AI Video generators for reconstructing the past
1. Einleitung
Die Rekonstruktion der Vergangenheit ist eine komplexe Aufgabe. Dazu müssen verschiedene Quellen herangezogen, kritisch geprüft und in einen übergeordneten Zusammenhang gestellt werden. Historische Dokumente, Fotografien, mündliche Überlieferungen und archäologische Funde liefern meist nur bruchstückhafte Informationen. Erst durch ihre Kombination und sorgfältige Interpretation entsteht ein annähernd vollständiges Bild. Jede historische Rekonstruktion bleibt daher immer auch ein Akt der Deutung.
Vor diesem Hintergrund wirkt die jüngste Verbreitung generativer KI-Modelle besonders faszinierend. Sie stellt Werkzeuge bereit, mit denen sich Szenen aus scheinbar vergangenen Epochen in bewegten Bildern visualisieren lassen – und das in einer Leichtigkeit und Geschwindigkeit, die zuvor kaum denkbar war. Durch die Eingabe von Textbefehlen oder die Kombination mit Bildvorlagen können komplexe Abläufe generiert und historisch wirkende Bilder erzeugt werden.
Gleichzeitig stellt sich die Frage, inwieweit diese Technologien tatsächlich zur Rekonstruktion der Vergangenheit beitragen. Können die erzeugten Sequenzen historische Ereignisse darstellen, oder handelt es sich hauptsächlich um im Bestenfall ästhetisch überzeugende, aber inhaltlich unbelegte Simulationen?
Aus dieser Fragestellung ergibt sich die zentrale Forschungsfrage dieser Arbeit: Können generative Video-Generatoren als Werkzeuge zur Rekonstruktion der Vergangenheit genutzt werden? Die Beantwortung erfordert eine kritische Analyse sowohl der technischen Grundlagen dieser Verfahren als auch ihrer ethischen Implikationen. Ziel ist es, die Potenziale und Grenzen generativer Videoerzeugung in der historischen Darstellung zu untersuchen und zu bewerten.
2. Video-Generationsmodelle als Weltsimulatoren?
Um die Forschungsfrage einordnen zu können, ist es zunächst wichtig, die Funktionsweise moderner Videogeneratoren und die zugrunde liegenden Konzepte zu verstehen. In dem technischen Bericht “Video Generation Models as World Simulators“ von OpenAI, einem führenden Unternehmen auf dem Gebiet der generativen künstlichen Intelligenz, wird betont, dass KI-Modelle für die Erstellung realistischer Videos weit mehr leisten müssen als die bloße Generierung einzelner Bilder. OpenAI formuliert dies folgendermaßen:
„Die fortgesetzte Skalierung von Videomodellen ist ein vielversprechender Weg zur Entwicklung leistungsfähiger Simulatoren der physischen und digitalen Welt – einschließlich der darin existierenden Objekte, Tiere und Menschen.“ (übersetzt aus dem Englischen, Q1)
Tatsächlich benötigen Videogeneratoren ein grundlegendes Verständnis von Raum und Zeit. Sie müssen erkennen, wie sich Objekte typischerweise in einem Video verhalten, Bewegungen flüssig darstellen und Veränderungen innerhalb einer Szene korrekt darstellen – es wird ein temporales Wissen benötigt. Zusätzlich muss der Generator einschätzen, wo sich ein Objekt oder Subjekt relativ zur Kamera und zur Umgebung befindet, also über räumliches Wissen verfügen. Nur durch den Einsatz dieses Wissens können neue Videos konsistent und realistisch erzeugt werden.
Gleichzeitig ergeben sich bei der praktischen Umsetzung erhebliche Schwierigkeiten. Viele davon sind bereits aus der Bildgeneration bekannt und übertragen sich auf die komplexere Domäne der Videogenerierung. Trotz deutlicher Fortschritte leiden Videogeneratoren unter visuellen Artefakten, inkonsistenten Details und unrealistischen Darstellungen. Während diese Probleme bereits bei der Generation von einzelnen Bildern auftreten, verschärfen sie sich im Kontext von Videos, da ein Video aus einer Abfolge vieler Frames besteht, die nicht nur einzeln plausibel sein müssen, sondern auch in ihrer zeitlichen Abfolge kohärent wirken müssen.
Hier treten zusätzliche Herausforderungen auf, wie etwa die Sicherstellung temporaler Kohärenz, die korrekte Prognose von Bewegungsabläufen sowie die Wahrung räumlicher Konsistenz über mehrere Frames hinweg. Der Generator muss also in der Lage sein, zu verstehen, wie sich Objekte im Raum bewegen, zueinander verhalten und wie Szenen zeitlich ablaufen.
Um diese Anforderungen zu erfüllen, benötigt die KI ein großes Maß an Filmwissen. Um besser zu verstehen, wie Videogeneratoren dieses Wissen entwickeln, lohnt sich ein Blick auf die zugrunde liegenden Modelle und Trainingsverfahren.
3. Einblick in die Technik: Wie Videomodelle arbeiten
In der Abbildung oben ist der typische Trainings- und Generierungsprozess eines KI-gestützten Videogenerationsmodells dargestellt. Sie veranschaulicht am Beispiel von Sora, der Videogenerations-KI von OpenAI, ein Vorgehen, das stellvertretend für viele aktuelle Ansätze steht.
Der Prozess beginnt mit der Eingabe eines Videos, etwa einer Aufnahme eines Schmetterlings im Flug. Dieses Material wird zunächst durch einen visuellen Encoder verarbeitet – ein neuronales Netzwerk, das Bildinformationen stark komprimiert. Dabei reduziert sich die Detailfülle des Ausgangsmaterials, vergleichbar mit einem Filter, der nur die wichtigsten Strukturen beibehält. Gleichzeitig sinkt die Anzahl der Frames pro Sekunde. Das Ergebnis ist eine abstrahierte Darstellung der Bewegung im sogenannten latenten Raum. In schematischer Darstellung erscheint dieser latente Raum als eine große Box, die aus vielen kleineren, hochdimensionalen Kästchen (Latent‑Vektoren) zusammengesetzt ist – jedes dieser Kästchen kodiert ein Merkmal.
Im nächsten Schritt wird dieser latente Raum in zahlreiche kleine Abschnitte zerlegt, sogenannte spatiotemporale Patches oder Tokens. Diese repräsentieren bestimmte räumliche und zeitliche Ausschnitte des Videos und lassen sich mit Wörtern in einem Satz vergleichen: Jeder Token trägt semantische Informationen über einen begrenzten Teil der Sequenz.
Auf Grundlage dieser Tokens erzeugt das Modell anschließend neue Frames, indem es vorhersagt, wie das nächste Bild aussehen müsste. Dabei greift es auf Muster zurück, die es zuvor in großen Mengen an Trainingsvideos gelernt hat – etwa typische Bewegungsabläufe, Lichtverhältnisse oder das Verhalten von Objekten.
Die eigentliche Bildgeneration erfolgt mithilfe eines Diffusionsmodells. Das System startet mit einem Bild aus reinem Zufallsrauschen und entfernt dieses schrittweise. In jedem Iterationsschritt treten Strukturen, Formen und Details klarer hervor, bis schließlich ein konsistentes Bild entsteht.
Für Videos wird dieses Verfahren um eine entscheidende Dimension erweitert: die zeitliche Kohärenz. Während bei Einzelbildern allein interne Stimmigkeit zählt, muss ein Video sicherstellen, dass die gesamte Abfolge logisch und flüssig wirkt. Bewegungen dürfen nicht abrupt erscheinen, Gesichter und Objekte müssen über mehrere Frames hinweg stabil bleiben, und auch Licht oder Perspektiven sollen eine durchgängige Kontinuität aufweisen. Die besondere Herausforderung liegt also darin, nicht nur überzeugende Einzelbilder zu erzeugen, sondern zugleich die Illusion kontinuierlicher Bewegung zu schaffen.
