Der Schwarzwald ist bekannt für seine dichten Nadelwälder, Kuckucksuhren oder kulinarische Spezialitäten wie die Schwarzwälder Kirschtorte. Seit 2024 könnte man die Liste um eines der erfolgreichsten Deeptech-Unternehmen Europas ergänzen: Black Forest Labs, ein Start-up, das an hoch entwickelter künstlicher In­telligenz für die Generierung von Bildern und Videos arbeitet.

Wir treffen Andreas Blattmann, Mitgründer und einer der führenden KI-Forscher bei Black Forest Labs, zum Gespräch im Firmensitz in Freiburg im Breisgau. Blattmann trägt «The Länd»-Socken (Slogan des Standort­marketings von Baden-Württemberg) – ein Bekenntnis zum Standort. Denn während die KI-Welt gewöhnlich nach San Francisco blickt, wollen er und seine Mit­gründer zeigen, dass sich auch aus dem Schwarzwald ein globales Technologieunternehmen aufbauen lässt. «Für uns war von vornherein klar, dass wir hier unser Headquarter haben. Zu zeigen, dass man hier ein Tech-Unternehmen aufbauen kann, das mit den Riesen in den USA und in China mithält und sie auch über­flügeln kann, ist ganz wichtig. Wir wollen zeigen, was aus Europa möglich ist», so Blattmann.

Dass sie ganz vorne mitspielen können, haben sie bereits bewiesen: 2024 mit insgesamt zehn Mitgründern gestartet, darunter Robin Rombach, Patrick Esser sowie Andreas Blattmann, ist Black Forest Labs mit einer Bewertung von 3,25 Mrd. US-$ (2,63 Mrd. CHF) eines der wertvollsten KI-Start-ups in Europa. Das Unternehmen beschäftigt mittlerweile rund 90 Mitarbeiter an den Standorten Freiburg und San Francisco. Während das Büro in den USA den Zugang zum amerikanischen Technologiemarkt, zu Softwaretalenten und zum KI-Ökosystem des Silicon Valleys sichern soll, bleibt Freiburg das wissenschaftliche Zentrum, in dem die mathematischen Modelle entstehen. «Der überwiegende Teil, rund 69 % unserer Forschungsabteilung, sitzt hier», sagt Blattmann.

Im Zentrum von Black Forest Labs steht die ­Modellfamilie «Flux», mit der sich Bilder erzeugen, bearbeiten und anhand mehrerer visueller Vorlagen weiter­entwickeln lassen. Damit tritt Black Forest Labs gegen die Bildmodelle von Open AI, Google, Mid­journey und weiteren milliardenschweren Technologie­unternehmen an und liefert sich mit ihnen laut der Benchmark-Plattform Artificial Analysis ein Kopf-an-Kopf-Rennen.

Die offenen Flux-Modelle verzeichnen bereits millionenfache Downloads auf der Entwicklerplattform Hugging Face. Kunden können kommerzielle Varianten über spezialisierte KI-Plattformen direkt in ihre Anwendungen einbinden, ohne dafür eine eigene Recheninfrastruktur betreiben zu müssen. In der Praxis reicht das Einsatzspektrum von Bildbearbeitung und Design über Marketing und Produktvisualisierung bis hin zu Film, Storyboarding und redaktionellen Anwendungen. Mittlerweile zählt Black Forest Labs zahlreiche bekannte Unternehmen zu seinen Kunden: Adobe bietet Flux unter anderem in Firefly, Photoshop und Adobe Express an und auch Unternehmen wie Meta und Microsoft setzen auf die Modelle des Freiburger Einhorns. Dass Black Forest Labs trotz der Konkurrenz durch deutlich grössere Technologie­konzerne solche Partner gewinnt, zeigt, wie stark sich das Freiburger Unternehmen mit seinem Fokus auf visuelle generative KI im Markt positioniert hat: «Wir können mit Forschungsteams mithalten, die zwei ­Grössenordnungen grösser sind und natürlich deutlich mehr Ressourcen haben», sagt Blattmann.

Black Forest Labs bewegt sich damit in einem noch vergleichsweise jungen, aber schnell wachsenden Markt. Laut dem Marktforscher Grand View Research wurde der weltweite Markt für KI-Bildgeneratoren 2023 auf rund 350 Mio. US-$ geschätzt; bis 2030 soll er auf etwa 1,1 Mrd. US-$ wachsen. Finanziert wird dieser Anspruch von einigen der einflussreichsten Investoren der Technologiebranche. Black Forest Labs sammelte zuletzt 300 Mio. US-$ ein, zu den Kapitalgebern zählen unter anderem die US-Tech-Investoren Andreessen Horowitz und General Catalyst sowie der KI-Chip-­Konzern Nvidia. Mit der nächsten Modellgeneration will Black Forest Labs nun über klassische Bild­generatoren hinausgehen: Bilder, Videos und weitere visuelle Informationen sollen in einer umfassenderen «Visual Intelligence» zusammengeführt werden.

