Ja, Quantencomputer können heute Bilder erzeugen, und zwar auf echter Hardware. Die Bilder sind winzig, meist handgeschriebene Ziffern mit 28 mal 28 Pixeln in Graustufen aus gängigen Forschungsbenchmarks, erzeugt von hybriden Systemen, in denen ein Quantenschaltkreis kleine Bildausschnitte generiert und ein klassisches neuronales Netz das Ergebnis bewertet. Ein einziger Instagram-Beitrag enthält rund 4.400-mal mehr Werte als eine dieser Ziffern. KI-Bilder in Kampagnenqualität und KI-Influencer stammen aus klassischen generativen Modellen, und die Bildgenerierung mit Quantencomputern bleibt ein Forschungsfeld, das man im Blick behalten sollte.
Das Wichtigste in Kürze
- Quanten-Bildgenerierung ist real. Quanten-GANs laufen auf echten Prozessoren und erzeugen echte Bilder
- Die Bilder haben Benchmark-Größe. Meist Ziffern mit 28 mal 28 Graustufenpixeln oder ähnlich kleine Bilder
- Die Systeme sind hybrid. Ein Quantenschaltkreis erzeugt Bildausschnitte, ein klassisches Netz übernimmt die Bewertung
- Die Größe ist das kleinere Problem. Generalisierung, eine analytische Obergrenze der Fidelity und verschwindende Gradienten wiegen schwerer
- Marken sollten heute klassische KI nutzen. Diffusionsmodelle liefern bereits Bilder in Kampagnenqualität
Warum die Frage aufkommt
Das Wort "Quanten" steht in Anbieterpräsentationen und Technologienachrichten inzwischen neben "generativer KI", und Marketingverantwortliche fragen sich, ob die Bilder ihrer nächsten Kampagne auf einem Quantencomputer entstehen könnten. Die Frage ist berechtigt, und sie hat eine genaue Antwort. Quanten-Bildgenerierung gibt es, sie läuft auf echter Hardware und erzeugt echte Bilder. Für die Planung einer Marke entscheidet aber, wie diese Bilder tatsächlich aussehen.
Was ein Quanten-GAN ist
Ein normales Generative Adversarial Network, kurz GAN, hat zwei Hälften. Ein Generator erfindet Bilder, ein Diskriminator beurteilt, ob jedes echt wirkt, und beide trainieren gegeneinander, bis der Generator oft genug Erfolg hat, um nützlich zu sein.
Ein Quanten-GAN, kurz QGAN, ersetzt den Generator durch einen parametrisierten Quantenschaltkreis. Der Diskriminator bleibt ein klassisches neuronales Netz. Dieses Detail ist wichtiger, als es zunächst scheint. Heutige QGANs sind hybride Systeme, und die bewertende Hälfte ist gewöhnliches Machine Learning.
Es gibt einen zweiten Kompromiss. Die heute verfügbaren Quantenprozessoren sind klein, viel zu klein, um ein ganzes Bild abzubilden, also wird das Bild in Ausschnitte zerlegt. Jeder Ausschnitt bekommt einen eigenen Teilgenerator-Schaltkreis. In jeden wird zufälliges Rauschen eingespeist, die Ausgabe jedes Schaltkreises wird auf Pixelwerte abgebildet, und die Ausschnitte werden wieder zu einem Bild zusammengesetzt.
Was tatsächlich gebaut wurde
Das klarste funktionierende Beispiel stammt vom photonischen Quantenunternehmen Quandela, dessen QGAN-Algorithmus künstliche Bilder aus vorhandenen Bilddatensätzen erzeugt, umgesetzt auf dem eigenen photonischen Prozessor und durchgängig trainiert. Das Design folgt dem oben beschriebenen Ausschnitt-Ansatz, mit Rauschen als Eingabe für variationale photonische Schaltkreise, Ausgaben der Teilgeneratoren als Pixel, Zusammensetzung zu einem fertigen Bild und einem klassischen neuronalen Netz als Diskriminator. Die Umsetzung wurde offen veröffentlicht.
Der erklärte kommerzielle Zweck sind synthetische Trainingsdaten. Künstliche Bilder für viele Szenarien zu erzeugen, kann Kosten und Zeit für das Sammeln spezieller Bilddatensätze senken und die Vielfalt der Daten erhöhen, mit denen andere KI-Modelle trainiert werden. Das zählt in Branchen wie Automobil sowie Luft- und Raumfahrt, wo echte Aufnahmen seltener Grenzfälle teuer oder gefährlich zu beschaffen sind.