Die Qualität der Ergebnisse hängt maßgeblich von zwei Faktoren ab: dem Umfang und der Vielfalt der Trainingsdaten sowie der verfügbaren Rechenleistung. Je größer und vielfältiger das Material, desto besser kann das Modell komplexe Bewegungen, feine Details und realistische Texturen abbilden. Mit steigender Rechenkapazität lassen sich zudem mehr Iterationsschritte durchführen – was zu schärferen und flüssigeren Sequenzen führt.
Durch den Einsatz all dieser Methoden ist es möglich, Videos von bis zu einer Minute Länge allein aus einfachen Textbeschreibungen zu erstellen. Bestehende Videos können dabei nicht nur animiert oder erweitert, sondern auch in ihrer Länge angepasst oder neu interpretiert werden. Zudem lässt sich aus einem einzelnen Bild ein vollständiges Video generieren, wodurch eine einzelne Bildquelle in eine fortlaufende Sequenz verwandelt werden kann.
Dabei können unterschiedliche Auflösungen und Formate verwendet werden, einschließlich vertikaler oder quadratischer Videos, um den Anforderungen verschiedener Plattformen gerecht zu werden. Mehrere Videos lassen sich zu einem einzigen zusammenführen, und bestehende Sequenzen können sowohl zeitlich nach vorne als auch nach hinten erweitert werden. (nach Q1)
Auf diese Weise kann die KI zumindest in einem sehr kurzen Zeitraum abschätzen, was vor einem bestimmten Bild entstanden sein könnte. Schwieriger wird es jedoch, wenn Videos generiert werden sollen, die außerhalb des vorhandenen Videomaterials liegen oder historische Szenen darstellen, für die keine oder wenige Filmerreferenzen existieren.
4. Herausforderungen für die Rekonstruktion der Vergangenheit
Die Rekonstruktion der Vergangenheit ist eine komplexe Aufgabe. Dazu müssen verschiedene Quellen herangezogen, kritisch geprüft und in einen übergeordneten Zusammenhang gestellt werden. Historische Dokumente, Fotografien, mündliche Überlieferungen und archäologische Funde liefern meist nur bruchstückhafte Informationen. Erst durch ihre Kombination und sorgfältige Interpretation entsteht ein annähernd vollständiges Bild. Jede historische Rekonstruktion bleibt daher immer auch ein Akt der Deutung.
Vor diesem Hintergrund wirkt die jüngste Verbreitung generativer KI-Modelle besonders faszinierend. Sie stellt Werkzeuge bereit, mit denen sich Szenen aus scheinbar vergangenen Epochen in bewegten Bildern visualisieren lassen – und das in einer Leichtigkeit und Geschwindigkeit, die zuvor kaum denkbar war. Durch die Eingabe von Textbefehlen oder die Kombination mit Bildvorlagen können komplexe Abläufe generiert und historisch wirkende Bilder erzeugt werden.
Gleichzeitig stellt sich die Frage, inwieweit diese Technologien tatsächlich zur Rekonstruktion der Vergangenheit beitragen. Können die erzeugten Sequenzen historische Ereignisse darstellen, oder handelt es sich hauptsächlich um im Bestenfall ästhetisch überzeugende, aber inhaltlich unbelegte Simulationen?
Aus dieser Fragestellung ergibt sich die zentrale Forschungsfrage dieser Arbeit: Können generative Video-Generatoren als Werkzeuge zur Rekonstruktion der Vergangenheit genutzt werden? Die Beantwortung erfordert eine kritische Analyse sowohl der technischen Grundlagen dieser Verfahren als auch ihrer ethischen Implikationen. Ziel ist es, die Potenziale und Grenzen generativer Videoerzeugung in der historischen Darstellung zu untersuchen und zu bewerten.
2. Video-Generationsmodelle als Weltsimulatoren?
Um die Forschungsfrage einordnen zu können, ist es zunächst wichtig, die Funktionsweise moderner Videogeneratoren und die zugrunde liegenden Konzepte zu verstehen. In dem technischen Bericht “Video Generation Models as World Simulators“ von OpenAI, einem führenden Unternehmen auf dem Gebiet der generativen künstlichen Intelligenz, wird betont, dass KI-Modelle für die Erstellung realistischer Videos weit mehr leisten müssen als die bloße Generierung einzelner Bilder. OpenAI formuliert dies folgendermaßen:
„Die fortgesetzte Skalierung von Videomodellen ist ein vielversprechender Weg zur Entwicklung leistungsfähiger Simulatoren der physischen und digitalen Welt – einschließlich der darin existierenden Objekte, Tiere und Menschen.“ (übersetzt aus dem Englischen, Q1)
Tatsächlich benötigen Videogeneratoren ein grundlegendes Verständnis von Raum und Zeit. Sie müssen erkennen, wie sich Objekte typischerweise in einem Video verhalten, Bewegungen flüssig darstellen und Veränderungen innerhalb einer Szene korrekt darstellen – es wird ein temporales Wissen benötigt. Zusätzlich muss der Generator einschätzen, wo sich ein Objekt oder Subjekt relativ zur Kamera und zur Umgebung befindet, also über räumliches Wissen verfügen. Nur durch den Einsatz dieses Wissens können neue Videos konsistent und realistisch erzeugt werden.
Gleichzeitig ergeben sich bei der praktischen Umsetzung erhebliche Schwierigkeiten. Viele davon sind bereits aus der Bildgeneration bekannt und übertragen sich auf die komplexere Domäne der Videogenerierung. Trotz deutlicher Fortschritte leiden Videogeneratoren unter visuellen Artefakten, inkonsistenten Details und unrealistischen Darstellungen. Während diese Probleme bereits bei der Generation von einzelnen Bildern auftreten, verschärfen sie sich im Kontext von Videos, da ein Video aus einer Abfolge vieler Frames besteht, die nicht nur einzeln plausibel sein müssen, sondern auch in ihrer zeitlichen Abfolge kohärent wirken müssen.
Hier treten zusätzliche Herausforderungen auf, wie etwa die Sicherstellung temporaler Kohärenz, die korrekte Prognose von Bewegungsabläufen sowie die Wahrung räumlicher Konsistenz über mehrere Frames hinweg. Der Generator muss also in der Lage sein, zu verstehen, wie sich Objekte im Raum bewegen, zueinander verhalten und wie Szenen zeitlich ablaufen.
Um diese Anforderungen zu erfüllen, benötigt die KI ein großes Maß an Filmwissen. Um besser zu verstehen, wie Videogeneratoren dieses Wissen entwickeln, lohnt sich ein Blick auf die zugrunde liegenden Modelle und Trainingsverfahren.
3. Einblick in die Technik: Wie Videomodelle arbeiten
In der Abbildung oben ist der typische Trainings- und Generierungsprozess eines KI-gestützten Videogenerationsmodells dargestellt. Sie veranschaulicht am Beispiel von Sora, der Videogenerations-KI von OpenAI, ein Vorgehen, das stellvertretend für viele aktuelle Ansätze steht.
