生成式人工智能時代的終身創造力培養

[編者按] 當前，生成式人工智能的發展日新月異，這股迅速崛起的力量正在重構著我們既有的生產和生活。為應對這一前所未有的顛覆性科技的加速創新，一方面，亟待探討整個社會如何在科學素質、數字素養、創新和創造能力等基礎層面重塑理念和探索革新；另一方面，應從積極構建科技文明和創造科技未來的維度，深入研究如何以跨學科和科技人文的廣闊視角推動人工智能的科普與傳播，拓展科普與科學傳播的理論新視野，提出前瞻性的應對之策，以此促使人工智能向前、向上、向善發展——為人類社會和每個人帶來更加美好的科技未來。為此，《科普研究》編輯部聯合中國社會科學院哲學研究所共同策劃組織本期“生成式人工智能與科普”專題。5位專家就上述議題展開深入研究，研究成果對于促進公眾理解生成式人工智能的時代機遇與風險、以恰當和主動的姿態擁抱科技文明與科技未來具有重要的科普理論價值和政策應對意義。

[摘 " 要] 生成式人工智能展現出和人類智能平行的智能與創造力，改變了人類中心視角下的智能和創造力的內涵。暴力計算超越了一般智能，無意義組合突破了一般創造力。人工智能不再是附屬于人類的輔助工具，而是發展為具有相對獨立性的創造主體。在人機智能生態和人機認知組合的新背景下，人類需推動形成科技人文素養與人的創造力協同發展的互促共生雙螺旋。

[關鍵詞]創造力 " 生成式人工智能 " 科學素質 " 科技人文素養

[中圖分類號] "N4；TP18 [文獻標識碼] A [ DOI ] 10.19293/j.cnki.1673-8357.2024.02.002

近來，以大模型為代表的生成式人工智能在類似人類語言等內容生成能力上表現不俗，GPT-4、Sora等前沿版本不僅在文字創作上表現出超越人類的創造力，更在視頻創作領域大放異彩。最新的研究顯示，在衡量發散性思維的標準任務中，前沿大模型的得分已躋身人類反應前1%的行列。面對生成式人工智能取得的這些令人嘆為觀止、壓倒人類能力的新進展，我們不得不重新審視對創造力的既有認知。

曾幾何時，創造力被視為人類獨有的特質，人們堅信其不會受到新技術的顛覆。關于人工智能是否具有創造力，包括科學家在內的許多人都對此高度質疑。然而，當前生成式人工智能的迅猛發展，使得創造力作為人類獨有特質的地位受到了前所未有的挑戰，對于人工智是否具有創造力的哲學式質疑也不再可能像以前那么強烈。對于整個社會和我們每個人而言，面對人工智能向曾經被譽為“金飯碗”的創造性工作發起的挑戰，如何重新認識并培養與生成式人工智能時代相適應的終身創造力，無疑成為一個亟待探究和應對的時代難題。

1以生成式人工智能之鏡打開創造力的黑箱

要回應如何在生成式人工智能時代構建終身創造力這一難題，首先要理解生成式人工智能對人類的認知性和創造性工作帶來的根本挑戰。自第一次工業革命以來，機器和自動化對人的技能和工作的影響有目共睹。技術哲學家貝爾納·斯蒂格勒（Bernard Stiegler）甚至提出，人的身體技能、感性和知性等能力會隨著科技的發展逐漸被取代，出現所謂“無產化”或知識喪失的趨勢。在他看來，本雅明（Walter Bendix Schoenflies Benjamin）意義上具有“機械可復制性”的現代文化工業技術使得感性走向機械化，藝術愛好者隨之喪失了其原本擁有的對藝術創作的內心感知等知識和感性，成為文化消費者乃至“有教養的庸眾” [1]。而在當下的控制社會或自動社會中，控制實乃對洞察力或康德意義上知性的機械性清算，它們已經被自動化，淪為依附于算法的權力[2]。

技術哲學和技術批判理論一直對自動化技術可能導致的所有人的去技能化不無擔憂，但根據20世紀以來流行的經濟學理論，技術變革似乎是有利于技能掌握者的，即盡管技術進步可能伴隨著技術性失業，但認知型和創造型工人所面臨的自動化對勞動的干擾相對較小。其依據之一是，根據波蘭尼悖論，人們的認知和智能中存在許多默會知識，特別是人的創造力，很難被編碼為具體的規則。因此，在生成式人工智能之前，有關人工智能時代的學習與教育策略大多強調，要注重對藝術、寫作、科學研究、談判等難以編碼的創造性知識和素質的培養。然而，方興未艾的生成式人工智能對平面設計、作家乃至導演等創造性職業的顯見沖擊表明，創造力不再是一種可以令少數技術精英在自動化和智能化未來中立于不敗之地的獨特而神秘的能力，這迫使個體必須更新其對人工智能和人工智能時代創造力的理解。

