Wenn Bilder aus Regeln wachsen: Was generative Kunst von Plottern bis KI verbindet
- Benjamin Metzig
- vor 1 Tag
- 7 Min. Lesezeit
Man kann Kunst machen, indem man eine Linie setzt. Man kann sie aber auch machen, indem man festlegt, unter welchen Bedingungen Linien überhaupt entstehen dürfen. Genau dort beginnt generative Kunst. Sie entwirft nicht zuerst das fertige Bild, sondern den Möglichkeitsraum, aus dem viele Bilder hervorgehen können. Wer nur auf aktuelle KI-Bildgeneratoren schaut, verpasst deshalb den wichtigeren Punkt: Die eigentliche Verschiebung begann lange vorher, als Künstler Regeln, Abweichungen und maschinelle Prozesse selbst zum Material machten.
Kernaussagen
Generative Kunst verlagert künstlerische Entscheidung vom einzelnen Bild auf Regeln, Parameter, Störungen und Auswahl.
Zufall ist in dieser Praxis kein Defekt, sondern ein bewusst eingesetztes Mittel, um starre Systeme produktiv aus der Spur zu bringen.
Die Geschichte reicht deutlich weiter zurück als heutige KI-Tools und führt über Plotter, algorithmische Zeichnungen und Harold Cohens AARON.
Neuronale Netze vergrößern den Bildraum enorm, ersetzen aber weder kuratorische Entscheidungen noch die Frage, wer das System gebaut hat.
Nicht das Bild zuerst, sondern der Regelraum
Generative Kunst beginnt mit einer merkwürdigen Umkehrung. Normalerweise denken wir beim Kunstmachen an direkte Entscheidungen: diese Farbe, diese Form, dieser Schnitt, dieser Kontrast. In der generativen Praxis wird ein Teil dieser Entscheidungen nach vorn verlagert. Der Künstler formuliert ein Set von Bedingungen: Wiederholungen, Grenzen, Wahrscheinlichkeiten, Rotationen, Störungen, Ausschlüsse, Reaktionsweisen. Erst daraus entstehen Bilder.
Definition: Generative Kunst
Generative Kunst ist eine künstlerische Praxis, in der ein Bild nicht vollständig einzeln gesetzt wird, sondern aus einem definierten System von Regeln, Parametern oder Prozessen hervorgeht.
Das klingt zunächst technisch, ist aber ästhetisch hoch aufgeladen. Denn wer ein System baut, legt nicht nur fest, was erscheinen kann, sondern auch, was ausgeschlossen bleibt. Die Komposition wandert also nicht ins Nichts, sondern in eine andere Zone der Gestaltung: in die Architektur des Verfahrens. Wer den mathematischen Unterbau solcher Transformationen besser greifen will, findet bei Wissenschaftswelle bereits einen guten Anschluss in Matrizen sind Raumwerkzeuge.
Gerade deshalb ist generative Kunst nicht einfach ein Spezialfall digitaler Effizienz. Gute Systeme erzeugen keine beliebige Vielfalt, sondern eine erkennbare Familie von Möglichkeiten. Das Werk ist dann nicht bloß das ausgegebene Einzelbild, sondern auch die Form des Suchraums, in dem es entstanden ist.
Zufall ist hier Material, kein Unfall
Wer Regeln hört, vermutet schnell Starrheit. Generative Kunst arbeitet aber fast nie als bloße Disziplinierungsmaschine. Sie lebt von kontrollierter Abweichung. Die Künstlerin Vera Molnár beschrieb ihre Praxis mit dem Begriff der machine imaginaire: noch bevor Computer im Atelier alltäglich wurden, dachte sie visuelle Systeme als Folgen klarer Anweisungen, die von kleinen Variationen und Störungen lebten. Der V&A-Beitrag zu Molnár zeigt sehr gut, wie sie in den 1960er Jahren mathematische Verfahren zunächst manuell simulierte und damit systematisch durch Variationen eines Motivs ging: nicht trotz der Regel, sondern gerade durch sie.
Das ist ein wichtiger Punkt. Zufall bedeutet in dieser Tradition nicht, dass die Künstlerin verschwindet. Er bedeutet, dass sie dem Bild eine Zone des Nichtvollständig-Vorweggenommenen einbaut. Eine minimale Störung kann in einem strengen Raster plötzlich Spannung erzeugen; ein kleiner Versatz macht sichtbar, wie sehr Ordnung von ihren Abweichungen lebt. Wer an der Schnittstelle von Daten, Struktur und Bild weiterdenken will, kann dazu auch Datenkunst ist kein Schmuck für Zahlen im Hinterkopf behalten: Auch dort entsteht ästhetische Kraft oft erst, wenn Regelhaftigkeit nicht glatt bleibt.
Generative Kunst ist deshalb weder reine Berechnung noch romantischer Kontrollverlust. Sie ist eine Praxis dosierter Offenheit. Das Entscheidende ist nicht, ob Zufall vorkommt, sondern wie eng er gerahmt wird und welche Form von Überraschung überhaupt zugelassen ist.