Der Prozess beginnt mit der Eingabe eines Videos, etwa einer Aufnahme eines Schmetterlings im Flug. Dieses Material wird zunächst durch einen visuellen Encoder verarbeitet – ein neuronales Netzwerk, das Bildinformationen stark komprimiert. Dabei reduziert sich die Detailfülle des Ausgangsmaterials, vergleichbar mit einem Filter, der nur die wichtigsten Strukturen beibehält. Gleichzeitig sinkt die Anzahl der Frames pro Sekunde. Das Ergebnis ist eine abstrahierte Darstellung der Bewegung im sogenannten latenten Raum. In schematischer Darstellung erscheint dieser latente Raum als eine große Box, die aus vielen kleineren, hochdimensionalen Kästchen (Latent‑Vektoren) zusammengesetzt ist – jedes dieser Kästchen kodiert ein Merkmal.
Im nächsten Schritt wird dieser latente Raum in zahlreiche kleine Abschnitte zerlegt, sogenannte spatiotemporale Patches oder Tokens. Diese repräsentieren bestimmte räumliche und zeitliche Ausschnitte des Videos und lassen sich mit Wörtern in einem Satz vergleichen: Jeder Token trägt semantische Informationen über einen begrenzten Teil der Sequenz.
Auf Grundlage dieser Tokens erzeugt das Modell anschließend neue Frames, indem es vorhersagt, wie das nächste Bild aussehen müsste. Dabei greift es auf Muster zurück, die es zuvor in großen Mengen an Trainingsvideos gelernt hat – etwa typische Bewegungsabläufe, Lichtverhältnisse oder das Verhalten von Objekten.
Die eigentliche Bildgeneration erfolgt mithilfe eines Diffusionsmodells. Das System startet mit einem Bild aus reinem Zufallsrauschen und entfernt dieses schrittweise. In jedem Iterationsschritt treten Strukturen, Formen und Details klarer hervor, bis schließlich ein konsistentes Bild entsteht.
Für Videos wird dieses Verfahren um eine entscheidende Dimension erweitert: die zeitliche Kohärenz. Während bei Einzelbildern allein interne Stimmigkeit zählt, muss ein Video sicherstellen, dass die gesamte Abfolge logisch und flüssig wirkt. Bewegungen dürfen nicht abrupt erscheinen, Gesichter und Objekte müssen über mehrere Frames hinweg stabil bleiben, und auch Licht oder Perspektiven sollen eine durchgängige Kontinuität aufweisen. Die besondere Herausforderung liegt also darin, nicht nur überzeugende Einzelbilder zu erzeugen, sondern zugleich die Illusion kontinuierlicher Bewegung zu schaffen.
Die Qualität der Ergebnisse hängt maßgeblich von zwei Faktoren ab: dem Umfang und der Vielfalt der Trainingsdaten sowie der verfügbaren Rechenleistung. Je größer und vielfältiger das Material, desto besser kann das Modell komplexe Bewegungen, feine Details und realistische Texturen abbilden. Mit steigender Rechenkapazität lassen sich zudem mehr Iterationsschritte durchführen – was zu schärferen und flüssigeren Sequenzen führt.
Durch den Einsatz all dieser Methoden ist es möglich, Videos von bis zu einer Minute Länge allein aus einfachen Textbeschreibungen zu erstellen. Bestehende Videos können dabei nicht nur animiert oder erweitert, sondern auch in ihrer Länge angepasst oder neu interpretiert werden. Zudem lässt sich aus einem einzelnen Bild ein vollständiges Video generieren, wodurch eine einzelne Bildquelle in eine fortlaufende Sequenz verwandelt werden kann.
Dabei können unterschiedliche Auflösungen und Formate verwendet werden, einschließlich vertikaler oder quadratischer Videos, um den Anforderungen verschiedener Plattformen gerecht zu werden. Mehrere Videos lassen sich zu einem einzigen zusammenführen, und bestehende Sequenzen können sowohl zeitlich nach vorne als auch nach hinten erweitert werden. (nach Q1)
Auf diese Weise kann die KI zumindest in einem sehr kurzen Zeitraum abschätzen, was vor einem bestimmten Bild entstanden sein könnte. Schwieriger wird es jedoch, wenn Videos generiert werden sollen, die außerhalb des vorhandenen Videomaterials liegen oder historische Szenen darstellen, für die keine oder wenige Filmerreferenzen existieren.
4. Herausforderungen für die Rekonstruktion der Vergangenheit
Dieses grundlegende Problem wird besonders deutlich, wenn man weiter in die Vergangenheit zurückblickt. Ein zentraler begrenzender Faktor ist die Verfügbarkeit geeigneten Materials. Während die letzten Jahrzehnte dank zahlreicher Filme, Dokumentationen und Webvideos gut dokumentiert sind, existieren für frühere Epochen praktisch keine Videoaufnahmen. Ein videobasiertes System stößt hier zwangsläufig an seine Grenzen, da es ohne Referenzmaterial weder authentische Bewegungsabläufe noch realistische räumliche Szenen rekonstruieren kann.
Die Entwicklung des Filmvolumens verdeutlicht diese Diskrepanz: Seit der Jahrtausendwende ist die Zahl produzierter Filme und Webvideos exponentiell gestiegen. KI-Modelle verfügen daher für jüngere Jahrzehnte über ein reichhaltiges Datenfundament, während ältere Zeiträume unter extremer Datenknappheit leiden. Dies wirkt sich direkt auf die Qualität und Detailtreue der generierten Videos aus, da die KI nur das zuverlässig generieren kann, wofür ausreichend Referenzen vorliegen.Erschwerend kommen urheberrechtliche Einschränkungen und systemische Verzerrungen der Quellen hinzu.
Außerdem übernehmen Modelle unweigerlich die Perspektiven, kulturelle Narrative und Vorurteile, die in den vorhandenen Daten enthalten sind. KI-generierte Videos sind daher niemals neutral. Statt eine objektive Rekonstruktion der Vergangenheit zu liefern, können KI‑Video‑Generatoren bestehende Trends, Klischees und stereotype Darstellungen aus filmisch geprägten Bildwelten verstärken.
Letztlich extrapoliert die KI ausschließlich aus ihrem Trainingsmaterial. Szenen, die historisch wirken sollen, entstehen durch die Kombination und stilistische Anpassung bekannter filmischer Darstellungen. Eine scheinbare „Rekonstruktion“ von Geschichte ist somit in erster Linie eine visuelle Interpretation – basierend auf den in den Trainingsdaten vorhandenen Darstellungsmustern und den am häufigsten produzierten Quellen.
Die Entwicklung des Filmvolumens verdeutlicht diese Diskrepanz: Seit der Jahrtausendwende ist die Zahl produzierter Filme und Webvideos exponentiell gestiegen. KI-Modelle verfügen daher für jüngere Jahrzehnte über ein reichhaltiges Datenfundament, während ältere Zeiträume unter extremer Datenknappheit leiden. Dies wirkt sich direkt auf die Qualität und Detailtreue der generierten Videos aus, da die KI nur das zuverlässig generieren kann, wofür ausreichend Referenzen vorliegen.Erschwerend kommen urheberrechtliche Einschränkungen und systemische Verzerrungen der Quellen hinzu.
Außerdem übernehmen Modelle unweigerlich die Perspektiven, kulturelle Narrative und Vorurteile, die in den vorhandenen Daten enthalten sind. KI-generierte Videos sind daher niemals neutral. Statt eine objektive Rekonstruktion der Vergangenheit zu liefern, können KI‑Video‑Generatoren bestehende Trends, Klischees und stereotype Darstellungen aus filmisch geprägten Bildwelten verstärken.
Letztlich extrapoliert die KI ausschließlich aus ihrem Trainingsmaterial. Szenen, die historisch wirken sollen, entstehen durch die Kombination und stilistische Anpassung bekannter filmischer Darstellungen. Eine scheinbare „Rekonstruktion“ von Geschichte ist somit in erster Linie eine visuelle Interpretation – basierend auf den in den Trainingsdaten vorhandenen Darstellungsmustern und den am häufigsten produzierten Quellen.