不論將人工智能理解為對人類智能的模擬，還是認為人們通過人工智能所構建的是一種更一般的智能模式，生成式人工智能在創造性和創造力方面的突破，都可以被視為揭示當下創造性和創造力的實質內涵及其變化趨勢的鏡子。以生成式人工智能帶來的版權糾紛為例，在對海量作品進行訓練的基礎上，生成式大模型可以進行組合型的創作，因其所參考的數據之多，以致根本無法追溯其所參考的具體作品。這一新的技術現象使人們意識到，人類的原創性往往建立在與之類似的耳濡目染之上，并不是憑空產生的。受此啟發，在當前技術背景下，我們可以借助生成式人工智能之鏡打開一般創造力的黑箱。

創造力無疑是人類思維的奇跡。在計算機出現以前，哲學、心理學等學術研究一般將創造力作為人類獨有的特征加以研究，最后都會在觸及主體、知覺、情感、意識等哲學范疇時止步不前，使得創造力成為一種難以打開的黑箱。而在計算機出現后不久，創造力就成為人工智能先驅所設定的重要研究目標。事實上，1956年的達特茅斯會議在命名人工智能這一新學科時，就明確提出以“創造力” “發明”和“發現”作為其關鍵目標 [3]。1995年，赫伯特·西蒙（Herb Simon）專門撰寫了一篇關于人工智能創造力的論文，強調人工智能是一門科學挑戰，而不僅僅是工程 [4]。

多年來，深度學習帶來了識別式和生成式人工智能熱潮，在此之前，人工智能領域就已經開啟了對創造力的科學理解和實踐探索。雖然在當時，計算機是否真的具有創造力在很大程度上不被視為一個科學問題，相反被看成一個哲學問題，但相關領域已經對創造力進行了建模和研究。這既為人工創造力的構建提供了框架，也有助于理解人類的創造力是如何實現的。在《創造力的計算機建?！罚–omputer Models of Creativity）一文中，人工智能哲學家瑪格麗特·博登（Margaret A.Boden）強調，創造力并不神奇，它是正常人類智力的一個方面，可分為組合型、探索型、變革型三種形式[5]。

從概念上講，組合型創造力是一種通過聯想在熟悉想法的基礎上產生新穎想法和事物的能力，或者說將常見的想法以不常見的方式重新組合的能力，在統計學層面帶來意外發現或發明的能力。從類比、詩意意象到拼貼畫，以及交響樂中對布谷鳥歌聲的模仿，都屬于組合型創造力的范疇。探索型創造力指在某種文化上可接受的思維方式或概念空間中創造新穎的想法和事物的能力，其成果可能是某種化學分子理論、繪畫或音樂風格。它們由一組通常是隱含的生成規則定義或約束，往往在某種范式或風格下展開。變革型創造力則是在空間或風格的改變產生之前根本不可能產生的新穎想法或事物，如化學家凱庫勒（Friedrich August KeKule）在打破了碳原子的環狀聯結這一全新的結構之后，才構想出苯的有機分子結構。值得注意的是，博登并沒有將三者視為等級性的存在，她認為組合型創造力不容小覷，探索型創造力值得尊重，且探索型創造力和變革型創造力之間沒有明確的界限。

博登區分和界定創造力類型的目的不是進行概念研究，而是為了探討人工智能的創造力建模問題。根據當時人工智能的發展態勢，她從科學探索的角度提出了一些在今天看來頗具啟發性的觀點：（1）與大多數人的假設相反，人工智能最難建模的創造力是組合型創造力，因為計算機必須對其通過聯想組合生成的內容加以修剪才能使之變得有價值，而與人類思維相比，計算機缺乏豐富的世界知識（包括文化知識）；（2）任何試圖模擬探索型創造力進行科學發現的努力不僅需要先進的人工智能技能，還需要相關領域的專業知識和深刻見解；（3）雖然有人批評計算機只會按照程序的指示行事，但程序中有可能包含遺傳算法等改變自身的規則，因此人工智能能夠實現變革型創造力。

