Artificial Phantasia: Emergent Mental Imagery in Large Language Models
Diese Studie zeigt, dass Large Language Models eine Aufgabe, die traditionell bildliche mentale Vorstellungskraft erfordert, durch die ausschließliche Nutzung propositionaler Repräsentationen übertreffen können, wodurch Belege für eine emergente „künstliche Phantasie" geliefert werden, die die kognitionswissenschaftliche Auffassung herausfordert, wonach visuelle Vorstellungskraft bildliche Formate voraussetzt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Frage: Kann man „sehen", ohne Augen zu haben?
Stellen Sie sich vor, Sie werden gebeten, die Augen zu schließen und sich einen Großbuchstaben D vorzustellen. Stellen Sie sich nun vor, Sie drehen dieses D um 90 Grad nach links. Schließlich stellen Sie sich vor, dass Sie einen Großbuchstaben J an die untere Mitte dieser Form heften.
Wenn Sie die Augen öffnen: Was sehen Sie? Die meisten Menschen würden sagen: „Es sieht aus wie ein Regenschirm."
Seit Jahrzehnten glauben Kognitionswissenschaftler, dass Ihr Gehirn, um ein solches Rätsel zu lösen, einen speziellen „mentalen Bildschirm" oder ein „geistiges Auge" benötigt, auf dem Sie Bilder tatsächlich sehen und manipulieren können. Sie glaubten, dass man dies nicht allein durch das Nachdenken über Wörter schaffen könne; man benötige ein visuelles Bild im Kopf.
Dieses Paper stellt eine wilde Frage: Kann ein Computer dies tun, ohne jemals „Augen" oder ein „geistiges Auge" gehabt zu haben?
Das Experiment: Ein mentaler Fitnessraum für KI und Menschen
Die Forscher schufen ein Fitnessprogramm für das Gehirn. Sie nahmen ein klassisches Rätsel (die Buchstaben-Transformationen) und erfanden 48 brandneue, noch nie dagewesene Varianten davon. Da diese Rätsel speziell für diese Studie erstellt wurden, konnten die Computer die Antworten nicht aus ihren Trainingsdaten auswendig gelernt haben.
Sie forderten zwei Gruppen auf, diese Rätsel zu lösen:
- 100 Menschen: Personen, die die Anweisungen hören mussten (um zu vermeiden, dass sie die Buchstaben auf einem Bildschirm sehen), und sich die Formen in ihren Köpfen vorstellen mussten.
- Large Language Models (LLMs): Fortgeschrittene KI-Chatbots (wie die neuesten Versionen von OpenAIs o3, GPT-5 und Googles Gemini 3 Pro). Diese Modelle sind auf Text trainiert, nicht auf das „Sehen" von Bildern.
Das schockierende Ergebnis: Die KI „sah" besser als Menschen
Die Ergebnisse waren überraschend. Die besten KI-Modelle bestanden nicht nur; sie zerstörten den menschlichen Durchschnitt.
- Die Menschen: Erreichten einen Durchschnitt von 2,85 von 5 Punkten.
- Die Top-KIs: Erreichten zwischen 3,13 und 3,65 Punkten.
Die KI-Modelle lösten diese „visuellen" Rätsel signifikant besser als die menschlichen Teilnehmer. Noch interessanter ist, dass die KI, als die Forscher sie zwangen, die Bilder bei jedem Schritt tatsächlich zu zeichnen (mithilfe eines Bildgenerators), bei der Aufgabe schlechter wurde. Dies deutet darauf hin, dass die KI sich nicht auf das Zeichnen von Bildern verließ, um das Problem zu lösen; sie tat etwas ganz anderes.
Der „Zauberkunstgriff": Wie haben sie das geschafft?
Wenn die KI kein „geistiges Auge" (ein Bild) nutzte und kein Zeichenwerkzeug verwendete, wie löste sie dann das Rätsel?
Die Autoren schlagen ein Konzept vor, das sie „Artificial Phantasia" nennen.