5. Fallbeispiel: Der historische Goldrausch zwischen Realität und Klischee
Doch was passiert, wenn versucht wird, etwas visuell nachzubilden, das in den Trainingsdaten gar nicht vorhanden ist? In solchen Fällen kann das Modell nicht auf echte Videoaufnahmen zurückgreifen, sondern muss den fehlenden Kontext durch generative Synthese erschaffen. Ein anschauliches Beispiel dafür liefert das 2024 von OpenAI veröffentlichte Werbevideo, das die Leistungsfähigkeit von Sora demonstrieren sollte. Der dafür verwendete Prompt lautete – aus dem Englischen übersetzt : „Historische Aufnahmen von Kalifornien während des Goldrauschs“ (VQ1).
Von dieser Epoche existieren jedoch so gut wie keine authentischen Filmaufnahmen. Das Modell kann daher kein reales Bewegtbildmaterial „zitieren“. Stattdessen erzeugt es eine künstliche Rekonstruktion, indem es visuelle Muster, stilistische Elemente und ikonografische Motive kombiniert, die es im Training mit Begriffen wie „historisches Filmmaterial“, „Kalifornien“ und „Goldrausch“ verknüpft hat.
Aus dieser Mischung entsteht eine für den Generator typische Westernsiedlung. Dabei erzeugt er eine Drohnenaufnahme eines lang gestreckten Straßenzugs, in dessen Zentrum sich ein Bach schlängelt, umgeben von hölzernen Gebäuden im Frontier-Stil, eingerahmt von fernen Bergketten und belebt durch Reiter, Fußgänger sowie vereinzelt auftretendes Vieh.
Doch was passiert, wenn versucht wird, etwas visuell nachzubilden, das in den Trainingsdaten gar nicht vorhanden ist? In solchen Fällen kann das Modell nicht auf echte Videoaufnahmen zurückgreifen, sondern muss den fehlenden Kontext durch generative Synthese erschaffen. Ein anschauliches Beispiel dafür liefert das 2024 von OpenAI veröffentlichte Werbevideo, das die Leistungsfähigkeit von Sora demonstrieren sollte. Der dafür verwendete Prompt lautete – aus dem Englischen übersetzt : „Historische Aufnahmen von Kalifornien während des Goldrauschs“ (VQ1).
Von dieser Epoche existieren jedoch so gut wie keine authentischen Filmaufnahmen. Das Modell kann daher kein reales Bewegtbildmaterial „zitieren“. Stattdessen erzeugt es eine künstliche Rekonstruktion, indem es visuelle Muster, stilistische Elemente und ikonografische Motive kombiniert, die es im Training mit Begriffen wie „historisches Filmmaterial“, „Kalifornien“ und „Goldrausch“ verknüpft hat.
Aus dieser Mischung entsteht eine für den Generator typische Westernsiedlung. Dabei erzeugt er eine Drohnenaufnahme eines lang gestreckten Straßenzugs, in dessen Zentrum sich ein Bach schlängelt, umgeben von hölzernen Gebäuden im Frontier-Stil, eingerahmt von fernen Bergketten und belebt durch Reiter, Fußgänger sowie vereinzelt auftretendes Vieh.
Abbildung 4: Screenshot Open-Ai-Video Kalifornien während des Goldrauschs
Bei oberflächlicher Betrachtung könnten die Sequenzen in sich schlüssig wirken. Eine genauere Analyse offenbart jedoch zahlreiche Unstimmigkeiten, die den generativen Ursprung verraten. Besonders auffällig ist die teilweise mangelnde Konsistenz zwischen den einzelnen Frames: Objekte verändern sich abrupt, ohne narrativen oder logischen Grund. Vor allem bei Tieren wie Pferden oder Rindern schwankt die Zahl der Beine zwischen zwei und vier. Solche Inkonsistenzen sind typisch für den aktuellen Entwicklungsstand generativer Modelle. Sie resultieren daraus, dass die KI bislang nicht genügend Beobachtungen von Lebewesen in Bewegung verarbeitet hat und die kontinuierliche Darstellung verdeckter Gliedmaßen von Pferden besonders schwierig zu generieren ist.
Trotz dieser Fehler wirkt die dargestellte Stadt auf den ersten Blick plausibel. Straßenzüge, Holzbauten und belebte Szenen erzeugen den Eindruck einer historisch gewachsenen Siedlung. Eine genauere Betrachtung der Architektur zeigt jedoch, dass die visuelle Logik weniger auf real-historischen Referenzen beruht als vielmehr auf ästhetischen Mustern, die aus filmischen Inszenierungen abgeleitet sind. Auf einzelnen Frames wird deutlich, dass es sich nicht um eine authentische Stadtstruktur handelt, sondern um eine Kulissenlandschaft, wie sie aus der Filmproduktion bekannt ist: Fassaden und vereinfachte Modellbauten ersetzen dauerhaft nutzbare Konstruktionen.
Die KI orientiert sich erkennbar nicht an dokumentarischen Quellen, sondern an visuellen Schemata, die sie aus klassischen Westernproduktionen gelernt hat. Dazu gehören einerseits Kulissenbauten , Modellstädte und Minaturmodelle wie sie im Studio errichtet wurden , andererseits aber auch die Erweiterung solcher Szenen durch Matte Paintings , mit denen Landschaften und Stadtpanoramen in den Filmen künstlich vergrößert wurden. Das Ergebnis ist daher weniger eine historische Rekonstruktion als vielmehr eine stilistische
Nachahmung filmischer Darstellungstraditionen.
Trotz dieser Fehler wirkt die dargestellte Stadt auf den ersten Blick plausibel. Straßenzüge, Holzbauten und belebte Szenen erzeugen den Eindruck einer historisch gewachsenen Siedlung. Eine genauere Betrachtung der Architektur zeigt jedoch, dass die visuelle Logik weniger auf real-historischen Referenzen beruht als vielmehr auf ästhetischen Mustern, die aus filmischen Inszenierungen abgeleitet sind. Auf einzelnen Frames wird deutlich, dass es sich nicht um eine authentische Stadtstruktur handelt, sondern um eine Kulissenlandschaft, wie sie aus der Filmproduktion bekannt ist: Fassaden und vereinfachte Modellbauten ersetzen dauerhaft nutzbare Konstruktionen.
Die KI orientiert sich erkennbar nicht an dokumentarischen Quellen, sondern an visuellen Schemata, die sie aus klassischen Westernproduktionen gelernt hat. Dazu gehören einerseits Kulissenbauten , Modellstädte und Minaturmodelle wie sie im Studio errichtet wurden , andererseits aber auch die Erweiterung solcher Szenen durch Matte Paintings , mit denen Landschaften und Stadtpanoramen in den Filmen künstlich vergrößert wurden. Das Ergebnis ist daher weniger eine historische Rekonstruktion als vielmehr eine stilistische
Nachahmung filmischer Darstellungstraditionen.
Um zu verdeutlichen, wie sich die von der KI erlernten Darstellungsprinzipien im Video manifestieren, habe ich das oben gezeigte Bild in verschiedene Bereiche unterteilt, die als visuelle Trennlinien interpretiert werden können. Der in Blau markierte Bereich zeigt den Himmel, dessen Detailtiefe sich deutlich vom Vordergrund mit den Häusern unterscheidet. Auffällig ist das Fehlen einer natürlichen atmosphärischen Tiefenwirkung, bei der weiter entfernte Objekte durch Lichtstreuung in der Atmosphäre heller, blasser und leicht bläulich erscheinen. Diese Form der Ambient Occlusion trägt in der realen Fotografie und im Film zu einem glaubwürdigen Raumeindruck bei, fehlt hier jedoch. Stattdessen erinnert die Gestaltung an klassische Western-Matte-Paintings, bei denen gemalte Hintergrundlandschaften in das Filmbild eingefügt wurden.
