Die SVG-Herausforderung: Wie KI die Mona Lisa mit Code zeichnet

TL;DR

• Führende KI-Modelle sind nun in der Lage, komplexe Kunstwerke wie die Mona Lisa mit reinem SVG-Code nachzubilden, statt auf herkömmliche pixelbasierte Generierung zu setzen.
• Dieser Wechsel von Pixeln zu Code beweist, dass Modelle fortgeschrittenes räumliches Denken entwickeln, was es ihnen ermöglicht, tausende geometrische Koordinaten gleichzeitig zu koordinieren.

Hintergrund

Die meisten Menschen kennen generative KI durch Tools wie Midjourney oder DALL-E. Diese Modelle arbeiten mit Diffusion, einem Prozess, der die Farbe einzelner Pixel vorhersagt, um ein Bild zu erstellen. Während die Ergebnisse visuell beeindruckend sind, „weiß“ das Modell im mathematischen Sinne nicht wirklich, wo sich eine Hand oder ein Auge befindet; es weiß lediglich, wie die Muster dieser Pixel normalerweise aussehen. Ein strengerer Test für KI-Intelligenz ist Scalable Vector Graphics (SVG). Eine SVG ist eine Textdatei voller Code. Sie weist einen Computer an, bestimmte Formen an bestimmten Koordinaten zu zeichnen. Um in SVG zu „zeichnen“, muss eine KI eine perfekte mentale Karte eines 2D-Gitters aufrechterhalten und sicherstellen, dass jede Linie und Kurve präzise verbunden ist, um ein erkennbares Bild zu formen.

Was passiert ist

In einer kürzlichen Reihe von Benchmarks forderten Forscher die weltweit fortschrittlichsten Large Language Models (LLMs) – darunter GPT-5.6, Claude 4, Gemini 2 und Grok 3 – heraus, die Mona Lisa ausschließlich mit SVG-Code nachzubilden [^1]. Der Prompt verlangte von den Modellen, einen „Buntstift“-Stil zu imitieren, was in Code extrem schwierig ist, da es tausende überlappende, halbtransparente Striche erfordert, um Tiefe und Schattierung zu erzeugen. Dies ist eine Abkehr von der Standard-Bildgenerierung und fällt in das aufstrebende Feld der „Visuellen Programmierung“, bei der Modelle logischen Code nutzen, um visuelle Aufgaben zu lösen [^2].

Claude 4 erwies sich als der „künstlerischste“ Akteur. Es zeichnete nicht nur ein Gesicht; es generierte einen massiven Codeblock, der tausende einzelne Pfade definierte, die jeweils leicht versetzt waren, um die Illusion einer handgezeichneten Textur zu erzeugen. Das Modell bewies eine verblüffende Fähigkeit, Farben zu schichten, indem es das SVG-Attribut opacity nutzte, um Hauttöne zu mischen und den berühmten sfumato-Effekt von Leonardo da Vinci zu kreieren. GPT-5.6 ging zwar technisch präzise, aber eher algorithmisch vor. Es schrieb eigene SVG-Filter für die Schattierung, was zu einem saubereren, eher „digitalen“ Look führte. Während der Output von GPT in Bezug auf die Dateigröße effizienter war, fehlten ihm die chaotischen, menschenähnlichen Unvollkommenheiten, die Claude erfolgreich simulierte.

Am anderen Ende des Spektrums hatten Gemini und Grok Schwierigkeiten mit den räumlichen Einschränkungen. Sie erkannten zwar die Komponenten des Porträts korrekt – Augen, Nase, Mund und die Hintergrundlandschaft –, schafften es jedoch nicht, sie auf der Koordinatenebene richtig auszurichten. In einigen Durchläufen wurden die Augen außerhalb der Gesichtsgrenzen platziert oder die Proportionen des Torsos waren völlig verzerrt. Dies deutet darauf hin, dass diese Modelle zwar das Konzept der Mona Lisa verstehen, ihnen aber die interne „räumliche Engine“ fehlt, die erforderlich ist, um dieses Konzept in eine präzise geometrische Karte zu übersetzen. Das Experiment verdeutlichte eine klare Kluft zwischen Modellen, die lediglich Text vorhersagen, und Modellen, die über den physischen Raum nachdenken können.

