«Guten Tag, meine Damen und Herren. Mein Name ist Joshua Strickland. Ich bin Teamleiter für die Entwicklung visueller Intelligenz hier im Stanford Vision Lab. Ich danke Ihnen, dass Sie hergekommen sind.»

Strickland stand vorn im dunklen, fensterlosen Untergeschosshörsaal des Gates Computer Science Building. Neben ihm füllte das «Kameraauge»-Logo des Vision Lab eine große Leinwand. Im kühlen Beamer-Widerschein sah er bekannte und unbekannte Gesichter in dem überschaubaren Publikum, das hauptsächlich in den ersten beiden Reihen Platz genommen hatte. Er fokussierte den Blick auf die ernsten Mienen direkt vor ihm.

«Besonders herzlich begrüßen möchte ich unsere verehrten Gäste vom Transformational Convergence Technology Office. Und ich danke an dieser Stelle unserer wissenschaftlichen Betreuerin Dr. Lei Li, ohne deren Unterstützung wir diese Präsentation nicht hätten realisieren können.»

Zaghafter Applaus irgendwo im Dunklen.

Strickland hielt inne, um sich zu sammeln. So viel hing von den nächsten Minuten ab. Er holte Luft und begann: «Was Sie jetzt gleich sehen werden, ist eine Visuelle-Intelligenz-Technologie, die wir Raconteur nennen.» Ein Klick auf seiner Fernbedienung, und es erschien eine Animation von Dutzenden, dann Hunderten und schließlich Tausenden Video-Insets, ein gigantisches Gewimmel, ein riesiger Strom von Bilddaten. «Visuelle Intelligenz wird oft mit maschinellem Sehen verwechselt – ist aber sehr viel mehr. Visuelle Intelligenz bedeutet, Maschinen nicht nur zu befähigen, Objekte auf Bildern zu identifizieren – was schon seit Jahren möglich ist –, sondern sie auch mit den kognitiven Fähigkeiten auszustatten, zu erkennen, was in einer Szene vor sich geht. Konzepterkennung, integrierte Kognition, Interpolation, Prädiktion. Was geschehen sein könnte und was als Nächstes geschehen kann. Es bedeutet, Maschinen in die Lage zu versetzen, nicht nur zu sehen, sondern auch zu verstehen, was sie sehen.»

Er suchte die Gesichter vorn in der Mitte ab. «Wofür ist das wichtig?»

Er klickte auf der Fernbedienung, und es erschienen Überwachungsaufnahmen von Londoner U-Bahn-Bombern, wie sie durch U-Bahnhöfe gingen oder in Waggons standen. «In einer immer gefährlicher werdenden Welt ist Videoüberwachung das aussichtsreichste Mittel einer Gesellschaft, Bedrohungen bereits im Vorfeld zu erkennen. Doch diese Flut von Überwachungsaufnahmen bedeutet eine exponentielle Zunahme der Menge an Videomaterial, das analysiert werden muss – und zwar in Echtzeit analysiert, wenn es darum gehen soll, kriminelle Akte nicht nur hinterher nachzuverfolgen, sondern sie zu verhindern.»

Es erschien eine neue Folie von einem ausgebrannten Starbucks in einer belebten Straße. Dann ein Zeitungsfoto von einem ausgebrannten SUV mit der Schlagzeile SENATOR BEI TERRORANSCHLAG GETÖTET. «Wir brauchen ja nur an die jüngsten, nach wie vor unaufgeklärten Terroranschläge hier in den Vereinigten Staaten zu denken, um die lebenswichtige Bedeutung visueller Intelligenz für unsere Zukunft zu erkennen.»

Strickland ließ den Blick über seine Zuhörer wandern. Die Leute waren ganz Ohr.

«Wie statten wir Maschinen mit dieser Fähigkeit aus? Wir tun es, indem wir die Art und Weise nachahmen, wie Menschen raumzeitliche Vorgänge verarbeiten. Die visuelle Kognition des Menschen ist auf Veränderung ausgerichtet, und diese Veränderungen rufen das hervor, was wir ‹Aufmerksamkeitszustände› nennen. Wir erzielen Aufmerksamkeitszustände in Bezug auf Videomaterial mittels eines algorithmischen Mechanismus, der Faktoren wie Aufmerksamkeitsfokus, Markierung auffälliger Objekte und kritische Beziehungen zwischen solchen Objekten auf der Ebene von Bewegung und Kontakt beinhaltet. Diese sind notwendig, um einzelne Vorgänge voneinander zu unterscheiden. Eine Serie von Aufmerksamkeitszuständen wird zu einer visuellen Aufmerksamkeitsspur kombiniert, die man als VAT bezeichnet: gewissermaßen eine Narration mit einzelnen Episoden. Eine Geschichte, die sich programmatisch durch maschinenlesbaren Text darstellen lässt – Text, der wiederum algorithmisch auf Relevantes abgesucht werden kann. Dies geschieht in Echtzeit durch eine ‹Leserschaft› von anderen, simpleren Programmen. Deshalb nennen wir unser System Raconteur – weil es das, was passiert, so erzählt, dass gewöhnliche Systeme es verstehen können. Und wie jeder gute Erzähler behält Raconteur im Blick, wie sich die aktuelle Szene in die gesamte Geschichte einfügt.»