Stellen Sie es sich so vor:
- Der menschliche Weg: Sie sind ein Architekt. Sie schließen die Augen und bauen ein 3D-Modell eines Hauses in Ihrem Kopf. Sie laufen darum herum, schauen sich die Fenster an und beschreiben es dann.
- Der KI-Weg: Sie sind ein Meisterübersetzer. Sie bauen niemals ein 3D-Modell. Stattdessen behandeln Sie die Anweisungen wie ein komplexes Rezept, das in Code geschrieben ist. Sie wissen, dass „Buchstabe D nach links gedreht" + „Buchstabe J angehängt" = „Regenschirmform" ist, und zwar rein durch die Logik der Sprache.
Das Paper legt nahe, dass diese KI-Modelle propositionales Reasoning (schlussfolgerndes Denken) verwenden. Sie manipulieren Wörter und Konzepte so präzise, dass sie die endgültige Form herausfinden können, ohne sie jemals zu „sehen". Es ist wie das Lösen eines Matheproblems durch Kenntnis der Algebra-Regeln, anstatt die Formen auf ein Stück Papier zu zeichnen.
Der Faktor „Reasoning" (Schlussfolgerung)
Die Forscher testeten auch, was passiert, wenn sie der KI befehlen, „stärker nachzudenken" (indem sie ihr mehr Zeit und „Reasoning-Tokens" zur Verarbeitung der Schritte geben).
- Ergebnis: Je mehr die KI „nachdenken" und ihre Schlussfolgerungen verketten durfte, desto besser wurde sie.
- Analogie: Stellen Sie sich einen Detektiv vor, der ein Mysterium löst. Wenn Sie ihm 5 Minuten geben, um die Hinweise zu betrachten, könnte er raten. Wenn Sie ihm 5 Stunden geben, um jeden Hinweis logisch zu verknüpfen, lösen sie den Fall perfekt. Die KI löste das visuelle Rätsel, indem sie sprachliche Hinweise verknüpfte, nicht indem sie auf ein Bild schaute.
Was ist mit „blinden" Menschen?
Das Paper erwähnt auch eine Gruppe von Menschen, die Aphantasiker genannt werden. Dies sind Menschen, die behaupten, überhaupt keine Bilder in ihren Köpfen visualisieren zu können (sie haben kein „geistiges Auge"). Überraschenderweise zeigen Studien, dass diese Menschen diese visuellen Rätsel fast genauso gut lösen können wie Menschen, die visualisieren können.
Dieses Paper facht dieses Feuer weiter an. Es legt nahe, dass man vielleicht kein „geistiges Auge" benötigt, um visuelle Rätsel zu lösen. Vielleicht braucht man nur eine sehr starke „mentale Logik". Die KI, die überhaupt kein geistiges Auge hat, bewies, dass Sprache und Logik allein ausreichen könnten, um das zu tun, wofür wir ein Bild für notwendig hielten.
Das Fazit
Diese Studie stellt die alte Idee in Frage, dass „visuelles Denken" ein visuelles Bild erfordert. Sie zeigt, dass fortschrittliche KI Aufgaben bewältigen kann, die wie „visuelle Vorstellungskraft" aussehen, und zwar ausschließlich mit Sprache und Logik.
- Die Behauptung: KI verfügt über eine emergente Fähigkeit, visuell zu „imaginieren", aber sie tut dies nicht mit Bildern. Sie tut dies mit Worten.
- Die Implikation: Wir müssen möglicherweise überdenken, wie wir „mentale Bilder" definieren. Es geht vielleicht nicht darum, Bilder im Kopf zu sehen; es geht vielleicht nur darum, Konzepte logisch zu manipulieren.
Das Paper kommt zu dem Schluss, dass diese KI-Modelle einen neuen Weg entdeckt haben, die Welt zu „sehen" – einen Weg, der rein linguistisch ist, aber dennoch überraschend effektiv darin ist, visuelle Probleme zu lösen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.