Warum es wichtig ist

Bei dieser Entwicklung geht es um viel mehr als nur digitale Kunst. Die Fähigkeit, komplexen, funktionalen SVG-Code zu generieren, ist ein Stellvertreter für hochgradiges räumliches Denken. Wenn eine KI zehntausend Linien präzise platzieren kann, um ein menschliches Gesicht zu formen, kann sie wahrscheinlich auch andere Aufgaben bewältigen, die geometrische Präzision erfordern, wie das Entwerfen von Leiterplatten, das Erstellen von Architekturplänen oder das Designen von Benutzeroberflächen. Im Gegensatz zu pixelbasierten Bildern ist SVG-Code bearbeitbar, durchsuchbar und unendlich skalierbar. Er repräsentiert den Übergang von der KI als „Blackbox“-Schöpfer hin zur KI als kollaborativem Ingenieur.

Darüber hinaus bietet dieser Benchmark eine Möglichkeit, KI-„Halluzinationen“ in einer kontrollierten Umgebung zu messen. Wenn ein Modell ein pixelbasiertes Bild generiert, lassen sich Fehler leicht im Rauschen des Diffusionsprozesses verbergen. In SVG gibt es kein Versteck. Wenn der Code falsch ist, bricht das Bild zusammen. Eine Linie, die um fünf Pixel daneben liegt, ist sofort sichtbar. Indem Forscher die Modelle zwingen, in einem strukturierten, mathematischen Medium zu arbeiten, können sie genauer beurteilen, wie viel die KI tatsächlich über die physische Struktur der Welt versteht. Dies ist essenziell für die Zukunft der Robotik und autonomer Systeme, wo ein Fehler im räumlichen Denken reale Konsequenzen haben kann.

Schließlich deutet der Erfolg von Modellen wie Claude und GPT-5.6 in diesem Bereich darauf hin, dass unsere Trainingsmethoden funktionieren. Wir bewegen uns in Richtung „multimodales Denken“, bei dem das Modell nicht nur sieht oder schreibt, sondern beides miteinander verknüpft. Das Modell nutzt sein linguistisches Training, um die Anfrage zu verstehen, sein mathematisches Training, um Koordinaten zu berechnen, und sein visuelles Training, um die finale Komposition zu beurteilen. Diese Konvergenz ist das Markenzeichen der nächsten Generation künstlicher Intelligenz und bringt uns Systemen näher, die mit der gleichen Nuanciertheit wie ein menschlicher Designer mit der physischen Welt interagieren können.

Ein Beispiel aus der Praxis

Stell dir vor, du bist ein Webentwickler namens Marcus. Du benötigst ein individuelles Icon eines komplexen mechanischen Zahnrads für die Website eines Kunden. Normalerweise müsstest du ein Stockfoto finden oder eine Stunde in Adobe Illustrator verbringen, um es selbst zu zeichnen. Stattdessen öffnest du einen Chat mit einer KI mit hohem Denkvermögen. Du bittest nicht um ein Bild; du bittest um den Code.

Du tippst: „Schreibe den SVG-Code für ein Zahnrad mit 12 Zähnen, einer gebürsteten Metalltextur und einer 3D-Perspektive.“ Am Dienstagmorgen gibt dir die KI nicht einfach eine statische Datei. Sie schreibt eine Reihe von <path>-Elementen und <linearGradient>-Tags. Da es sich um Code handelt, kann Marcus die Anzahl der Zähne sofort von 12 auf 16 ändern, indem er eine einzige Zahl bearbeitet. Er kann die Farbe in Sekunden an die Marke des Kunden anpassen. Die KI hat als Junior-Designer fungiert und eine perfekt präzise, bearbeitbare Grundlage geliefert, die Marcus direkt in den Quellcode seiner Website einfügen kann.

Passende Produkte

Wir empfehlen dieses Buch, da das Beherrschen der SVG-Syntax es dir ermöglicht, den von fortgeschrittenen KI-Modellen generierten geometrischen Code zu prüfen und zu verfeineren.