Eine scheinbar einfache Schwarz-Weiß-Rauschkarte wird zum schärfsten KI-Detektor und offenbart die grundlegenden Unterschiede zwischen der Wahrnehmung der Welt durch Menschen und Maschinen
Hallo zusammen, heute möchte ich eine sehr interessante Sache mit Ihnen teilen. Es stammt aus einem gewöhnlichen Bild, aber es ist wie ein Spiegel, der ein Licht auf die vernachlässigten Lücken zwischen Menschen und KI wirft.
Das Bild sieht aus wie ein Wirrwarr aus schwarzem und weißem Rauschen, wie der verschneite Bildschirm eines alten Fernsehers, wenn es kein Signal gibt. Wenn Sie es jedoch auf Ihrem Mobiltelefon betrachten oder die Seite verkleinern, tritt ein magisches Phänomen auf: In der Mitte des Bildschirms erscheint ein herzförmiges Muster, das sich beim Scrollen der Seite hin und her bewegt.
Ich habe versucht, mehrere der aktuellen Top-KI-Modelle dazu zu bringen, dieses Bild zu erkennen: Gemini 2.5 Pro, GPT-5 Thinking, GPT-5 Pro, Beanbag, Qwen und Yuanbao. Die Ergebnisse waren überraschend - sie scheiterten alle. Selbst nachdem der Gemini 2.5 Pro ganze sieben Minuten Zeit zum Nachdenken hatte, musste er schließlich zugeben, dass er das Bild nicht erkennen konnte.
Und jeder kann in kürzester Zeit das schlagende Herz einfangen.
Das brachte mich ins Grübeln: Warum ist eine so einfache Aufgabe eine unmögliche Herausforderung für KI? Welche technischen Prinzipien und kognitiven Unterschiede stecken dahinter?
Zeitblindes Sehen: eine angeborene Einschränkung der KI
Bei eingehender Recherche entdeckte ich ein Schlüsselkonzept: Zeitblindheit.
Aktuelle KI-Vision-Systeme, insbesondere multimodale Makromodelle, verarbeiten dynamische Inhalte auf eine völlig andere Weise als Menschen. Anstatt das Video tatsächlich zu betrachten, zerlegen sie es zur Analyse in einzelne statische Bilder.
Stellen Sie sich Folgendes vor: Statt eines kontinuierlichen Videos sieht die KI ein einzelnes Standfoto. Sie untersucht jedes einzelne Foto und stellt fest, dass sie alle verrauscht sind, und kommt zu dem Schluss, dass es sich nur um ein verrauschtes Video handelt.
Und dieses schlagende Herz, seine Botschaft existiert eben nur zwischen den Bildern, im Fluss der Zeit. In jedem statischen Moment existiert das Herz nicht, ist es nicht sichtbar.
Gemini 2.5 Pro Erkennungsergebnisse:
GPT-5-Denken Identifikationsergebnisse:
GPT-5 Pro Erkennungsergebnisse:
Gemini2.5-Pro Identifikationsergebnisse:
Sitzsack, Qwen, Yuanbao Identifizierungsergebnisse:
Im Mai 2023 wurde die Theorie in einem Aufsatz mit dem Titel "Time Blindness: Why Video-Language Models Can't See What Humans Can?" formalisiert.
Die Forscher erstellten einen Test-Benchmark namens SpookyBench mit 451 Videos, die aus Rauschen bestehen. Jedes dieser Videos ist zufällig verrauscht, wenn es für sich betrachtet wird, zeigt aber klare Formen, Text oder Muster, wenn es abgespielt wird.
Die Ergebnisse des Tests waren schockierend: Menschen erkannten diese Videos mit einer Genauigkeit von über 981 TP3T, während das große KI-Modell eine Genauigkeit von 01 TP3T hatte, alles oder nichts.
Unabhängig von der Größe der Modellarchitektur, dem Umfang der Trainingsdaten, der Feinabstimmung oder der verwendeten Cueing-Strategie hat die KI keines der Videos richtig beantwortet. Dies ist nicht länger ein technischer Fehler, sondern eine grundlegende Einschränkung der KI-Architektur.