Der in Rot markierte Fluss wirkt ebenfalls unnatürlich in die Szene integriert, da sein hoher Detailgrad, die gleichmäßigen Reflexionen und der konstante Farbton nicht mit der Lichtstimmung der übrigen Bildelemente korrespondieren. Dies erinnert an die klassische Filmtechnik des optischen Compositings, bei der Bildelemente unterschiedlicher Herkunft kombiniert wurden. Wie in Westernproduktionen oft üblich, ist ein separat gefilmtes oder gemaltes Wasserelement in einer Studiokulissenaufnahme eingefügt worden. Dadurch entstehen Diskrepanzen in Schärfe, Farbtemperatur und Tiefenwirkung, die den Eindruck einer künstlich zusammengesetzten Szene verstärken.
Bei den Häusern im Vordergrund fällt ein stark gerichtetes Licht aus oben links auf, das die Fassaden gleichmäßig ausleuchtet und so eine homogene Lichtstimmung erzeugt. Allerdings fehlen die feinen Helligkeitsabstufungen und Sekundärschatten durch indirekte Lichtreflexionen, die in realen Außenaufnahmen für räumliche Tiefe und Plastizität sorgen. Hinzu kommen unlogische oder funktionsferne architektonische Details – etwa fehlende Zugänge, unrealistisch platzierte Fenster und der Mangel an Schornsteinen, die in einer real genutzten Siedlung unverzichtbar wären. Solche Inkonsistenzen sind typisch für zusammengesetzte Filmszenen, bei denen Kulissenelemente aus unterschiedlichen Produktionen oder Setbauten kombiniert werden, um eine größere, historisch wirkende Siedlungsstruktur zu suggerieren, ohne eine funktionale Logik zu erfüllen.
Dies zeigt, dass die KI nicht darauf abzielt, eine konsistente, dokumentarische Rekonstruktion zu erzeugen. Vielmehr bildet sie ästhetische und technische Charakteristika historischer Westernfilme nach – von künstlich komponierten Städten über matte-painting-ähnliche Hintergründe und künstlicher Beleuchtung.
Der in Rot markierte Fluss wirkt ebenfalls unnatürlich in die Szene integriert, da sein hoher Detailgrad, die gleichmäßigen Reflexionen und der konstante Farbton nicht mit der Lichtstimmung der übrigen Bildelemente korrespondieren. Dies erinnert an die klassische Filmtechnik des optischen Compositings, bei der Bildelemente unterschiedlicher Herkunft kombiniert wurden. Wie in Westernproduktionen oft üblich, ist ein separat gefilmtes oder gemaltes Wasserelement in einer Studiokulissenaufnahme eingefügt worden. Dadurch entstehen Diskrepanzen in Schärfe, Farbtemperatur und Tiefenwirkung, die den Eindruck einer künstlich zusammengesetzten Szene verstärken.
Bei den Häusern im Vordergrund fällt ein stark gerichtetes Licht aus oben links auf, das die Fassaden gleichmäßig ausleuchtet und so eine homogene Lichtstimmung erzeugt. Allerdings fehlen die feinen Helligkeitsabstufungen und Sekundärschatten durch indirekte Lichtreflexionen, die in realen Außenaufnahmen für räumliche Tiefe und Plastizität sorgen. Hinzu kommen unlogische oder funktionsferne architektonische Details – etwa fehlende Zugänge, unrealistisch platzierte Fenster und der Mangel an Schornsteinen, die in einer real genutzten Siedlung unverzichtbar wären. Solche Inkonsistenzen sind typisch für zusammengesetzte Filmszenen, bei denen Kulissenelemente aus unterschiedlichen Produktionen oder Setbauten kombiniert werden, um eine größere, historisch wirkende Siedlungsstruktur zu suggerieren, ohne eine funktionale Logik zu erfüllen.
Dies zeigt, dass die KI nicht darauf abzielt, eine konsistente, dokumentarische Rekonstruktion zu erzeugen. Vielmehr bildet sie ästhetische und technische Charakteristika historischer Westernfilme nach – von künstlich komponierten Städten über matte-painting-ähnliche Hintergründe und künstlicher Beleuchtung.
6.) Die Herausforderung der Quellenlage
Auch wenn die KI nicht ausschließlich auf alte Westernfilme zurückgreifen würde, bleibt eine historisch fundierte Rekonstruktion auf Grundlage eines Prompts wie „Historische Aufnahmen von Kalifornien während des Goldrauschs“ schwierig. Die Eingabe liefert lediglich eine vage zeitliche und geografische Orientierung, ohne einen konkreten Ort zu benennen. Hinzu kommt, dass aus der Kernzeit des California Gold Rush (1848–1852) kaum fotografische Aufnahmen existieren – die Fotografie befand sich damals noch in ihren Anfängen.
Die wenigen vergleichbaren Bildquellen stammen überwiegend aus späteren Jahrzehnten, wie etwa Fotografien der Stadt Bodie um 1880. Diese Aufnahmen dokumentieren zwar eine Goldgräberstadt, entstanden jedoch in einer Phase, in der der eigentliche Goldrausch bereits vorbei war. Sie spiegeln daher eher den Übergang zu einer gefestigten Minenstadt wider als die provisorische, improvisierte Bauweise der späten 1840er-Jahre.
Das heutige Bodie, wie auf der farbigen Aufnahme zu sehen, existiert nur noch als Geisterstadt und historisches Freilichtmuseum. Der Ort vermittelt zwar eine anschauliche Vorstellung von Holzbauweise, Gebäudeverteilung und landschaftlicher Lage, stellt jedoch eine konservierte Momentaufnahme im Verfall dar – weit entfernt von der damaligen Betriebsamkeit.
Diese Diskrepanz verdeutlicht die grundlegende Herausforderung: Eine Videogenerierungs-KI kann aufgrund der eingeschränkten historischen Bildbasis keine quellengestützten Rekonstruktionen liefern. Da sie im Kern darauf trainiert ist, Bewegungs- und Objektdynamiken aus vorhandenen Videodaten zu erlernen, bleibt ihr bestenfalls die Möglichkeit, fehlende Informationen zu interpolieren. Dabei greift sie zwangsläufig auf stilistische Muster aus ihrem Trainingsmaterial zurück – in diesem Fall stark geprägt von filmischen Western-Darstellungen.
Das Ergebnis ist somit weniger eine realistische historische Abbildung als vielmehr eine visuelle Fiktion, die sich historisierend präsentiert, in Wirklichkeit jedoch auf kulturellen Bildklischees beruht. Eine quellenbasierte Rekonstruktion historischer Szenen bleibt der KI damit verwehrt.
7. Stiltransfer und die Macht der Ästhetik
Eine Möglichkeit, dass die künstliche Intelligenz auch Artefakte aus der Vergangenheit wie Statuen oder Bilder nutzen kann, ist der Stiltransfer. Dabei werden die Eigenschaften einer Vorlage, zum Beispiel Linienführung, Strukturen, Farben oder Oberflächen, erkannt und auf neues Bild- oder Videomaterial übertragen. Im Gegensatz zum Prompting, das auf schriftliche Beschreibungen angewiesen ist, arbeitet der Stiltransfer direkt mit dem Bild einer Referenz und überträgt es auf eine bewegte Szene. Der Vorteil ist, dass dadurch Missverständnisse durch unklare Texte vermieden werden, denn selbst genau geschriebene Beschreibungen können bei einer Bildgenerierung leicht unterschiedlich verstanden werden.