Die Geschichte beginnt vor dem Bildgenerator
Wenn heute über generative Kunst gesprochen wird, springen viele sofort zu aktuellen Bildmodellen. Historisch ist das zu kurz. Die Ausstellung Coded: Art Enters the Computer Age, 1952-1982 am LACMA macht genau diesen größeren Rahmen sichtbar: Schon im Mainframe-Zeitalter arbeiteten Künstler, Musiker und Designer mit Computern, Algorithmen und Systemen, lange bevor persönliche Rechner oder KI-Bildtools massentauglich wurden.
Diese frühe Phase war materiell und institutionell geprägt. Rechnerzeit war knapp, Zugänge lagen oft in Forschungseinrichtungen, und Ausgaben mussten über Plotter, Drucker oder andere maschinelle Wege sichtbar gemacht werden. Das formte den Stil mit. Bilder waren nicht einfach digitale Oberflächen, sondern Spuren eines Systems, das Schritt für Schritt etwas ausführte. Gerade deshalb ist die Geschichte der generativen Kunst auch eine Geschichte ihrer Infrastruktur.
Vera Molnárs Plotterarbeiten zeigen, dass diese Bilder trotz maschinischer Präzision eine eigene Handschrift behalten konnten. Harold Cohen ging noch anders vor. Auf AARON's Home und in seiner Biografie wird sichtbar, wie AARON als langfristig entwickeltes Kunstprogramm nicht bloß ein Trick oder Gimmick war, sondern ein ernstes Projekt darüber, wie ein System Formen, Figuren, Raum und später auch Farbe hervorbringen kann. Entscheidend ist hier nicht die übliche Schlagzeile "Computer malt", sondern die andere Frage: Welche Teile des malerischen Wissens müssen überhaupt formalisiert werden, damit ein Programm zeichnen oder kolorieren kann?
Mit AARON verschiebt sich die Debatte spürbar. Nicht mehr nur Linien und Variationen werden automatisiert, sondern ganze Ebenen bildnerischer Entscheidung werden in Regeln, Heuristiken und Teilkompetenzen übersetzt. Damit wird generative Kunst zu einem Labor darüber, wie künstlerisches Wissen zerlegt werden kann, ohne vollständig in bloße Mechanik aufzugehen.
Was Processing verändert hat
Ein zweiter Bruch liegt nicht in einer einzelnen Ästhetik, sondern in der Verbreiterung des Zugangs. Processing wurde seit 2001 ausdrücklich so gebaut, dass visuelle Künstler, Designer und Lernende mit Code arbeiten können, ohne zuerst eine klassische Informatiksozialisation mitbringen zu müssen. Damit wurde generative Praxis für viel mehr Menschen zu einem Werkzeug des Skizzierens, Testens und Herstellens.
Das ist kulturgeschichtlich wichtiger, als es zunächst klingt. In der frühen Computerkunst lag Macht stark bei den Orten, die Rechner bereitstellten. Mit Processing wird Programmieren selbst zum gestalterischen Notizbuch. Wer Variationen erzeugen, Systeme entwerfen oder Formen iterieren will, braucht nicht mehr denselben institutionellen Unterbau wie in der Mainframe-Ära. Das verändert nicht automatisch die Qualität der Kunst, aber die Breite der möglichen Akteure.
Hier berührt sich generative Kunst mit Themen, die Wissenschaftswelle schon an anderer Stelle behandelt hat. Generatives Design sucht Formen. Entwerfen müssen wir trotzdem beschreibt sehr präzise, dass Systeme Vorschläge machen können, die Verantwortung für Auswahl und Einordnung aber nicht einfach verschwindet. Genau diese Logik gilt auch in der Kunst.
Was neuronale Netze neu machen und was nicht
Mit heutigen Bildmodellen ändert sich der Maßstab. Beim Met wird in How Artificial Intelligence Sees Art History knapp und brauchbar erklärt, wie generative adversarial networks funktionieren: Ein Generator produziert Bilder, ein Diskriminator bewertet sie, und das System lernt dadurch, welche Bildformen innerhalb eines bestimmten Raums plausibel wirken. Das verschiebt die generative Kunst in einen Bereich, in dem nicht mehr nur explizite Regeln und geometrische Transformationen zählen, sondern statistisch gelernte Bildräume.
Wirklich neu ist daran nicht, dass Bilder aus Verfahren entstehen. Neu ist, wie groß, dicht und kulturhistorisch aufgeladen diese Verfahren geworden sind. Der Datensatz ist jetzt kein Nebenpunkt mehr, sondern Teil der Ästhetik. Das Met macht genau darauf aufmerksam: Wenn ein Modell auf einer kuratierten Sammlung operiert, übernimmt es nicht nur Formen, sondern auch die historischen und institutionellen Vorentscheidungen dieser Sammlung.
