KI, die Kreative Intelligenz jetzt in der neuesten Folge SMART&nerdy! Podcastfolge #23.
Yannis Heim und Laura Bies, AWSI
(Titelbild: © Adobe Stock | 1532194540 | WrightStudio )
Neue Rechenparadigmen verändern den Wettlauf zwischen Deepfake-Erzeugung und -Erkennung. Photonische und analoge Architekturen können generative KI schneller, günstiger und energieeffizienter machen und damit hochauflösende Echtzeit-Fälschungen zunehmend auf Endgeräte bringen. Gleichzeitig ermöglichen sie effizientere Erkennungsverfahren direkt am Sensor. Kryptografische Herkunftsnachweise wie C2PA sollen die Authentizität digitaler Inhalte absichern, könnten langfristig jedoch selbst unter Druck geraten: Leistungsfähige Quantencomputer bedrohen die heute eingesetzten Signaturverfahren. Damit wird neben der Erkennung von Fälschungen zunehmend die langfristige Beweisbarkeit digitaler Echtheit zur Herausforderung.
Was heute noch enorme Rechenleistung erfordert, könnte morgen direkt auf Kamera oder Smartphone passieren: täuschend echte Bilder, Stimmen und Videos in Echtzeit. Während neue Hardware die Fälschung demokratisiert, verändert sie zugleich unsere Möglichkeiten, Echtheit nachzuweisen. Ein technologischer Wettlauf beginnt, bei dem nicht nur bessere KI-Modelle darüber entscheiden, was wir noch glauben können.
Deepfakes werden nicht nur durch bessere KI-Modelle überzeugender, sondern zunehmend durch neue Rechenhardware. Photonische Prozessoren und analoge In-Memory-Architekturen können generative KI schneller, günstiger und energiesparender machen und verschieben sie damit aus der Cloud direkt auf Kameras, Mikrofone und andere Endgeräte, in Echtzeit und auf immer kleinerer Hardware. Dieselben Technologien werden zugleich zur Grundlage neuer Erkennungs- und Beweisverfahren. Im Hintergrund tickt eine langsamere, aber folgenreichere Uhr. Ab August 2026 verpflichtet der EU AI Act zur Kennzeichnung von KI-generierten Inhalten, während Quantencomputer schon in den 2030er-Jahren genau jene kryptografischen Signaturen brechen könnten, mit denen wir Bilder und Videos heute als „echt“ beglaubigen. Wer über die Zukunft digitaler Wahrheit nachdenkt, muss deshalb nicht nur über bessere Algorithmen sprechen, sondern über die Rechenparadigmen, auf denen Fälschung und Beweisführung künftig laufen.
Im Februar 2024 überweist ein Finanzmitarbeiter in Hongkong 25 Millionen US-Dollar, nachdem er mit mehreren vermeintlichen Führungskräften seines Konzerns in einer Videokonferenz gesprochen hat [1]. Jede Person im Call, bis auf ihn selbst, ist ein Deepfake, kein gefälschter Link, kein manipuliertes Dokument, nur bewegte Bilder und Stimmen, überzeugend genug für eine achtstellige Überweisung. Solche Fälle gelten noch als aufwendig produzierte Ausnahme. Die eigentliche Frage lautet: Was passiert, wenn genau die Rechentechnik, die morgen Fälschungen erzeugt, übermorgen auch darüber entscheidet, wie gut wir sie erkennen können?
2023 wurden rund 95.820 Deepfake-Videos im Netz identifiziert, ein Anstieg von 550 Prozent gegenüber 2019 [2]. Der EU AI Act reagiert darauf. Ab dem 2. August 2026 müssen KI-generierte oder KI-manipulierte Bild-, Ton- und Videoinhalte, die echten Personen, Objekten oder Ereignissen täuschend ähneln, maschinenlesbar und für Menschen erkennbar gekennzeichnet werden [3] . Verstöße können mit Bußgeldern bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes geahndet werden. Für offensichtlich künstlerische, satirische oder fiktionale Inhalte gilt keine vollständige Ausnahme, sondern eine abgeschwächte Kennzeichnungspflicht.
Die technische Antwort ist eine wachsende Infrastruktur für Herkunftsnachweise. Der Industriestandard C2PA versieht Fotos und Videos mit kryptografisch signierten „Content Credentials“ um die Frage zu beantworten: Wer hat wann mit welchem Gerät aufgenommen und welche Bearbeitungsschritte folgten [4]. Googles Pixel 10 signiert mittlerweile jedes Foto standardmäßig, Samsungs Galaxy S25 vergibt C2PA-Credentials bislang vor allem für KI-bearbeitete Aufnahmen. Google markiert KI-generierte Bilder zusätzlich mit einem unsichtbaren Wasserzeichen namens SynthID [5]. Die Idee: Jede Aufnahme trägt von Geburt an einen Herkunftsnachweis, jede Manipulation hinterlässt Spuren, zumindest in der Theorie.