Ein Beispiel für die Anwendung dieser Methode ist in den Abbildungen 12–13 dargestellt. Dabei wird die Büste des Julius Cäsar von Andrea di Pietro di Marco Ferrucci (ca. 1512–1514, siehe Q3) mithilfe von KI in eine realistisch animierte Figur umgewandelt, während im Hintergrund digital eine römische Armee ergänzt wird. Die KI analysiert die Statue, erkennt Konturen des Gesichts, die Textur des Marmors, Lichtreflexe sowie die Oberflächenbeschaffenheit und extrahiert diese Merkmale. Anschließend überträgt sie diese Eigenschaften auf eine reale, filmisch aufgenommene Schauspielerfigur. Deren Bewegungen und Mimik wurden aus zuvor gelernten filmischen Vorlagen abgeleitet, in denen die KI typische Verhaltensweisen und Bewegungsmuster von Darstellern vor der Kamera erlernt hat. Auf diese Weise entsteht aus einer starren Skulptur eine bewegte Darstellung, die den Eindruck von Lebendigkeit vermittelt und auf den ersten Blick der Skulptur sehr ähnlich erscheint. Besonders bei einer sanften Überblendung zwischen Statue und Animation wirkt dies sehr stimmig.
Bei genauerer Betrachtung fällt auf, dass zahlreiche Details subtil verändert wurden, sodass die Abweichungen vom Original zunächst kaum auffallen. So besitzt die Brosche auf Cäsars rechter Seite, die am Umhang befestigt ist, im Original eine florale Form, während sie in der KI-Variante sternförmig erscheint und in der Mitte ein nicht näher identifizierbares Detail trägt. Auch die Brustplatte wurde sichtbar verändert: Der im Original erkennbare Kopf mit Flügeln wurde zu einem unbestimmten goldenen Ornament, bei dem die Flügel nicht mehr erkennbar sind. Die linke Schnalle ist in der KI-Version stark vereinfacht und erscheint als schlichter Ledergürtel, während sie in der Statue noch die Darstellung einer Figur mit Speer zeigt.
Auch die Kopfform erfährt leichte Veränderungen: Der Kopf wirkt etwas runder, und die Haarfarbe wird als Weiß interpretiert. Diese stilisierte Darstellung orientiert sich vermutlich an modernen populärkulturellen Bildern Cäsars – etwa in „Asterix und Obelix“, wo Cäsar mit weißen Haaren dargestellt wird.
Belege für eine solche Darstellung konnte ich nicht finden; sie scheint vielmehr eine moderne Interpretation zu sein. Eine ausführliche Beschreibung von Gaius Iulius Cäsar liefert der römische Geschichtsschreiber Sueton. Er beschreibt Cäsar folgendermaßen:
Er war ein “Mann von hohem Wuchse, weißer Hautfarbe, wohlgerundet schlanken Gliedern, einem etwas vollen Gesicht, schwarzen lebhaften Augen und von guter Gesundheit, () In der Schönheitspflege des Körpers war er fast zu peinlich, so daß er sich nicht nur sorgfältig scheren und rasieren, sondern, wie ihm einige nachgesagt haben, sogar die einzelnen Haare am übrigen Körper ausrupfen ließ und sich über die eintretende Entstellung einer kahlen Glatze gar nicht zufriedengeben konnte.‘“ (Q4)
In der KI-generierten Animation ist eine solche Haarreduktion nicht erkennbar.
Dies ist jedoch nachvollziehbar, da die zur Generierung genutzte Büste selbst eine Interpretation ist, die erst rund 1550 Jahre nach Cäsars Lebzeiten entstand. Viele Details der Büste entstammen dem fein ornamentierten all’antica-Stil der florentinischen Skulpturentradition, der im 15. und frühen 16. Jahrhundert in Mode war (Q5).
Der Typus der Darstellung Cäsars orientiert sich jedoch offensichtlich am Chiaramonti-Typus, der im 1. Jahrhundert n. Chr. weit verbreitet war (Q4), während Suetons Beschreibung eher dem Tusculum-Typus, einem anderen Porträttypus Cäsars, entspricht (Q4).
Doch selbst antike Porträts wie der Chiaramonti- oder der Tusculum-Typus liefern kein exaktes Abbild der historischen Person. Sie sind stets auch Produkte politischer und gesellschaftlicher Kontexte. Herrscherbildnisse dienten der Selbstdarstellung und sollten bestimmte Tugenden – Würde, Stärke, Jugendlichkeit oder Autorität – vermitteln. Entsprechend wurden Züge idealisiert oder geglättet.
Eine KI, die sich ausschließlich auf die visuelle Umsetzung beschränkt, kann diese historischen Kontexte und die Spannungen zwischen Text- und Bildquellen nicht berücksichtigen. Sie übersetzt die idealisierte Formensprache der überlieferten Porträts lediglich in eine animierte Figur und erzeugt damit eher einen ästhetischen Effekt als eine historische Auseinandersetzung mit dem Abgebildeten.
8. Fazit: Illusion oder historische Innovation?
Eine wirklich multidimensionale Rekonstruktion, die unterschiedliche Textquellen und Fragmente miteinander verbindet, ist für eine Video-KI nicht möglich, da sie nur einzelne Quellen mit modernen Videodaten verknüpfen kann. Ihr „Weltmodell“ basiert ausschließlich auf Bild- und Bewegungsdaten und ist daher stark begrenzt. Die KI kann nur wiedergeben, was in ihren Trainingsdaten enthalten ist, und verfügt über kein historisches Verständnis. Sie überträgt lediglich Muster aus vorhandenen Bildern und Bewegungen, erkennt aber keine Zusammenhänge zwischen Fragmenten oder historischen Konzepten.
Daraus folgt, dass Rekonstruktionen der Vergangenheit, die ausschließlich durch einen Videogenerator erstellt werden, kritisch betrachtet werden müssen. Historische Dokumente, Fotografien, schriftliche Überlieferungen oder archäologische Funde liefern ohnehin nur fragmentarische Hinweise. Generative Modelle sind nicht in der Lage, diese Fragmente logisch miteinander zu verknüpfen oder einen kohärenten historischen Kontext herzustellen. Stattdessen stützen sie sich auf Muster, die aus der Gegenwart stammen, wodurch jede solche Rekonstruktion unweigerlich heutige Sehgewohnheiten und kulturelle Narrative widerspiegelt.
In dem Artikel „Ai Is Coming for the Past, Too“ von Jacob N. Shapiro und Chris Praton (New York Times, 2024) wird darauf hingewiesen, dass „die KI nicht nur die Gegenwart, sondern auch die Vergangenheit bedroht“. Gemeint ist damit die Möglichkeit, dass durch KI Fälschungen erzeugt und historische Darstellungen manipuliert werden können. Zwar lassen sich in begrenztem Umfang Videos aus der jüngeren Vergangenheit verfälschen, doch hochwertige Imitationen historischer Aufnahmen sind derzeit noch unrealistisch. Technische Probleme wie sichtbare Artefakte, Inkonsistenzen, starre Perspektiven, Schwierigkeiten bei komplexen Kamerafahrten sowie die Beschränkung vieler Modelle auf moderne Bildwelten machen solche Fälschungen bislang vergleichsweise leicht erkennbar.