Andreas Blattmann wuchs in Waldkirch nahe Freiburg auf und besuchte dort das Geschwister-Scholl-Gym­nasium, in dem er 2012 sein Abitur absolvierte. Damals bestimmte vor allem Musik seinen Alltag. «Ich habe Musik­abitur gemacht, in verschiedenen Bands gespielt und lange überlegt, ob ich Musik studiere», erzählt er. Zugleich war er an technisch-naturwissenschaftlichen Fragestellungen interessiert. Schliesslich entschied er sich auf Anraten seines Vaters für ein Maschinenbau­studium am Karlsruher Institut für Technologie (KIT). Dort stiess er auf eine studentische Gruppe, die an autonomen Fahrzeugen forschte. Während viele seiner Kommilitonen an der Hardware der Modell­fahrzeuge arbeiteten, landete er in der Bildverarbeitung (sie ermöglicht es den Fahrzeugen, ihre Umgebung zu ­erfassen und sich darin zu orientieren). «Ich weiss bis heute nicht genau, warum ich in dieses Team gegangen bin», sagt Blattmann. Dort begann er zu programmieren, besuchte zunehmend Informatikvorlesungen und ent­wickelte ­Algorithmen, mit denen Kamerabilder autonom fahrender Modellautos ausgewertet wurden.

Der entscheidende Moment war für Blattmann ein Forschungsprojekt, das fotorealistische Porträts künstlich erzeugen konnte. «Als ich das gesehen hatte, war ich total hin und weg. Ich wusste, dass ich irgendwie ver­suchen musste, mit Computern Bilder zu generieren», erzählt er. Wenig später besuchte er in Heidelberg einen Vortrag des KI-Forschers und Professors Björn Ommer, der dort eine Forschungsgruppe für Computer Vision leitete. «Da habe ich gesehen: Die machen genau die ­Forschung, in der ich mich auch sehe», sagt Blattmann.

Er bewarb sich für eine Doktorandenstelle in ­Ommers Forschungsgruppe, wo er Rombach und Esser kennenlernte. Aus der ­gemeinsamen Arbeit entwickelte sich über die Jahre ein enges wissenschaft­liches Team. Als Ommer 2021 an die Ludwig-Maxi­milians-­Universität München wechselte, folgten ihm die jungen Forscher. Im neuen Umfeld entstand die wissenschaftliche Arbeit zu «Latent Diffusion». Die zen­trale Idee dahinter war, Bilder nicht direkt auf Pixelebene zu verarbeiten, sondern zunächst in eine stark komprimierte mathe­matische Darstellung, den sogenannten latenten Raum, zu übersetzen. Sowohl beim Training als auch bei der späteren Generierung arbeitet das Modell zunächst in diesem komprimierten Raum; erst am Ende wird daraus wieder ein sichtbares Bild erzeugt. «Der Kern von Latent Diffusion ist, Rechenleistung zu sparen. Das Modell fokussiert sich nur auf das, was wirklich wichtig ist. Details im Bild, die wir nicht wahrnehmen, werden weggelassen», erklärt Blattmann. Dadurch liessen sich leistungsfähige Bild­modelle deutlich effizienter trai­nieren und betreiben.

Auf diesem wissenschaftlichen Prinzip basierte später «Stable Diffusion», ein KI-Modell, das aus Texteingaben Bilder erzeugen kann. Während dieser Zeit arbeitete das Forschungsteam mit dem britischen KI-Unter­nehmen Stability AI zusammen. Schliesslich wechselten Blattmann, Rombach und Esser zu Stability AI, um dort ein eigenes Forschungsteam auf­zubauen und die Technologie weiterzuentwickeln.

Innerhalb kurzer Zeit nutzten Designer, Werbe­agenturen, Künstler und Unternehmen das von ihnen ­geschaffene Modell, um aus wenigen Worten eigene ­Bilder zu erzeugen. «Wir wussten, dass der Algo­rithmus gut ist», sagt Blattmann, «aber wie viel Kreativität dadurch freigesetzt wurde, war auch für uns unerwartet.» Rückblickend bezeichnet er Stable Diffusion als einen der bedeutendsten Modelldurchbrüche der bisherigen Dekade. «Irgendwann wurde uns klar: Die Technologien, die wir bauen, werden wahrscheinlich die Welt ver­ändern», so Blattmann.