Strickland wusste, dass die Mischung aus Jugend und Selbstbewusstsein, die er verkörperte, in diesem Rahmen ein Vorteil war. So war das nun mal im Bereich disruptive Technologien. Mit zweiundzwanzig leitete er ein Team, das die Verarbeitung visueller Information revolutionieren würde. Auch wenn er nicht die treibende Kraft hinter den Innovationen war, hatte er ein besonderes Talent dafür, fähige Leute ausfindig zu machen und für seine Arbeitsgruppen zu rekrutieren. Und es hatte sich gezeigt, dass diese Gabe die wohl wichtigste Voraussetzung war, um in Silicon Valley Erfolg zu haben. Eine gute Idee zu erkennen und zu wissen, wer sie realisieren konnte. Hindernisse aus dem Weg zu räumen und andere zu inspirieren, das war der Hauptbestandteil von Innovation.

«Wir haben mit den Technikern der DARPA zusammen die folgende Demonstration erstellt, unter strenger Beachtung der Leitlinien des Mind’s Eye Project. Bitte denken Sie daran, dass unser System dem Bildmaterial, das Sie – und es – jetzt sehen werden, nie zuvor ausgesetzt war. Nach dem Test nehmen wir Ihre Fragen gern entgegen. Doch zunächst präsentiere ich Ihnen Raconteur, den Geschichtenerzähler …»

Wieder mäßiger Applaus, während die Leinwand dunkel wurde.

Strickland trat beiseite, als davor zwei kleinere Projektionsflächen aufleuchteten. Eine zeigte den Titel «TCTO Phase 1 – Erkennungstest», die andere einen blinkenden Cursor.

Strickland ging auf die Seite des Raums und stellte sich, Rückhalt suchend, zu seinem Projektteam. Angespannt sah er seinen Chefentwickler Vijay Prakash an, aber der gutaussehende, mürrische Bengale ignorierte Stricklands gewölbte Augenbrauen und blickte stur auf die Projektionsfläche. Die übrigen Mitglieder der Doktoranden-Crew – Sourav Chatterjee, Gerhard Koepple, Wang Bao-Rong und Nikolay Kasheyev – bekundeten durch ein Nicken, dass sie sich der Bedeutung des Augenblicks bewusst waren. Dann wandten auch sie sich der Leinwand zu.

Jetzt zeigte auch die rechte Projektionsfläche die Worte «TCTO Phase 1 – Erkennungstest». Die Doppelprojektion war so aufgebaut, dass alles, was auf der linken Bildfläche erschien, von Raconteur gedeutet und auf der rechten in Worten beschrieben werden sollte.

Auf seinem Stehplatz im Dunkeln atmete Strickland erleichtert auf. Ein Versagen schon bei der simplen Texterkennung auf der Titelkarte wäre tödlich gewesen. Allerdings wurde die optische Zeichenerkennung von einer lizenzierten Library durchgeführt, nicht von ihrem Programm. Dennoch, die DARPA-Verantwortlichen würden es ihnen nicht nachsehen, wenn sie eine schlechte Library gewählt hätten.

Aber der Test ging bereits weiter. Keine Zeit, über Katastrophenszenarien nachzugrübeln. Auf der linken Projektionsfläche erschien ein schwarz-weißes Überwachungsvideo. Es zeigte eine Frau, die mit einem Aktenkarton einen Büroflur entlangging.

Strickland verfiel wieder in Anspannung. Er hatte die VI-Algorithmen hunderttausend Mal arbeiten sehen und wusste ziemlich genau, wie sie funktionierten, aber sie waren noch nie vor einem so wichtigen Publikum gelaufen. Was jetzt gleich passierte, würde über die nächsten Jahre seines Lebens – des Lebens aller Teammitglieder – und sehr wahrscheinlich über seine weitere Karriere entscheiden. Er fixierte den Cursor auf der rechten Projektionsfläche – dem Raconteur-Ausgabescreen.

Als das Video weiterlief, erschienen auf der rechten Projektionsfläche Buchstaben …

Person trägt Objekt durch Gang.

Anerkennendes Gemurmel lief durch den Raum, aber Strickland entspannte sich immer noch nicht. Komm schon. Mach’s. Mach schon, Baby …

Der Cursor begann jetzt, Elemente genauer zu benennen.

Frau trägt Schachtel durch Gang.

Erneutes Gemurmel und etwas Applaus. Strickland sah zu den DARPA-Managern hin, die nickten und leise miteinander redeten. Notizen machten. Eine Woge der Erleichterung erfasste ihn. Er hatte gar nicht gemerkt, wie verkrampft er gewesen war, aber jetzt, wo die ersten Eindrücke positiv ausfielen, würden die Gutachter gnädiger sein, wenn später noch etwas schiefging. Was auch immer von jetzt an passieren würde, ein Meltdown war es jedenfalls nicht. Sie hatten sich als ernstzunehmend qualifiziert.

Auf der linken Projektionsfläche kamen jetzt Außenüberwachungsaufnahmen: Ein amerikanischer Soldat stand mit umgehängter MP auf einer vermüllten Slumstraße irgendwo in Nahost und gestikulierte zu unsichtbaren Personen hin. Ein kleines Kind – möglicherweise ein irakisches – kam hinter ihm ins Bild. Wieder überfiel Strickland Angst, als der Text weiterrollte …

Bewaffnete Person … erfährt Annäherung durch Kind.

Wieder Applaus und sogar ein paar erregte Ausrufe.

Strickland fühlte, wie sich ein Lächeln über sein Gesicht breitete, unterdrückte es aber sofort. Zu früh zum Feiern.

Uniformierter Soldat erfährt Annäherung durch Kind auf Straße.

Erneut Laute der...