Ein besonders problematischer Aspekt ist jedoch die Fähigkeit der KI, Bilder zu erzeugen, die historisch wirken, ohne tatsächlich auf authentischen Quellen zu beruhen. Solche synthetischen Darstellungen greifen häufig auf bereits etablierte Stereotype, Klischees oder filmisch geprägte Bildwelten zurück und erscheinen dem Publikum plausibel – selbst wenn Fachleute ihre Unrichtigkeit sofort erkennen. In dieser unbemerkten Wirkung liegt die eigentliche Gefahr: KI‑generierte Bilder können das allgemeine Geschichtsverständnis subtil prägen, ohne dass eine gezielte Täuschungsabsicht vorliegt.
Damit wird deutlich, dass die Herausforderung nicht allein in der technischen Erkennung von Fälschungen besteht, sondern vor allem in der kritischen Reflexion darüber, wie scheinbar „historische“ KI‑Bilder das kollektive Gedächtnis und die Interpretation der Vergangenheit beeinflussen können.
Hinzu kommt, dass sich KI-generierte Bilder und Videos über soziale Medien schnell verbreiten und auch Menschen erreichen, die sich kaum für Geschichte interessieren. Dadurch können verfälschte Darstellungen unbemerkt ein breites Publikum beeinflussen. Selbst wenn sie auf Stereotypen oder filmischen Klischees beruhen, wirken sie plausibel und tragen so potenziell zur subtilen Verzerrung des Geschichtsverständnisses bei. Vor diesem Hintergrund sind eine kritische Einordnung, transparente Kommentierung und die offene Diskussion möglicher Fehler besonders wichtig.
9. Literatur- und Quellenverzeichnis
Auch wenn die KI nicht ausschließlich auf alte Westernfilme zurückgreifen würde, bleibt eine historisch fundierte Rekonstruktion auf Grundlage eines Prompts wie „Historische Aufnahmen von Kalifornien während des Goldrauschs“ schwierig. Die Eingabe liefert lediglich eine vage zeitliche und geografische Orientierung, ohne einen konkreten Ort zu benennen. Hinzu kommt, dass aus der Kernzeit des California Gold Rush (1848–1852) kaum fotografische Aufnahmen existieren – die Fotografie befand sich damals noch in ihren Anfängen.
Die wenigen vergleichbaren Bildquellen stammen überwiegend aus späteren Jahrzehnten, wie etwa Fotografien der Stadt Bodie um 1880. Diese Aufnahmen dokumentieren zwar eine Goldgräberstadt, entstanden jedoch in einer Phase, in der der eigentliche Goldrausch bereits vorbei war. Sie spiegeln daher eher den Übergang zu einer gefestigten Minenstadt wider als die provisorische, improvisierte Bauweise der späten 1840er-Jahre.
Das heutige Bodie, wie auf der farbigen Aufnahme zu sehen, existiert nur noch als Geisterstadt und historisches Freilichtmuseum. Der Ort vermittelt zwar eine anschauliche Vorstellung von Holzbauweise, Gebäudeverteilung und landschaftlicher Lage, stellt jedoch eine konservierte Momentaufnahme im Verfall dar – weit entfernt von der damaligen Betriebsamkeit.
Diese Diskrepanz verdeutlicht die grundlegende Herausforderung: Eine Videogenerierungs-KI kann aufgrund der eingeschränkten historischen Bildbasis keine quellengestützten Rekonstruktionen liefern. Da sie im Kern darauf trainiert ist, Bewegungs- und Objektdynamiken aus vorhandenen Videodaten zu erlernen, bleibt ihr bestenfalls die Möglichkeit, fehlende Informationen zu interpolieren. Dabei greift sie zwangsläufig auf stilistische Muster aus ihrem Trainingsmaterial zurück – in diesem Fall stark geprägt von filmischen Western-Darstellungen.
Das Ergebnis ist somit weniger eine realistische historische Abbildung als vielmehr eine visuelle Fiktion, die sich historisierend präsentiert, in Wirklichkeit jedoch auf kulturellen Bildklischees beruht. Eine quellenbasierte Rekonstruktion historischer Szenen bleibt der KI damit verwehrt.
7. Stiltransfer und die Macht der Ästhetik
Eine Möglichkeit, dass die künstliche Intelligenz auch Artefakte aus der Vergangenheit wie Statuen oder Bilder nutzen kann, ist der Stiltransfer. Dabei werden die Eigenschaften einer Vorlage, zum Beispiel Linienführung, Strukturen, Farben oder Oberflächen, erkannt und auf neues Bild- oder Videomaterial übertragen. Im Gegensatz zum Prompting, das auf schriftliche Beschreibungen angewiesen ist, arbeitet der Stiltransfer direkt mit dem Bild einer Referenz und überträgt es auf eine bewegte Szene. Der Vorteil ist, dass dadurch Missverständnisse durch unklare Texte vermieden werden, denn selbst genau geschriebene Beschreibungen können bei einer Bildgenerierung leicht unterschiedlich verstanden werden.
Ein Beispiel für die Anwendung dieser Methode ist in den Abbildungen 12–13 dargestellt. Dabei wird die Büste des Julius Cäsar von Andrea di Pietro di Marco Ferrucci (ca. 1512–1514, siehe Q3) mithilfe von KI in eine realistisch animierte Figur umgewandelt, während im Hintergrund digital eine römische Armee ergänzt wird. Die KI analysiert die Statue, erkennt Konturen des Gesichts, die Textur des Marmors, Lichtreflexe sowie die Oberflächenbeschaffenheit und extrahiert diese Merkmale. Anschließend überträgt sie diese Eigenschaften auf eine reale, filmisch aufgenommene Schauspielerfigur. Deren Bewegungen und Mimik wurden aus zuvor gelernten filmischen Vorlagen abgeleitet, in denen die KI typische Verhaltensweisen und Bewegungsmuster von Darstellern vor der Kamera erlernt hat. Auf diese Weise entsteht aus einer starren Skulptur eine bewegte Darstellung, die den Eindruck von Lebendigkeit vermittelt und auf den ersten Blick der Skulptur sehr ähnlich erscheint. Besonders bei einer sanften Überblendung zwischen Statue und Animation wirkt dies sehr stimmig.
Bei genauerer Betrachtung fällt auf, dass zahlreiche Details subtil verändert wurden, sodass die Abweichungen vom Original zunächst kaum auffallen. So besitzt die Brosche auf Cäsars rechter Seite, die am Umhang befestigt ist, im Original eine florale Form, während sie in der KI-Variante sternförmig erscheint und in der Mitte ein nicht näher identifizierbares Detail trägt. Auch die Brustplatte wurde sichtbar verändert: Der im Original erkennbare Kopf mit Flügeln wurde zu einem unbestimmten goldenen Ornament, bei dem die Flügel nicht mehr erkennbar sind. Die linke Schnalle ist in der KI-Version stark vereinfacht und erscheint als schlichter Ledergürtel, während sie in der Statue noch die Darstellung einer Figur mit Speer zeigt.
Auch die Kopfform erfährt leichte Veränderungen: Der Kopf wirkt etwas runder, und die Haarfarbe wird als Weiß interpretiert. Diese stilisierte Darstellung orientiert sich vermutlich an modernen populärkulturellen Bildern Cäsars – etwa in „Asterix und Obelix“, wo Cäsar mit weißen Haaren dargestellt wird.
Belege für eine solche Darstellung konnte ich nicht finden; sie scheint vielmehr eine moderne Interpretation zu sein. Eine ausführliche Beschreibung von Gaius Iulius Cäsar liefert der römische Geschichtsschreiber Sueton. Er beschreibt Cäsar folgendermaßen:
Er war ein “Mann von hohem Wuchse, weißer Hautfarbe, wohlgerundet schlanken Gliedern, einem etwas vollen Gesicht, schwarzen lebhaften Augen und von guter Gesundheit, () In der Schönheitspflege des Körpers war er fast zu peinlich, so daß er sich nicht nur sorgfältig scheren und rasieren, sondern, wie ihm einige nachgesagt haben, sogar die einzelnen Haare am übrigen Körper ausrupfen ließ und sich über die eintretende Entstellung einer kahlen Glatze gar nicht zufriedengeben konnte.‘“ (Q4)
In der KI-generierten Animation ist eine solche Haarreduktion nicht erkennbar.