Die erste unabhängige, formale Sicherheitsanalyse von C2PA kommt in der Praxis zu einem anderen Schluss. Zeitstempel lassen sich unbemerkt fälschen, widerrufene Zertifikate werden weiterhin akzeptiert, verschiedene Prüfwerkzeuge widersprechen sich gegenseitig und an einem Pixel-10-Pro-Foto ließ sich so sogar der GPS-Standort unbemerkt manipulieren [6]. Leicht übersehen wird dabei, dass beide Seiten dieses Wettrennens, Erzeugung und Erkennung von Fälschungen, zunehmend davon abhängen, welche Rechenhardware ihnen zur Verfügung steht.
Klassische Prozessoren stoßen an physikalische Grenzen. Transistoren werden kaum noch kleiner oder schneller, und mit dem Ende des sogenannten Dennard-Scalings erzeugt jede Rechenoperation über den elektrischen Widerstand zunehmend unvermeidbare Abwärme [7]. Gleichzeitig ist der Trainingsrechenbedarf moderner KI-Modelle über weite Strecken der vergangenen Jahre im Schnitt alle sechs Monate um das Doppelte gewachsen [8]. Energie wird damit zum limitierenden Faktor und genau hier setzen mehrere Rechenparadigmen an, die derzeit aus dem Forschungsstadium in erste industrielle Use Cases wandern.
Photonisches Computing nutzt Licht statt Elektronen für Rechenoperationen. Ein am MIT entwickelter photonischer Chip erreichte gegenüber klassischer Hardware eine hundertfach höhere Rechengeschwindigkeit bei tausendfach geringerem Energieverbrauch [9]. Was für Simulationsworkflows oder wissenschaftliches Rechnen entwickelt wird, senkt zugleich die Kosten- und Energiebarriere für generative Modelle, jene Barriere, die heute noch verhindert, dass hochauflösende Echtzeit-Deepfakes massenhaft entstehen. Neuromorphe Chips gehören ebenfalls in dieses Feld, eignen sich aber bisher kaum für generative Modelle wie Diffusion oder GANs [10], [11].
Analoges Computing lässt Speicher- und Rechenoperationen in derselben Memristor-Zelle ablaufen und umgeht so den von-Neumann-Flaschenhals, also den ständigen, energieintensiven Datentransfer zwischen Prozessor und Speicher [12], [13]. Bei führenden KI-Modellen wächst die benötigte Rechenleistung zuletzt etwa doppelt so schnell wie die verfügbare Speicherbandbreite, wodurch dieser Flaschenhals zunehmend zum Kostentreiber generativer Systeme wird [14]. Rechnet man dort, wo die Daten ohnehin liegen, sinkt der Aufwand für leistungsfähige Generierungsmodelle auch auf kleiner, günstiger Hardware [12].
Besonders interessant ist probabilistisches beziehungsweise thermodynamisches Computing als noch junges Forschungsfeld. Es nutzt physikalisches Rauschen direkt als Rechenressource. Ein „p-bit“ wechselt fortlaufend mit bestimmter Wahrscheinlichkeit zwischen null und eins [15]. Erste funktionsfähige Hardware für Sampling-Aufgaben wurde 2025 vorgestellt [16]. Das passt besonders gut zu generativer KI: Diffusionsmodelle wurden aus der Nichtgleichgewichts-Thermodynamik hergeleitet und erzeugen Inhalte über iterative, stichprobenbasierte Rauschprozesse [17], [18]. Ein aktuelles theoretisches Rahmenwerk nennt Diffusionsmodelle, Bayessche neuronale Netze und Monte-Carlo-Sampling ausdrücklich als mögliche Anwendungen solcher Hardware [19]. Native statt simulierte Zufälligkeit könnte generative KI damit deutlich beschleunigen. Für den breiten Einsatz ist die Technologie noch nicht reif, gehört aber als Beobachtungsfeld auf jede Technologie-Agenda.