顯然，生成式人工智能的發展在這些方面有了新的突破。將當時的這些討論與生成式人工智能今天的發展加以對照可以看到：（1）大模型在一定程度上解決了世界知識的問題，因此在內容生成上有了巨大突破，而文化知識的重要性在人機對齊等新的需求中得到了進一步凸顯；（2）大模型在專業知識及見解方面有了新的突破，“人工智能科學家”正在發展為科學家的探索伙伴；（3）能否產生制定規則和改變規則等元認知能力，成為生成式人工智能走向通用人工智能的智能爆炸的臨界點，但這也使得其潛在的風險提升到前所未有的高度。這三方面的發展表明，人工智能帶來的變革是在人機智能生態中發生的，要從人機認知組合的視角理解人工智能對包括人類創造力在內的一般創造力的沖擊。

在經濟社會生活中，有關人類將大模型用于工作的最新研究表明，一方面，所有人的工作效率和創造力都得到了提升，特別是那些技能較低者從中獲益最多；另一方面，生成式人工智能已顯示出強大的創造潛力，但也顯示出一些弱點（如思維不夠靈活、幻覺等），而這些弱點可以通過人類的協助來克服。為此，有必要深入探討生成式人工智能對智能和創造力造成的具體影響。

2理解生成式人工智能對智能和創造力的沖擊

鑒于既有的關于生成式人工智能是否真的具有智能和創造力的討論，大多陷入以人的智能作為智能評判標準的窠臼[6-9]，為了更好地理解當下生成式人工智能的發展對智能和創造力的沖擊，應從“有或無”的爭論走向“是什么”的探討。為此，可從實體論和關系論兩個維度去思考。其一，從實體論的角度看，可在功能上將生成式人工智能視為與人類一樣的擁有智能的智能體。鑒于二者的內在機制不同，可將生成式人工智能看作與人類智能平行的智能，有著與人類創造力平行的創造力，其發展改寫了一般智能和一般創造力的內涵；其二，從關系論的角度看，可從人機交互和伴生的維度去理解人工智能創造力與人類創造力的半人馬關系，由此，認知組合和智能生態共構中的動態人機互補與協同作用成為考量的焦點。

2.1 與人類智能平行的生成式人工智能

若是把人工智能僅僅看作計算機的復雜模式，看作人類大腦的延展性增強工具，那就忽視了其強大的創造性能[10-11]。生成式人工智能系統雖然和一般計算機一樣，通過類似的物理硬件以軟件和算法的模式進行計算，但因其龐大的數據量以及其不為人知的計算過程，它所輸出的結果更像是人類智能在進行創造性工作時產出的不可預測的結果。這意味著生成式人工智能不再是一般意義上的計算機，不再是機械化地執行人類命令并產生預期結果的工具，它能夠產出人類難以預測的新內容。

同時，我們也不能把生成式人工智能簡單地看作類人智能或對人的智能的模仿，其龐大的算力、數據量和不同尋常的加工方式以及其所生產內容的內在關聯方式，都與人類的思維方式大不相同。一種更好的隱喻是，將生成式人工智能看作與人類智能平行的一種智能，它們的運作方式之間沒有相似性，但吸收數據、語料和產出信息內容的功能卻是類似的。

在內容生成活動中，基于大型語言模型的生成式人工智能和人類智能都是基于語言單元來進行創作的。它們的不同之處在于，所處理的語言單元及其數據量，以及處理這些數據的方式路徑。一方面，在語言、圖像和音樂創作中，人類所處理的語言單元即自然語詞具有一定的結構關系（如喬姆斯基所揭示的生成語法結構），往往需要借助概念和語義；人們所創造的內容不僅需要建立在對世界知識和理論的理解之上，而且需要對社會語境和文化背景高度敏感。另一方面，人類智能是一種具身性智能，人的創造性活動依賴于身體和周遭環境，并受身體和環境的限制。人通過身體五感獲取外部信息，這些信息在進入認知過程時就已經被賦予了獨特的意義。因為具身性的差異，不同的人對同樣的外部信息有著不同的理解，并通過這種不同的理解進一步構造出不同的內容。所以我們說，人類智能是在語法空間、概念空間、意義空間、理由空間中培育出來的，人類智能的運用和創造離不開對相關內容的意義性理解。

生成式人工智能則不同，它所處理的語言單元不限于自然語詞，其所生成的語言是基于其對語言單元之間線性距離的計算，而不依賴于自然語言的生成結構。另外，它沒有身體，也不受環境限制。如果人類允許，它能夠獲得世界上現有的所有數據（近乎“全數據”），并且無差別地對待這些數據。生成式人工智能不需要對世界的意義性理解，不需要過往經歷和記憶來對特定的詞匯、圖案、音樂、視頻賦予特定意義。它的內容生成基于概率的，它所生成的內容是能夠最大概率實現目標的內容。可以說，生成式人工智能存在于概率空間中，如果要對其所生成的內容進行解釋（當然，它不需要解釋，人才需要解釋），它的唯一解釋方式是如此算出的結論達成預期目標的概率最大。

