wie die Vorlieben im Netzwerk „entstehen“. Das Team identifizierte Neuronen in früheren Schichten, deren Aktivität auf einer Art Schiebeskala mit dem Attraktivitätsgrad steigt oder fällt. Dann kartierten die Forschenden, wie diese Vorläufer-Einheiten die Beauty-selective Einheiten speisen: Einheiten, die hochattraktive Gesichter „bevorzugen“, erhielten stärkere Signale von früheren Neuronen, deren Aktivität im Takt der Schönheit zunahm. Um die Generalisierbarkeit zu erhöhen, wiederholten sie die Experimente mit einer anderen Netzarchitektur (VGG-16) und fanden erneut das spontane Auftreten solcher selektiven Einheiten. Zusätzlich nutzten sie einen Datensatz mit 200 realen Gesichtern über unterschiedliche Hintergründe hinweg; auch hier bewerteten die Beauty-selective Einheiten die Attraktivität natürlicher Bilder.
Wichtig ist die Einordnung: Die Studie spricht von einer mathematischen Abstraktion des Gesichtsaufbaus und nicht von der emotionalen Erfahrung, die Menschen mit Schönheit verbinden. Symmetrie oder Durchschnittlichkeit in der Wahrnehmung können tatsächlich ein Teil dessen sein, was Menschen als attraktiv empfinden, aber echte ästhetische Urteile entstehen auch aus Kontext, Beleuchtung, kulturellen Codes, Erfahrung und individuellen Erwartungen. In den Hauptexperimenten waren Gesichter stark standardisiert, etwa hinsichtlich Umgebung und Darstellung, wodurch die Modellwelt „sauberer“ bleibt als die reale. Außerdem fokussiert der Ansatz primär auf einen baseline-Beauty-Begriff; ob und wie sich untrainierte Netzwerke für andere Kategorien wie Landschaften, Architektur oder Kunstwerke „voreingenommen“ verhalten, ist Gegenstand künftiger Forschung.
Für Entwickler und Unternehmen, die KI-gestützte Wahrnehmung einsetzen, steckt in den Ergebnissen eine praktische Lehre: Wenn selbst untrainierte oder kaum angepasste Netzstrukturen in frühen Bildrepräsentationen bereits stabile Selektivität zeigen, dann kann ein Teil der „Bewertungslogik“ in der Architektur selbst angelegt sein. Das beeinflusst, wie man Robustheit, Fairness und Interpretierbarkeit in Bild-Workflows angehen muss – etwa bei Gesichtsanalyse, kreativen Assistenzsystemen oder Empfehlungstechniken, die implizit Ästhetiksignale nutzen. Gleichzeitig liefern die Scrambling-Experimente einen anschaulichen Prüfstein dafür, welche Bildkomponenten ein Modell wirklich trägt: Nicht nur Details, auch die räumliche Organisation entscheiden darüber, ob eine „Beauty“-Trennung intern reproduzierbar entsteht.
Damit verschiebt sich die Frage von „Ist Schönheitswahrnehmung trainiert?“ hin zu „Welche Strukturen reichen aus, damit eine ähnliche Ordnung überhaupt auftaucht?“ Wenn sich solche Tendenzen auch auf andere visuelle Domänen übertragen lassen, könnten sich neue Hypothesen über inhärente Wahrnehmungsbias ableiten. Bis dahin bleibt der Beitrag vor allem methodisch und konzeptionell: Er zeigt, dass KI-Modelle ohne explizites Lernen schon aus grundlegenden visuellen Codierungen selektive Signale erzeugen können – und liefert damit eine messbare Blaupause für Debatten zwischen angeborenen und erlernten Anteilen von Ästhetik.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Studie: Untrainierte KI entwickelt Gespür für Gesichtsschönheit" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Studie: Untrainierte KI entwickelt Gespür für Gesichtsschönheit" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Studie: Untrainierte KI entwickelt Gespür für Gesichtsschönheit« bei Google Deutschland suchen, bei Bing oder Google News!