Neben diesen eher kurzfristig wirksamen Paradigmen bleibt Quantencomputing das Feld mit dem am weitesten reichenden Zeithorizont und der größten Tragweite für die Beweisbarkeit selbst. Jede digitale Signatur, jedes Wasserzeichen, jeder Content-Herkunftsnachweis beruht am Ende auf asymmetrischer Kryptografie wie RSA oder elliptischen Kurven, die ein hinreichend leistungsfähiger Quantencomputer mittels des Shor-Algorithmus in praktikabler Zeit brechen könnte [20]. Wie dringlich diese Frage ist, zeigt das „Mosca-Theorem“. Sobald die Summe aus geforderter Schutzdauer der Daten und der Zeit für eine vollständige Migration auf neue Verfahren die verbleibende Zeit bis zu einem kryptografisch relevanten Quantencomputer übersteigt, besteht akuter Handlungsbedarf [21]. Eine Expertenbefragung des Global Risk Institute beziffert die Wahrscheinlichkeit eines solchen Systems auf 28 bis 49 Prozent bis 2035 und auf 51 bis 70 Prozent innerhalb der nächsten 15 Jahre [22].
Für gewöhnliche Verschlüsselung gilt das Muster „Harvest now, decrypt later“. Angreifer:innen zeichnen heute verschlüsselte Daten auf, um sie später zu entschlüsseln. Dies entspricht einem Angriffsszenario, dessen praktische Machbarkeit inzwischen auch formal untersucht wurde [23]. Für Authentizitätsnachweise gilt die Umkehrung, also die rückwirkende Entwertung von Beweisen. Ein heute signiertes Nachrichtenvideo soll auch in zwanzig Jahren noch als authentisch belegbar sein, doch sobald der zugrundeliegende Schlüssel berechenbar wird, lässt sich jede Signatur nachträglich infrage stellen. Die gute Nachricht: Das US-amerikanische NIST hat bereits 2024 die ersten quantensicheren Kryptografiestandards final verabschiedet mit ML-KEM [24], ML-DSA [25] und SLH-DSA [26]. Für Content-Provenance-Systeme wie C2PA ist deren Einsatz aber noch die Ausnahme, nicht die Regel. Dies liegt auch am zeitlichen Vorlauf. C2PA wurde spezifiziert, bevor die NIST-Standards final vorlagen, und setzt auf dieselben Signaturverfahren wie TLS/HTTPS oder S/MIME-Codesigning. Der Standard ist dabei bewusst algorithmenagnostisch ausgelegt. Die Verfahren lassen sich austauschen, sobald Browser, Betriebssysteme und Tooling PQC breit unterstützen.
Wer sich mit Deepfake-Abwehr oder Content-Authentifizierung befasst, sollte neben den Algorithmen auch die zugrundeliegende Hardware im Blick behalten. Kurzfristig gilt das besonders für Photonik und Analog Computing. Sie treiben die Kosten der Generierung nach unten, ermöglichen aber im Gegenzug auch energieeffiziente Erkennung direkt am Sensor. Auch sogenannte neuromorphe Chips, die sich in ihrer Funktionsweise am menschlichen Gehirn orientieren, zeigen bislang vor allem bei der Erkennung von Mustern und Signalen großes Potenzial. Entscheidend ist dabei die Ambivalenz dieser Entwicklung. Dieselben Technologien, die Fälschung günstiger machen, senken auch die Kosten für Erkennung und Beweisführung am Endgerät, in Echtzeit. Historisch profitiert von neuer Rechenkraft zunächst die Generierung, nicht die Prüfung. Die Erkennungsleistung sinkt mit wachsender Qualität der Fälschungen tendenziell, statt zu steigen [27].
Mittelfristig rückt Quantencomputing in den Blick, als Uhr, die tickt. Organisationen, deren Signaturen oder Zertifikate langfristig beweiskräftig bleiben müssen, sollten deshalb frühzeitig eine Bestandsaufnahme ihrer kryptografischen Annahmen machen und Kryptoagilität von Anfang an mitdenken, statt sie einer späteren Migration zu überlassen [28]. Wer Quantensicherheit als Problem der 2030er-Jahre behandelt, riskiert, dass heutige Authentizitätsnachweise ein stilles Ablaufdatum tragen. Am wichtigsten aber ist eine Haltung: Keines dieser Paradigmen als Allheilmittel zu behandeln. Wer digitale Wahrheit ernst nimmt, sollte deshalb nicht nur fragen, welches KI-Modell einen Fake erzeugt hat, sondern auch, auf welcher Hardware, mit welchem Reifegrad und mit welchem zeitlichen Vorsprung gegenüber der eigenen Abwehr dies geschehen ist.hlüssel, um anfängliche Einstiegshürden konsequent in langfristige Nutzungsvorteile zu verwandeln. Nur so werden digitale B2B-Services zur echten Entlastung und bieten den versprochenen Mehrwert für beide Seiten.