Das Gesetz des gemeinsamen Schicksals: Der zugrunde liegende Code des menschlichen Sehens
Dahinter steckt eigentlich ein uralter Mechanismus des menschlichen Sehsystems - das Gesetz des gemeinsamen Schicksals in der Gestaltpsychologie.
Einfach ausgedrückt: Unser Gehirn erkennt instinktiv Objekte, die sich in dieselbe Richtung bewegen, als Ganzes. Diese Fähigkeit ist tief in unserer Evolutionsgeschichte verwurzelt.
Als unsere Vorfahren vor Zehntausenden von Jahren im Gras hockten, bemerkten sie plötzlich, dass ein Teil der Grashalme anders schwang als der Rest - sie bewegten sich langsam in dieselbe Richtung. Diese Entdeckung erforderte kein rationales Denken; das Gehirn schlug sofort Alarm: Es bestand Gefahr!
Es ist diese evolutionär gegebene Fähigkeit, die es uns ermöglicht, Rehe in verrauschten Videos und schlagende Herzen in schwarz-weißen Punkten zu sehen. Anstelle von statischen Mustern sehen wir die Bewegung selbst.
Die KI verfügt nicht über diesen Mechanismus. Sie hat eine starke räumliche Ausrichtung in ihrer Architektur, die zunächst nur räumliche Merkmale erkennen kann und nicht in der Lage ist, ein gemeinsames Schicksal zwischen Pixelpunkten in der zeitlichen Dimension zu entdecken. Sie betrachtet jedes Einzelbild und sieht ein Durcheinander von verrauschten Punkten, ist aber nicht in der Lage, diese verrauschten Punkte in der zeitlichen Dimension zu verbinden und ihre gemeinsame Flugbahn zu erkennen.
Dynamische Illusionen in statischen Karten: Selbsttäuschung des visuellen Systems
Noch interessanter ist, dass das Herzbild eigentlich ein statisches Bild ist, warum also sehen wir den dynamischen Effekt? Die Antwort ist überraschend: weil wir uns selbst bewegen.
Augenbewegungsstudien in den 1950er Jahren haben gezeigt, dass das menschliche Auge beim Betrachten nicht völlig still steht, sondern ständig kleine unwillkürliche Bewegungen ausführt. Es sind diese winzigen Bewegungen, die dafür sorgen, dass wir unbewegte Bilder weiterhin wahrnehmen.
Wenn das Bild auf der Netzhaut absolut ruhig bleibt, verblasst der Bereich innerhalb von 1 bis 3 Sekunden im Gesichtsfeld und verschwindet wieder. Wenn wir über einen längeren Zeitraum auf einen festen Punkt starren, verblassen oder verschwinden deshalb unveränderliche Reize im peripheren Gesichtsfeld - der Teixeira-Fading-Effekt.
Ohne Veränderung gibt es keine Informationen. Wir leben in Strömen und die KI lebt in Frames.
Von der UX- zur KI-Forschung: ein Dialog über Zeit und Raum hinweg
Während ich diesen Beitrag schrieb, erinnerte ich mich plötzlich an die Zeit, als ich vor sieben oder acht Jahren UX-Design machte. Damals haben wir die kognitive Psychologie des Menschen, Eye-Tracking-Routen, Aufmerksamkeit und Gedächtnis studiert, nur um das Produkterlebnis geschmeidiger zu machen und mehr zu konvertieren.
Ich hätte nie gedacht, dass das Studium der KI uns Jahre später wieder an den Anfang bringen würde. Das Wissen, das damals zur Untersuchung des menschlichen Verhaltens genutzt wurde, ist durch Zeit und Raum gereist und erstrahlt heute in neuem Glanz.
