Wenn die Maschine tanzt: Was Prüfroutinen für KI-Videos wirklich leisten
Es gibt eine neue Sorte von Aufzeichnung. Künstliche Intelligenz erzeugt Videos, in denen Körper tanzen, die nie existierten oder nie diese Schritte gegangen sind. Die Frage, wie man solche Erzeugnisse prüft, beschäftigt Forschungsabteilungen und Plattformen gleichermaßen. Und die Frage ist heikler, als sie auf den ersten Blick wirkt.
Das Grundproblem lässt sich in einem Satz formulieren: Es gibt keinen physischen Körper, dessen Bewegung man validieren könnte. Was bleibt, sind Muster, statistische Eigentümlichkeiten, die das Modell hinterlassen hat. Die gängigen Prüfverfahren arbeiten daher auf mehreren Ebenen, und jede Ebene hat ihre eigenen blinden Flecken.
Auf der untersten Ebene steht die Pixelanalyse. Einzelne Frames werden auf Artefakte untersucht, auf Kompressionsmuster, die nicht zur verwendeten Codec-Familie passen, auf Inkonsistenzen in der Beleuchtung zwischen aufeinanderfolgenden Bildern, auf Fehler in der Synchronisation von Audio- und Videoinformation. Diese Methoden stammen aus der klassischen digitalen Forensik und wurden ursprünglich für komprimierte Fotos oder nachgeschnittene Filmaufnahmen entwickelt.
Eine Stufe darüber liegt die Bewegungsanalyse. Hier betrachten Prüfprogramme nicht mehr einzelne Bilder, sondern deren zeitliche Abfolge. Plausibilität von Beschleunigung, Erhaltung des Schwerpunkts, Konsistenz der Gliedmaßenlängen über mehrere Frames hinweg. Ein Tänzer hat ein Skelett mit festen Proportionen. Ein generiertes Video tut oft so als ob, und genau hier entstehen die verräterischen Brüche.
Doch hier beginnt der Skeptizismus, der jeden Bericht über solche Verfahren begleiten muss. Wir haben es mit einer einzigen, sich schnell entwickelnden Quellenlage zu tun. Die Modelle werden besser, ihre Trainingsdaten umfangreicher, ihre Ausgabe glatter. Was vor sechs Monaten ein sicheres Erkennungsmerkmal war, kann heute schon trainiert und wegoptimiert sein. Wer heute ein Prüfverfahren als verlässlich beschreibt, beschreibt einen Moment, und der Moment veraltet im Vierteljahresrhythmus.
Hinzu kommt ein methodisches Grundproblem, das beim Lesen der Studienliteratur nicht übersehen werden darf. Die meisten öffentlich dokumentierten Tests stammen aus Laboren, die zugleich an den Erkennungsverfahren arbeiten. Das ist kein Vorwurf, aber es ist eine Tatsache. Die Vielfalt der Trainingsdatensätze, die Vergleichbarkeit der Testbedingungen, die Definition dessen, was als gelungen oder erkannt gilt, all das wird in den jeweiligen Studien selbst festgelegt. Eine unabhängige Instanz, die unter realen Bedingungen prüft, ist selten.
Was die Verfahren nicht können, ist mindestens so aufschlussreich wie das, was sie können. Sie können keine Aussage darüber treffen, ob ein bestimmter Tanzstil korrekt dargestellt ist, ob die Choreographie einer realen Tradition folgt, oder ob die abgebildete Person jemals existiert hat. Sie messen keine ästhetische Qualität, keine kulturelle Bedeutung, keine Absicht. Sie klassifizieren Pixel als wahrscheinlich synthetisch oder wahrscheinlich authentisch, und diese Klassifikation ist immer eine Wahrscheinlichkeit, keine Gewissheit.
Besonders heikel wird es bei Tanzvideos, weil das Medium selbst so viel Rauschen enthält. Schnelle Bewegungen, Bewegungsunschärfe, Kostüme, wechselnde Beleuchtung, Überlagerungen mit anderen Tänzern. All das erschwert sowohl die Generierung als auch die Erkennung. Die Prüfroutinen arbeiten unter erschwerten Bedingungen, und ihre Trefferquote sinkt spürbar, sobald die Choreographie komplexer wird oder das Video nicht im Studio, sondern auf einer Bühne mit wechselnden Lichtverhältnissen aufgezeichnet wurde.
Was bleibt, ist eine ehrliche Bestandsaufnahme. Die existierenden Testverfahren sind Werkzeuge ersten Zugriffs. Sie können grobe Manipulationen markieren, sie können statistische Auffälligkeiten aufzeigen. Sie sind kein Wahrheitsbeweis und kein Ersatz für redaktionelle Sorgfalt. Wer einem KI-Video nur deshalb glaubt, weil ein automatischer Prüfer es durchgewunken hat, hat die Funktionsweise dieses Prüfers nicht verstanden.
Das eigentliche Problem liegt nicht in der Technik der Prüfung. Das eigentliche Problem liegt in der Erwartung, dass eine Maschine beantworten kann, was die Maschine selbst hervorgebracht hat. Solange wir nicht sauber definieren, was Echtheit einer Bewegung jenseits von Pixelstatistik und biomechanischer Plausibilität überhaupt bedeuten soll, bleibt jede Prüfung eine Annäherung an eine Frage, die wir noch nicht präzise genug stellen.
Die Drähte summen weiter. Ich bleibe dran.