Das CAN-Paper von Ahmed Elgammal und Kollegen ist hier ein nützlicher Bezugspunkt, weil es das Ziel explizit formuliert: nicht nur bestehende Stilräume zu imitieren, sondern von gelernten Stilklassen abzuweichen und gerade daraus neuartige Bilder zu erzeugen. Man muss diese Behauptung nicht unkritisch übernehmen, um zu sehen, worin der Unterschied zu älterer generativer Kunst liegt. Wo frühe Systeme oft sichtbar regelhaft arbeiteten, erzeugen neuronale Modelle große Felder plausibler Bildlichkeit, in denen der Regelapparat nicht mehr als Raster oder Wiederholung auf der Oberfläche erscheint. Ein Prompt ist hier deshalb nicht einfach ein moderner Pinsel, sondern eher ein Steuerbefehl innerhalb eines bereits vorgeformten statistischen Bildraums.
Trotzdem sollte man die Kontinuität nicht unterschätzen. Auch hier bleibt Gestaltung verteilt: auf Trainingsdaten, Modellarchitektur, Prompting, Sampling, Auswahl, Nachbearbeitung und Kontext. Wer das als reine Maschinenkreativität missversteht, macht dieselbe Verkürzung wie bei älteren Debatten über Plotter oder AARON, nur mit größerer Rechenleistung.
Die eigentliche Autorschaft liegt oft vor dem Bild
Gerade bei generativer Kunst lohnt es sich deshalb, Autorschaft anders zu lesen. Nicht nur das sichtbare Endbild ist gestaltet. Gestaltet sind auch die Beschränkungen, der Fehlerraum, die Gewichtungen, die Eingriffsstellen und die Kriterien, nach denen etwas als gelungen gilt. In vielen Fällen verschiebt sich die signifikante Entscheidung sogar nach vorn: weg vom einzelnen Strich, hin zum Entwurf eines produktiven Systems.
Das heißt nicht, dass alle generativen Bilder automatisch stark wären. Im Gegenteil. Weil die Verfahren heute so viel Material auswerfen können, wird die kuratorische Härte wichtiger. Eine überzeugende generative Arbeit ist nicht einfach eine gelungene Ausgabe, sondern ein intelligentes Verhältnis aus Systembau, Abweichung und Auswahl. In diesem Punkt gibt es eine interessante Nähe zu Wenn Bilder mitforschen: Wie wissenschaftliche Visualisierung Erkenntnis formt: Auch dort entstehen Bilder nicht bloß aus Daten, sondern aus Entscheidungen darüber, was sichtbar werden soll.
Deshalb führt die Frage "Ist das noch Kunst?" meist in die falsche Richtung. Präziser ist zu fragen: Wer hat hier welchen Bildraum gebaut? Wer hat die Störung gesetzt? Wer hat verworfen? Wer hat das Ergebnis lesbar gemacht? Generative Kunst ist stark, wenn man diese Ebenen nicht verwechselt.
Was an generativer Kunst heute wirklich neu ist
Die Grundidee ist älter als der aktuelle KI-Zyklus: Bilder können aus Verfahren wachsen, nicht nur aus direkter Setzung. Neu ist heute vor allem die Reichweite. Systeme operieren mit riesigen Datensätzen, hoher Rechengeschwindigkeit und einer visuellen Plausibilität, die früher unerreichbar war. Das macht generative Kunst nicht automatisch tiefer, aber es verschiebt ihre kulturelle Lage. Sie steht nicht mehr am Rand spezialisierter Rechenkunst, sondern mitten in einer Bildökonomie, in der Verfahren selbst massenhaft Bilder erzeugen.
Gerade deshalb lohnt der Blick zurück. Wer Molnár, Plotterarbeiten, AARON, Processing und heutige neuronale Netze nebeneinander betrachtet, sieht keine saubere Ablösung, sondern eine Folge von Verschiebungen. Immer wieder geht es um dieselbe künstlerische Kernfrage: Wie viel Form kann man an ein System delegieren, ohne dass die ästhetische Verantwortung verdampft? Die interessanteste Antwort lautet bisher nicht "alles" und auch nicht "nichts", sondern: gerade so viel, dass im Regelraum etwas sichtbar wird, das man weder völlig geplant noch bloß zufällig nennen kann.
Autorenprofil
Benjamin Metzig ist Gründer, Autor und redaktionell Verantwortlicher von Wissenschaftswelle.de. Wissenschaftswelle ist ein persönlich geführtes redaktionelles Wissensprojekt, das komplexe Themen aus unterschiedlichen Fachbereichen sorgfältig recherchiert, strukturiert und verständlich aufbereitet. Moderne Recherche-, Analyse- und KI-Werkzeuge dienen dabei als Unterstützung, während Auswahl, Einordnung, Ton, Quellenbewertung und Veröffentlichung redaktionell bei Benjamin Metzig verantwortet bleiben. Mehr zum Profil: Autorenprofil von Benjamin Metzig.