Das ist ein echter und sinnvoller Anwendungsfall. Es ist aber auch eine ganz andere Aufgabe als ein Kampagnenbild, und genau an diesem Unterschied geraten Marken durcheinander.
Das Ergebnis in Zahlen
Veröffentlichte Quanten-Bildgenerierung arbeitet im Benchmark-Maßstab. Wie Quandela und ZKSF.org beschreiben, deren praktischer Überblick über Quanten-Machine-Learning auf Simulatoren erklärt, warum dieses Training so teuer ist, sind die Standarddatensätze dieselben, die das ganze Fachgebiet nutzt.
| Was erzeugt wird | Größe | Werte pro Bild |
|---|---|---|
| Handgeschriebene MNIST-Ziffer, der übliche QGAN-Benchmark | 28 x 28 Graustufen | 784 |
| Kleidungsstück aus Fashion-MNIST | 28 x 28 Graustufen | 784 |
| Objekt aus CIFAR-10 | 32 x 32 Farbe | 3.072 |
| Ein Instagram-Beitrag | 1080 x 1080 Farbe | 3.499.200 |
| Ein 4K-Porträt | 3840 x 2160 Farbe | 24.883.200 |
Ein einziger Social-Media-Beitrag enthält rund 4.400-mal mehr Werte als eine MNIST-Ziffer. Ein 4K-Porträt enthält etwa 31.700-mal mehr. Das ist der wahre Abstand, und ihn zu schließen, braucht weit mehr als eine Hardwaregeneration.
Warum die Auflösung das kleinere Problem ist
Wäre die Bildgröße das einzige Hindernis, könnte das Fachgebiet einfach auf größere Prozessoren warten. Drei tiefere Probleme machen die Lücke schwerer zu schließen.
Generalisierung. Veröffentlichte Arbeiten zeigen, dass QGANs Mühe haben, über Datensätze hinweg zu generalisieren, und dazu neigen, sich auf die durchschnittliche Darstellung ihrer Trainingsdaten einzupendeln. Für eine Marke ist das eine ernste Schwäche. Eine Kampagne mit einem KI-Influencer braucht Vielfalt, Unverwechselbarkeit und eine beständige Figur, und ein Modell, das zum Durchschnitt seiner Trainingsdaten kollabiert, liefert das denkbar blasseste Ergebnis.
Eine analytische Obergrenze. Ist die Ausgabe des Generators ein reiner Quantenzustand, ist die erreichbare Qualität des Diskriminators durch die Fidelity zwischen diesem Zustand und der Zielverteilung der Daten begrenzt. Das ist eine mathematische Grenze der Architektur, bessere Hardware allein beseitigt sie also nicht.
Trainingskosten und verschwindende Gradienten. Quanten-Machine-Learning braucht Tausende Schaltkreisauswertungen pro Trainingslauf, und variationale Schaltkreise dieser Art geraten in Barren Plateaus, Bereiche, in denen der Gradient praktisch verschwindet und der Optimierer aufhört zu lernen. Wer ein klassisches Modell trainiert hat, weiß, was ein toter Gradient kostet. In diesen Schaltkreisen wird das Problem meist größer, je breiter die Schaltkreise werden.
Warum Anbieterseiten diese Zahlen selten zeigen
Fairerweise ist eine Seite mit Anwendungsfällen dazu da, einem kommerziellen Publikum eine Fähigkeit zu beschreiben, und die zugrunde liegende Forschung ist meist offen für alle, die Details wollen. Die praktische Folge trägt trotzdem der Käufer. Eine Seite über künstliche Bilderzeugung auf einem Quantenprozessor erwähnt selten, dass das Ergebnis eine Ziffer mit 28 mal 28 Pixeln ist. Das herauszufinden, heißt die Forschung zu lesen, was die meisten, die ein Marketingbudget planen, verständlicherweise nicht tun.
Eine einfache Regel schützt Sie. Fragen Sie, was erzeugt wurde, in welcher Größe und wie gemessen. Eine Aussage über Quantenfähigkeiten, die diese drei Fragen nicht beantworten kann, beschreibt eine Roadmap.
