KI und Emotionen: Zwischen Illusion und Information

KI und Emotionen: Warum wir visuelle Simulationen nicht mit Wissenschaft verwechseln dürfen

Ein farbenfrohes Video, das sich derzeit viral in sozialen Medien verbreitet, behauptet, mithilfe von künstlicher Intelligenz neuronale Muster emotionaler Zustände wie Angst, Aufregung, Ruhe und Depression zu simulieren. Die Aussage des Clips: Angst und Aufregung sähen im Gehirn nahezu identisch aus. Die Animation zeigt dafür ein Netzwerk aus leuchtenden Punkten, verbunden durch pulsierende Linien – ein hypnotischer Effekt, der den Eindruck erweckt, man sehe hier eine wissenschaftlich fundierte Darstellung neuronaler Prozesse. Doch genau das ist nicht der Fall.

Ästhetik statt Analyse: Die Illusion der neuronalen Simulation

Tatsächlich handelt es sich bei dem Video nicht um eine Simulation auf Basis realer neuronaler Daten, sondern um eine ästhetisch gestaltete Animation, erstellt mit der JavaScript-Bibliothek p5.js. Diese Plattform eignet sich hervorragend für kreative Visualisierungen, wurde aber in diesem Fall genutzt, um eine rein visuelle Darstellung als wissenschaftliches Modell auszugeben. Kein funktioneller Magnetresonanztomograph, kein EEG, keine Hirnscan-Daten kamen zum Einsatz. Es existieren weder Trainingsdaten noch neuronale Messreihen, die in die Animation eingeflossen wären. Was gezeigt wird, ist eine Metapher – keine Modellierung.

Emotionale Prozesse sind komplex – und messbar

Doch warum ist das problematisch? Zum einen verwischt es die Grenze zwischen künstlerischer Interpretation und wissenschaftlicher Erkenntnis. Das Gehirn ist ein hochkomplexes System, und Emotionen wie Angst oder Aufregung sind das Ergebnis eines fein abgestimmten Zusammenspiels zwischen Amygdala, präfrontalem Kortex, Hypothalamus und weiteren Hirnarealen. Zwar ist es korrekt, dass Angst und Aufregung physiologisch gewisse Parallelen aufweisen – etwa in Form erhöhter Herzfrequenz oder erhöhter Aufmerksamkeit. Doch auf neuronaler Ebene bestehen klare Unterschiede, insbesondere in der Bewertung der Reize und deren Kontextualisierung. Diese Unterschiede lassen sich durch bildgebende Verfahren wie fMRT oder EEG nachweisen – jedoch nicht durch rein grafische Netzwerke ohne Datenbezug.

KI braucht Daten – nicht nur Design

Wenn eine KI also behauptet, solche Zustände simulieren zu können, braucht sie echte Daten. Dazu gehören neurophysiologische Messwerte, Annotationen emotionaler Zustände durch Probanden, statistische Korrelationen zwischen Signalverläufen und subjektiven Bewertungen. Eine KI, die keine Daten erhält, kann nichts lernen – sie wird zur Projektionsfläche. In diesem Fall scheint der Begriff „künstliche Intelligenz“ mehr als Werbeetikett verwendet worden zu sein denn als funktionaler Bestandteil eines datengestützten Systems.

Wissenschaftliche Kommunikation: Verantwortung statt Verklärung

Die Verantwortung für eine solche Darstellung liegt nicht nur bei den Urhebern der Visualisierung, sondern auch bei der Art und Weise, wie Inhalte in sozialen Medien verbreitet werden. Ohne begleitende Einordnung entsteht beim Publikum leicht der Eindruck, hier handele es sich um einen wissenschaftlichen Durchbruch. Dabei ist die Aussagekraft dieser Animation gleich null – zumindest aus neurobiologischer Sicht. Für Laien, die sich für Hirnforschung interessieren, entsteht so ein verzerrtes Bild vom tatsächlichen Stand der Forschung.

Fazit: Zwischen Denkimpuls und Täuschung

Dennoch sollte man solche Videos nicht pauschal abwerten. Als künstlerische Darstellung emotionaler Ambivalenz – etwa zur Verdeutlichung, wie eng Emotionen verwoben sind – können sie durchaus wertvolle Impulse geben. Entscheidend ist jedoch die Transparenz über den Charakter der Darstellung. Wird der Eindruck erweckt, es handle sich um eine wissenschaftliche Rekonstruktion neuronaler Muster, muss auch eine wissenschaftliche Grundlage vorhanden sein.

Die KI ist nur so gut wie ihre Datenbasis. Eine visuelle Spielerei kann zum Denkimpuls werden – aber nicht zur wissenschaftlichen Erkenntnis, wenn sie ohne reale Messwerte auskommt. In einer Zeit, in der künstliche Intelligenz zunehmend als Erklärung für alles herhalten muss, ist es umso wichtiger, zwischen fundierter Modellierung und visuell überzeugender Ästhetik zu unterscheiden. Wer neuronale Prozesse verstehen will, braucht nicht nur schöne Bilder, sondern belastbare Daten und kritische Analyse.