KI und Menschen sind wie zwei parallele Linien, die auf unzähligen Wegen zum selben Ort zurückkehren, aber auf ihren eigenen Wegen auseinandergehen. Das Studium der KI bedeutet im Wesentlichen, dass der Mensch sich selbst wieder kennenlernt.
Das menschliche Sehen aus der Sicht der Neurowissenschaft: eine komplexe Sinfonie
Das menschliche Sehsystem ist weitaus komplexer, als wir denken. Von der Netzhaut bis zur Großhirnrinde werden die Informationen über Dutzende von Verarbeitungsstufen übermittelt, die jeweils eine bestimmte Funktion haben.
Der primäre visuelle Kortex (V1) ist für die Erkennung von Kanten und Orientierung zuständig, V2 verarbeitet komplexere Formen, V4 ist auf die Farbverarbeitung spezialisiert, und der inferotemporale Kortex (IT) ist für die Objekterkennung verantwortlich. Dieses System verarbeitet nicht nur räumliche Informationen, sondern integriert auch Veränderungen in der zeitlichen Dimension, was es uns ermöglicht, Bewegungen wahrzunehmen und Flugbahnen vorherzusagen.
Noch erstaunlicher ist, dass das menschliche Sehsystem über die Fähigkeit der prädiktiven Kodierung verfügt - es empfängt Informationen nicht nur passiv, sondern sagt auch aktiv voraus, was es im nächsten Moment sehen wird, und vergleicht dann die Vorhersage mit dem tatsächlichen Input und verarbeitet nur die Differenz. Dieser Mechanismus verbessert die Effizienz der visuellen Verarbeitung dramatisch und ermöglicht es uns, aus unvollständigen Informationen ein vollständiges Bild zu "brainstormen".
KI-Visualisierungsmodelle bilden zwar strukturell teilweise die menschliche Sehbahn nach, sind aber immer noch extrem schwach im Umgang mit zeitlicher Dynamik. Sie behandeln Videos in der Regel als eine Reihe unabhängiger Einzelbilder, die dann durch zusätzliche zeitliche Module integriert werden, anstatt räumlich-zeitliche Informationen zu mischen, wie es Menschen tun.
Visuelle Täuschungen: ein Fenster zu den kognitiven Unterschieden zwischen Mensch und KI
Das verborgene Herz ist nur eine von vielen visuellen Täuschungen. Visuelle Täuschungen sind für uns "Wahrnehmungsfehler", aber für die KI sind sie eine unüberwindbare Kluft.
Ein Beispiel dafür ist das beliebte "Schwert-Illusionsvideo" von Plattform X: Ein Einzelbild ist nur ein Rauschen, aber wenn es abgespielt wird, zeigt es ein klares Schwert, das die KI nicht erkennen kann, der Mensch aber auf den ersten Blick sieht.
Dann gibt es noch das klassische "Enten- und Hasenbild": In einem statischen Bild kann man je nach Blickwinkel entweder eine Ente oder einen Hasen sehen. Der Mensch kann die Perspektive frei wechseln, während die KI entweder die Ente, das Kaninchen oder keines von beiden sehen kann.
Der Grund, warum diese Scheinbilder den Menschen "täuschen" können, ist, dass sie sich die Eigenschaften des menschlichen Sehsystems zunutze machen; der Grund, warum sie die KI nicht "täuschen" können, ist, dass der KI diese Eigenschaften fehlen. In gewisser Weise ist dies der Vorteil der KI - sie wird nicht durch Erscheinungen verwirrt, aber sie verliert auch die Tiefe des Verständnisses der Welt.
Von der Wahrnehmung zum Verstehen: die kognitive Kluft jenseits des Sehens
Noch wichtiger ist, dass es beim menschlichen Sehen nicht nur ums "Sehen" geht, sondern dass es auch eng mit unseren Erinnerungen, Emotionen und unserer Wissensbasis verbunden ist. Wenn wir ein Herz sehen, ruft es nicht nur eine Formerkennung hervor, sondern auch emotionale Erinnerungen, kulturelle Assoziationen und persönliche Erfahrungen.