Andreas Blattmann wuchs in Waldkirch nahe Freiburg auf und besuchte dort das Geschwister-Scholl-Gym­nasium, in dem er 2012 sein Abitur absolvierte. Damals bestimmte vor allem Musik seinen Alltag. «Ich habe Musik­abitur gemacht, in verschiedenen Bands gespielt und lange überlegt, ob ich Musik studiere», erzählt er. Zugleich war er an technisch-naturwissenschaftlichen Fragestellungen interessiert. Schliesslich entschied er sich auf Anraten seines Vaters für ein Maschinenbau­studium am Karlsruher Institut für Technologie (KIT). Dort stiess er auf eine studentische Gruppe, die an autonomen Fahrzeugen forschte. Während viele seiner Kommilitonen an der Hardware der Modell­fahrzeuge arbeiteten, landete er in der Bildverarbeitung (sie ermöglicht es den Fahrzeugen, ihre Umgebung zu ­erfassen und sich darin zu orientieren). «Ich weiss bis heute nicht genau, warum ich in dieses Team gegangen bin», sagt Blattmann. Dort begann er zu programmieren, besuchte zunehmend Informatikvorlesungen und ent­wickelte ­Algorithmen, mit denen Kamerabilder autonom fahrender Modellautos ausgewertet wurden.

Der entscheidende Moment war für Blattmann ein Forschungsprojekt, das fotorealistische Porträts künstlich erzeugen konnte. «Als ich das gesehen hatte, war ich total hin und weg. Ich wusste, dass ich irgendwie ver­suchen musste, mit Computern Bilder zu generieren», erzählt er. Wenig später besuchte er in Heidelberg einen Vortrag des KI-Forschers und Professors Björn Ommer, der dort eine Forschungsgruppe für Computer Vision leitete. «Da habe ich gesehen: Die machen genau die ­Forschung, in der ich mich auch sehe», sagt Blattmann.

Er bewarb sich für eine Doktorandenstelle in ­Ommers Forschungsgruppe, wo er Rombach und Esser kennenlernte. Aus der ­gemeinsamen Arbeit entwickelte sich über die Jahre ein enges wissenschaft­liches Team. Als Ommer 2021 an die Ludwig-Maxi­milians-­Universität München wechselte, folgten ihm die jungen Forscher. Im neuen Umfeld entstand die wissenschaftliche Arbeit zu «Latent Diffusion». Die zen­trale Idee dahinter war, Bilder nicht direkt auf Pixelebene zu verarbeiten, sondern zunächst in eine stark komprimierte mathe­matische Darstellung, den sogenannten latenten Raum, zu übersetzen. Sowohl beim Training als auch bei der späteren Generierung arbeitet das Modell zunächst in diesem komprimierten Raum; erst am Ende wird daraus wieder ein sichtbares Bild erzeugt. «Der Kern von Latent Diffusion ist, Rechenleistung zu sparen. Das Modell fokussiert sich nur auf das, was wirklich wichtig ist. Details im Bild, die wir nicht wahrnehmen, werden weggelassen», erklärt Blattmann. Dadurch liessen sich leistungsfähige Bild­modelle deutlich effizienter trai­nieren und betreiben.

Auf diesem wissenschaftlichen Prinzip basierte später «Stable Diffusion», ein KI-Modell, das aus Texteingaben Bilder erzeugen kann. Während dieser Zeit arbeitete das Forschungsteam mit dem britischen KI-Unter­nehmen Stability AI zusammen. Schliesslich wechselten Blattmann, Rombach und Esser zu Stability AI, um dort ein eigenes Forschungsteam auf­zubauen und die Technologie weiterzuentwickeln.

Innerhalb kurzer Zeit nutzten Designer, Werbe­agenturen, Künstler und Unternehmen das von ihnen ­geschaffene Modell, um aus wenigen Worten eigene ­Bilder zu erzeugen. «Wir wussten, dass der Algo­rithmus gut ist», sagt Blattmann, «aber wie viel Kreativität dadurch freigesetzt wurde, war auch für uns unerwartet.» Rückblickend bezeichnet er Stable Diffusion als einen der bedeutendsten Modelldurchbrüche der bisherigen Dekade. «Irgendwann wurde uns klar: Die Technologien, die wir bauen, werden wahrscheinlich die Welt ver­ändern», so Blattmann.

Fotos: Felix Groteloh