Dies ist jedoch nachvollziehbar, da die zur Generierung genutzte Büste selbst eine Interpretation ist, die erst rund 1550 Jahre nach Cäsars Lebzeiten entstand. Viele Details der Büste entstammen dem fein ornamentierten all’antica-Stil der florentinischen Skulpturentradition, der im 15. und frühen 16. Jahrhundert in Mode war (Q5).
Der Typus der Darstellung Cäsars orientiert sich jedoch offensichtlich am Chiaramonti-Typus, der im 1. Jahrhundert n. Chr. weit verbreitet war (Q4), während Suetons Beschreibung eher dem Tusculum-Typus, einem anderen Porträttypus Cäsars, entspricht (Q4).
Doch selbst antike Porträts wie der Chiaramonti- oder der Tusculum-Typus liefern kein exaktes Abbild der historischen Person. Sie sind stets auch Produkte politischer und gesellschaftlicher Kontexte. Herrscherbildnisse dienten der Selbstdarstellung und sollten bestimmte Tugenden – Würde, Stärke, Jugendlichkeit oder Autorität – vermitteln. Entsprechend wurden Züge idealisiert oder geglättet.
Eine KI, die sich ausschließlich auf die visuelle Umsetzung beschränkt, kann diese historischen Kontexte und die Spannungen zwischen Text- und Bildquellen nicht berücksichtigen. Sie übersetzt die idealisierte Formensprache der überlieferten Porträts lediglich in eine animierte Figur und erzeugt damit eher einen ästhetischen Effekt als eine historische Auseinandersetzung mit dem Abgebildeten.
8. Fazit: Illusion oder historische Innovation?
Eine wirklich multidimensionale Rekonstruktion, die unterschiedliche Textquellen und Fragmente miteinander verbindet, ist für eine Video-KI nicht möglich, da sie nur einzelne Quellen mit modernen Videodaten verknüpfen kann. Ihr „Weltmodell“ basiert ausschließlich auf Bild- und Bewegungsdaten und ist daher stark begrenzt. Die KI kann nur wiedergeben, was in ihren Trainingsdaten enthalten ist, und verfügt über kein historisches Verständnis. Sie überträgt lediglich Muster aus vorhandenen Bildern und Bewegungen, erkennt aber keine Zusammenhänge zwischen Fragmenten oder historischen Konzepten.
Daraus folgt, dass Rekonstruktionen der Vergangenheit, die ausschließlich durch einen Videogenerator erstellt werden, kritisch betrachtet werden müssen. Historische Dokumente, Fotografien, schriftliche Überlieferungen oder archäologische Funde liefern ohnehin nur fragmentarische Hinweise. Generative Modelle sind nicht in der Lage, diese Fragmente logisch miteinander zu verknüpfen oder einen kohärenten historischen Kontext herzustellen. Stattdessen stützen sie sich auf Muster, die aus der Gegenwart stammen, wodurch jede solche Rekonstruktion unweigerlich heutige Sehgewohnheiten und kulturelle Narrative widerspiegelt.
In dem Artikel „Ai Is Coming for the Past, Too“ von Jacob N. Shapiro und Chris Praton (New York Times, 2024) wird darauf hingewiesen, dass „die KI nicht nur die Gegenwart, sondern auch die Vergangenheit bedroht“. Gemeint ist damit die Möglichkeit, dass durch KI Fälschungen erzeugt und historische Darstellungen manipuliert werden können. Zwar lassen sich in begrenztem Umfang Videos aus der jüngeren Vergangenheit verfälschen, doch hochwertige Imitationen historischer Aufnahmen sind derzeit noch unrealistisch. Technische Probleme wie sichtbare Artefakte, Inkonsistenzen, starre Perspektiven, Schwierigkeiten bei komplexen Kamerafahrten sowie die Beschränkung vieler Modelle auf moderne Bildwelten machen solche Fälschungen bislang vergleichsweise leicht erkennbar.
Ein besonders problematischer Aspekt ist jedoch die Fähigkeit der KI, Bilder zu erzeugen, die historisch wirken, ohne tatsächlich auf authentischen Quellen zu beruhen. Solche synthetischen Darstellungen greifen häufig auf bereits etablierte Stereotype, Klischees oder filmisch geprägte Bildwelten zurück und erscheinen dem Publikum plausibel – selbst wenn Fachleute ihre Unrichtigkeit sofort erkennen. In dieser unbemerkten Wirkung liegt die eigentliche Gefahr: KI‑generierte Bilder können das allgemeine Geschichtsverständnis subtil prägen, ohne dass eine gezielte Täuschungsabsicht vorliegt.
Damit wird deutlich, dass die Herausforderung nicht allein in der technischen Erkennung von Fälschungen besteht, sondern vor allem in der kritischen Reflexion darüber, wie scheinbar „historische“ KI‑Bilder das kollektive Gedächtnis und die Interpretation der Vergangenheit beeinflussen können.
Hinzu kommt, dass sich KI-generierte Bilder und Videos über soziale Medien schnell verbreiten und auch Menschen erreichen, die sich kaum für Geschichte interessieren. Dadurch können verfälschte Darstellungen unbemerkt ein breites Publikum beeinflussen. Selbst wenn sie auf Stereotypen oder filmischen Klischees beruhen, wirken sie plausibel und tragen so potenziell zur subtilen Verzerrung des Geschichtsverständnisses bei. Vor diesem Hintergrund sind eine kritische Einordnung, transparente Kommentierung und die offene Diskussion möglicher Fehler besonders wichtig.
9. Literatur- und Quellenverzeichnis
- Q1: OpenAI. Video Generation Models as World Simulators. Online verfügbar
- Q2: Li, Yitong, et al. "Video Generation from Text." Proceedings of the AI Conference on Artificial Intelligence, Vol. 32, No. 1, 2018.
- Q3: The Metropolitan Museum of Art. Julius Cäsar. Online verfügbar
- Q4: Sueton. Kaiserbiographien. Deutsch von Prof. Dr. Adolf Stahr. 6., überarbeitete Auflage. Berlin-Schöneberg: Langenscheidtsche Verlagsbuchhandlung, Langenscheidtsche Bibliothek sämtlicher griechischen und römischen Klassiker, Band 106. Hrsg.: Prof. G. Langenscheidt.
- Q5: Ancient Portraits in the J. Paul Getty Museum. Volume 1. Hg. von Jiří Frel, Arthur Houghton und Marion True. (Occasional Papers on Antiquities, 4). Malibu, California: The J. Paul Getty Museum, 1987.
- Q6: Shapiro, J. N., & Mattmann, C. (2024, January 28). A.I. is coming for the past, too. The New York Times. Online verfügbar
- VQ. 1: Sora. Western City Recovered by AI Video. YouTube: Link (zuletzt abgerufen: 17.03.2025).
- VQ. 2: Recreating Historical Icons. YouTube: Link (zuletzt abgerufen: 17.03.2025).
- Abb. 1: Illustration erstellt für die Arbeit mit LeonardoAI [suspicious link removed]
- Abb. 2: OpenAI. Video Generation Models as World Simulators. Link
- Abb. 3: Screenshot OpenAI-Video „Kalifornien während des Goldrauschs“ (VQ1).