Eine Mutter, die ein schwingendes Herz sieht, denkt vielleicht an eine Karte, die ihr ihr Kind gezeichnet hat; ein Designer, der es sieht, denkt vielleicht darüber nach, wie er die Illusion auf ein Werk anwenden kann; ein Wissenschaftler, der es sieht, erforscht vielleicht die Optik dahinter.
Die KI kann zwar die Form eines Herzens erkennen, aber es fehlt ihr der emotionale Bezug und der kulturelle Kontext. Sie "versteht" auf der Pixelebene, nicht auf der Bedeutungsebene. Sie weiß, was die Form ist, aber nicht, was sie für den Menschen bedeutet.
Intelligenz neu definieren: jenseits der Dimensionen der Datenverarbeitung
Dieser Unterschied bringt uns zum Nachdenken: Was ist wahre Intelligenz? Ist es die Fähigkeit, mehr Informationen zu verarbeiten, oder die Fähigkeit, den Sinn dahinter zu verstehen? Ist es die Fähigkeit, Objekte genau zu erkennen, oder ist es die Fähigkeit, die Emotionen und Erinnerungen zu spüren, die sie mit sich bringen?
Die moderne KI hat den Menschen in der Datenverarbeitung und Mustererkennung übertroffen, steckt aber noch in den Kinderschuhen, wenn es darum geht, wie sie die Welt versteht, mit Mehrdeutigkeit umgeht und den Fluss der Zeit wahrnimmt. Dies ist nicht nur eine technische, sondern auch eine philosophische Frage: Was für ein Wesen soll die KI wirklich sein?
Zukunftsperspektiven: Brücke oder Abgrund?
Dank der engen Verflechtung von Neuro-, Kognitions- und KI-Forschung können wir vielleicht Wege finden, diese Lücke zu schließen. Einige Forscher haben damit begonnen, die zeitlichen Verarbeitungsmechanismen des menschlichen Sehsystems in KI-Architekturen zu integrieren; andere versuchen, menschliche Augenbewegungsmuster nachzuahmen, um KI die Welt auf eine Weise "sehen" zu lassen, die dem Menschen näher kommt.
Aber der wirkliche Durchbruch könnte sich aus einer grundlegenderen Frage ergeben: Sollten wir der KI erlauben, die Welt so zu sehen wie die Menschen, oder sollten wir eine völlig neue Art der Wahrnehmung entwickeln, die sowohl die menschliche Tiefe als auch die einzigartigen Vorteile von Maschinen berücksichtigt?
Yu Si: Die Wiederentdeckung der Menschlichkeit in einem Zeitalter des technologischen Wildwuchses
In der sich ständig wandelnden Welt der KI-Technologie bejubeln wir oft die Verdoppelung der Modellparameter und Leistungsverbesserungen, halten aber selten inne, um nachzudenken: Machen uns diese Technologien wirklich zu besseren Menschen?
Diese verborgene Liebe erinnert uns daran, dass jede noch so fortschrittliche Technologie ihre Grenzen hat und dass jeder Mensch, egal wie klein er ist, einzigartig ist. Wir können nicht nur das Reh im Lärm sehen, sondern auch die Liebe in der Stille, die Schönheit in der Unbeständigkeit und den Lauf der Zeit selbst.
Dies ist kein Versagen der KI, sondern eine Erinnerung daran, dass wir bei unserem Streben nach technologischen Durchbrüchen auch die Eigenschaften schätzen sollten, die den Menschen ausmachen - die Fähigkeit, einen Fluss wahrzunehmen, die Tiefe des Gefühls, die Breite des Sinnverständnisses.
Wenn Sie das nächste Mal ein scheinbar gewöhnliches Bild wie dieses sehen, halten Sie inne und denken Sie darüber nach: Sie sehen nicht nur ein Bild, sondern Zeit, Bewegung und den Fluss des Lebens selbst. Und das ist vielleicht der grundlegendste Unterschied zwischen uns und Maschinen.
