Visual Distances among Cultural Art Corpora Align with Expert-Coded Historical-Artistic Relatedness

Die Kunstgeschichte stützt sich seit langem auf das geschulte Auge von Gelehrten, um die unsichtbaren Fäden nachzuzeichnen, die Kulturen über Zeit und Raum hinweg verbinden. Experten haben Jahrhunderte damit verbracht, zu dokumentieren, wie ein Stil der Drapierung von Griechenland nach Indien reisen könnte oder wie das Konzept einer Pyramide unabhängig voneinander in Ägypten und Amerika entstehen konnte. Diese Verbindungen sind nicht immer offensichtlich; sie sind oft unter tausenden von Jahren des Wandels verborgen, versteckt in den subtilen Details von Ornamentik, Form und Material. Für einen Menschen erfordert das Erkennen dieser tiefen historischen Zusammenhänge jahrelange Studien und den Zugang zu riesigen Bibliotheken von Aufzeichnungen. Aber was wäre, wenn eine Maschine, die auf der gesamten visuellen Geschichte des Internets trainiert wurde, dieselben Verbindungen sehen könnte, ohne jemals ein Geschichtsbuch gelesen zu haben? Diese Frage steht an der Schnittstelle zwischen künstlicher Intelligenz und Kulturwissenschaft und fragt, ob die mathematischen Muster, die in Computer-Vision-Systemen verborgen sind, zufällig die Art und Weise widerspiegeln, wie menschliche Experten die Entwicklung der Kunst verstehen.

Ein Team von Forschern setzte sich zum Ziel, diese Idee auf globaler Ebene zu testen, indem es über den üblichen Fokus auf westliche Kunst hinausging und Traditionen von fünf Kontinenten über fünftausend Jahre hinweg einbezog. Sie sammelten eine massive Sammlung von Bildern, die fünfundfünfzig verschiedene kulturelle Einheiten repräsentierten, die von der antiken Mittelmeerregion bis hin zu indigenen ozeanischen Abstammungslinien reichten. Um einen zuverlässigen Vergleichsmaßstab zu schaffen, rekrutierten sie zehn Blinde Experten – Spezialisten für Kunstgeschichte, Archäologie und Museumswissenschaften –, die bewerten sollten, wie eng miteinander verwandt jedes mögliche Paar dieser Kulturgruppen war. Die Experten suchten nicht nach einfacher visueller Ähnlichkeit, wie etwa zwei Gemälde, die beide die Farbe Blau verwenden. Stattdessen wurden sie gebeten, die historische Verwandtschaft basierend auf dokumentierten Belegen für kulturellen Kontakt und geteilten visuellen Traditionen zu beurteilen. Das Ergebnis war eine detaillierte Karte menschlicher Urteilskraft, ein Konsens darüber, welche Kulturen historisch miteinander verknüpft sind und welche nicht, der über eintausenddreihundert Vergleichspaare abdeckte.

Die Forscher wandten sich dann sechs verschiedenen großen Vision-Modellen zu, jener Art von KI-Systemen, die heute Bilderkennungs- und Generierungswerkzeuge antreiben. Diese Modelle waren auf Milliarden von Bildern aus dem Internet trainiert worden und hatten gelernt, visuelle Informationen in mathematische Räume zu komprimieren, in denen ähnliche Bilder nah beieinander liegen und unterschiedliche weit voneinander entfernt sind. Das Team maß die Distanz zwischen den fünfundfünfzig kulturellen Gruppen innerhalb dieser digitalen Räume. Wenn die Maschinen nichts über Kunstgeschichte gelernt hätten, wären die Abstände zwischen diesen Gruppen zufällig. Wenn sie jedoch gelernt hätten, menschliche Experten nachzuahmen, sollten die Gruppen, die die Experten als historisch verbunden bezeichneten, in der Vorstellung der Maschine näher beieander liegen als Gruppen, die nicht verwandt waren.

Die Ergebnisse zeigten eine bemerkenswerte Übereinstimmung. Über alle sechs verschiedenen Arten der getesteten Modelle für künstliche Intelligenz hinweg entsprach der mathematische Abstand zwischen den Kulturgruppen konsistent den Urteilen der menschlichen Experten. Wenn Experten sagten, dass zwei Traditionen historisch miteinander verbunden seien, platzierten die Modelle sie näher zusammen. Wenn Experten sagten, dass sie nicht verwandt seien, platzierten die Modelle sie weiter auseinander. Dieses Muster blieb auch dann bestehen, wenn die Forscher die Geografie kontrollierten, um sicherzustellen, dass die Verbindung nicht einfach darauf beruhte, dass zwei Kulturen zufällig in der Nähe beieinander lebten. Das Signal war stark genug, um selbst zwischen Kulturen detektiert zu werden, die durch weite Ozeane getrennt waren, wie etwa die antike griechische Tradition und die buddhistische Kunst von Gandhara, ein klassisches Beispiel für kulturellen Einfluss, der tausende Kilometer zurücklegte.