Wie klassische KI heute Kampagnenbilder erzeugt
Bilder in Kampagnenqualität und KI-Influencer stammen aus klassischen generativen Modellen, vor allem aus Diffusionsmodellen, die mit sehr großen Bildsammlungen trainiert wurden und auf gewöhnlichen GPUs laufen. Sie erzeugen fotorealistische Menschen, Produkte und Szenen in hoher Auflösung und halten mit dem richtigen Produktionssystem Figuren über Hunderte Bilder und Videos hinweg beständig. So erstellt Proklisi SI-Influencer und Kampagnenbilder für Marken. Unser Ratgeber zum Erstellen fotorealistischer KI-Bilder erklärt das Handwerk, und unser Beitrag über generative KI in der Werbung behandelt die Technologie.
Die SI-Influencer, die Ihre Kampagne tragen können
Was eine Marke in Sachen Quanten-Bildgenerierung tun sollte
Für die Kampagnenplanung lautet die nützliche Antwort, bei klassischer KI zu bleiben und die Forschung im Auge zu behalten.
- Lassen Sie Quanten-Kreation aus dem Budget heraus. Für Kampagnenbilder gibt es kein Produkt zu kaufen, und der Abstand beträgt rund vier Größenordnungen.
- Halten Sie sie aus dem kritischen Pfad heraus. Abzuwarten, was Quantencomputing bringt, ersetzt keine Content-Strategie. Der Zeitplan ist ein Forschungszeitplan.
- Nehmen Sie das Feld ernst. Photonische und andere Prozessoren erzeugen wirklich Bilder, und der Anwendungsfall synthetischer Trainingsdaten ist solide. Es ist schlicht ein anderes Werkzeug als eine kreative Produktionskette.
- Achten Sie auf zwei konkrete Meilensteine. Qubit-Zahlen allein sagen wenig. Die wichtigen Zeichen sind Nachweise von Generalisierung über den Durchschnitt der Trainingsdaten hinaus und Bilderzeugung oberhalb der Benchmark-Auflösung.
Ein SI-Influencer, der für Ihre Marke arbeitet?
Wählen Sie einen aus unserem Roster und starten Sie innerhalb von 24 Stunden, oder lassen Sie einen Charakter nur für Ihre Marke entwickeln
Sie können das selbst prüfen, kostenlos
Um all das nachzuprüfen, brauchen Sie für den Anfang kein Geld. Quantenschaltkreise lassen sich im Browser bauen und ausführen, ohne etwas zu installieren, sodass sich die Aussagen dieses Artikels direkt prüfen lassen. Es gibt einen kostenlosen Online-Simulator für Quantenschaltkreise, der im Browser läuft, und er reicht, um zu sehen, wie wenige Werte ein kleiner Schaltkreis tatsächlich ausgibt und warum ein Bild auf viele davon verteilt werden muss.
Jenseits des kostenlosen Angebots kostet eine Simulation einen Bruchteil eines Cents pro Auftrag, und Zeit auf echten Quantenprozessoren wird pro Shot gemietet, in der Größenordnung von 0,30 US-Dollar pro Aufgabe plus Bruchteile eines Cents pro Shot. Ein Nachmittag echter Neugier kostet weniger als ein Kaffee und ist eine bessere Grundlage für eine strategische Einschätzung als jede Anbieterpräsentation.
Wo Quantencomputing im Marketing zuerst eine Rolle spielen könnte
Falls Quantencomputing das Marketing erreicht, dann vermutlich zuerst nicht bei der Bildgenerierung. Bereiche, die auf Optimierung und Simulation beruhen, etwa Logistik, Planung und manche Portfolio- und Preisfragen, werden häufiger als frühe Kandidaten genannt. In der Kreativarbeit entwickelt sich klassische KI schnell weiter, und dort liegen heute die praktischen Gewinne für Marken.
Zusammenfassung
Quantencomputer erzeugen heute Bilder. Sie erzeugen handgeschriebene Ziffern mit 28 mal 28 Pixeln in Graustufen, lassen ein klassisches neuronales Netz bewerten und zerlegen das Bild in Ausschnitte, weil die Prozessoren kein ganzes abbilden können. Der Abstand zu einem fotorealistischen KI-Influencer beträgt rund vier Größenordnungen an Rohwerten, und die wichtigsten Hindernisse sind Generalisierung, eine analytische Obergrenze der Fidelity und Gradienten, die mit wachsenden Schaltkreisen verschwinden. Es ist ein faszinierendes Feld, das sich zu verfolgen lohnt, und Kampagnenbilder kommen heute aus klassischer generativer KI.
Proklisi entwickelt Websites und Apps, betreut SEO, ASO und Social Media und erschafft SI-Influencer für Marken. Alles hier stammt aus der Arbeit, die wir jede Woche für Kunden leisten. Über uns oder mit dem Team sprechen