Die Studie behauptete nicht, dass diese Maschinen ein bewusstes Verständnis von Geschichte besitzen oder dass sie menschliche Gelehrte ersetzen können. Die Forscher wiesen sorgfältig darauf hin, dass die von den Modellen gefundenen Muster wahrscheinlich die statistischen Regelmäßigkeiten widerspiegeln, die in den Bildern vorhanden sind, mit denen sie trainiert wurden, welche wiederum dadurch geformt wurden, wie Museen und Archive Kunst über Jahrhunderte hinweg gesammelt und kategorisiert haben. Die Modelle lernten keine Kunstgeschichte in einem Klassenzimmer; sie lernten die visuellen Fingerabdrücke kulturellen Kontakts, weil diese Fingerabdrücke in den Daten eingebettet sind, die sie konsumiert haben. Die Tatsache jedoch, dass sechs verschiedene Architekturen, die mit unterschiedlichen Zielen trainiert wurden, alle zum selben Schluss kamen, deutet darauf hin, dass der visuelle Beweis für kulturelle Übertragung robust und detektierbar ist. Es deutet darauf hin, dass die im Internet verfügbare visuelle Aufzeichnung, trotz ihrer Verzerrungen und Lücken, eine kohärente Struktur enthält, die die Beziehungen widerspiegelt, die durch die jahrhundertelange menschliche Gelehrsamkeit dokumentiert wurden.

Um sicherzustellen, dass die Ergebnisse kein Artefakt der spezifisch gewählten Bilder waren, führten die Forscher auch eine Wahrnehmungsprüfung mit viertausendfünfhundert Teilnehmern aus zwölf verschiedenen Ländern durch. Sie baten gewöhnliche Menschen ohne kunsthistorische Ausbildung, zwischen breiten Kategorien visueller Stile zu unterscheiden. Die Teilnehmer waren in der Lage, die Kategorien voneinander zu unterscheiden, was bestätigte, dass die verwendeten visuellen Unterschiede real und für das menschliche Auge wahrnehmbar waren. Dies fügte eine Ebene der Validierung hinzu und zeigte, dass die von den Maschinen gefundenen Muster nicht bloß mathematische Eigenheiten waren, sondern mit etwas Visuell-Distinktem in der realen Welt korrespondierten.

Die Forschung hob auch die Grenzen der Daten selbst hervor. Die Art und Weise, wie die fünfundfünfzig kulturellen Einheiten definiert wurden, spiegelte die ungleiche Geschichte der Kunstgeschichte als Disziplin wider, wobei europäische Traditionen in viele feine Kategorien unterteilt wurden, während andere Regionen, wie Teile Afrikas und Amerikas, in breitere, weniger detaillierte Einheiten gruppiert wurden. Die Forscher erkannten an, dass diese strukturelle Verzerrung in den Daten das Ergebnis wahrscheinlich beeinflusst hat, und forderten für zukünftige Arbeiten die Einbeziehung indigener und nicht-westlicher Kollaborateure, um gerechtere Rahmenbedingungen zu schaffen. Dennoch blieb der Kernbefund stabil: Die visuellen Distanzen, die durch diese leistungsstarken Systeme der künstlichen Intelligenz berechnet wurden, stimmen signifikant mit der von Experten kodierten historischen Verwandtschaft überein.

Diese Arbeit bietet eine neue Sichtweise auf die globale Geschichte der Kunst. Sie legt nahe, dass die riesige, ungeordnete Sammlung von Bildern im Internet, wenn sie durch moderne künstliche Intelligenz verarbeitet wird, dieselben tiefen strukturellen Verbindungen offenbaren kann, die menschliche Experten über Jahrhunderte hinweg aufgedeckt haben. Sie ersetzt nicht die Notwendigkeit der menschlichen Interpretation oder des sorgfältigen Studiums historischer Aufzeichnungen, aber sie stellt ein mächtiges Werkzeug dar, um Muster über Skalen hinweg zu erkennen, die manuell schwer zu kartieren wären. Die Studie bestätigt, dass die visuelle Sprache der menschlichen Kultur, mit all ihren Migrationen, Austauschprognosen und unabhängigen Erfindungen, eine statistische Signatur hinterlässt, die selbst eine auf das Internet trainierte Maschine lesen kann.