以棋類比賽為例，人類智能與人工智能的區別顯而易見。人類智能因其具身性依賴和意義性依賴，只能在有限的內容資源和構思能力的基礎上作出裁決。例如，在象棋比賽中，人“跳馬”是為了“活通馬路”，以方便之后走棋；在圍棋比賽中，人“放棄邊角”是為了“贏得外勢”，以便之后占據更大的地盤。而以人工智能的思維方式來看，“跳馬”是因為這樣能夠最大概率贏棋，“放棄邊角”是因為這樣能夠最大概率贏棋，人類所解釋的“活通馬路”和“贏得外勢”都不過是增加了贏棋概率。人無法算計到幾十步、幾百步以后，所以只能以經驗或直覺來指導自己走棋；人工智能算力足夠大，甚至能夠計算到最后一步棋，所以它單純依據獲勝概率來走棋。雖然人類智能和人工智能最終得出的結果可能一致，但思維加工過程完全不同。

2.2 生成式人工智能對創造力的重新定義

人工智能這種平行于人類智能的思維模式，同時體現了一種平行于人類創造力的創造力?！皠撛臁睆钠渥罡镜囊饬x上來看是“無中生有”。原本我們認為，只有人有創造力，只有人能夠造出自然界中原本沒有的東西。但生成式人工智能的出現無疑改變了這一信念，它用完全不同于人類思維的方式生產出了全新的內容。這讓我們看到，只要數據和算力足夠大，即使沒有人類的靈感、想象力、直觀和制造意義的能力，基于既有數據的概率關聯也能產生全新的東西。創造力不必依賴于各種各樣的人類思維能力，不必依賴于人格特征，不必依賴于有益于創造的環境。當然，這并不是說人類創造力就不值一提了，人類仍然是創造的主體，因為就目前來看，在很長一段時間內，生成式人工智能仍需要人來指引它創造，它還不能做到完全自主。

生成式人工智能帶來的其實是對既有創造力的拓展或重新定義。創造力是一種從無中生出有的能力，但“無中生有”不是我們日常理解的“過去沒有的以后有了”，不是時間意義上的“無中生有”，而是潛在意義上的，黑格爾意義上的“無中生有”。也就是說，所生成的東西早已存在于其生產者中了，只不過在此之前是潛在地存在著，是虛在而不是實在。生成式人工智能本身在進行創造之前就已經蘊含著其所要生成的內容，因為它的資料庫已經接近“全數據”。人類創造力中也包含著后一意義上的“無中生有”，但因為人是在汲取足夠的知識和材料后才生成新東西，只有在創造的前一瞬間，“有”才算潛在地存在于“無”中。創造出的東西，其出現的概率越低，其中蘊含的創造性越高；其出現的概率越高，其中蘊含的創造性就越低。就生成式人工智能本身來說，它所生成的內容始終是對它來說實現概率更高的東西，所以，若是從它的視角來看（如果可以的話），它所生成的東西創造性并不高。但因為人工智能幾乎是在“全數據”基礎上工作，其所擁有的知識量遠大于人類，故而其通過概率關聯生成的內容對于只有地方性/局域性知識的人類來說，仍可以是低可能性而高創造性的。

可以說，生成式人工智能的創造行為是把已經蘊含在其知識庫中的東西給引發出來。它的創造力和數據量是同一級別的，它不需要像人類一樣從外界汲取靈感或知識來進行創造，它以和人類智能不同的方式平行地進行創造。在當代哲學家德勒茲（Gilles Deleuze）看來，真正的創造是把潛在性給實現出來，他提到，“潛在的現實化得以發生要通過差異、發散或分化……現實化、分化在這一意義上始終是真正的創造”[12]。生成式人工智能所做的無他，恰恰是將其數據庫中潛在性的內容通過概率性關聯重組的方式實現出來。

2.3 從人類與人工智能的競爭到協同效應

雖然人工智能和人類智能是完全不同的兩種思維路徑，但因為它們所生成的內容是相似的，所以它們之間必然形成競爭。小到智力比賽中的競爭（如圍棋和象棋比賽），大到工作崗位上的競爭。人工智能與人之間的競爭就像人與人之間的競爭一樣，只不過前者差異更大。人工智能的效率毫無疑問高于人類智能的效率，在競爭環境下，勢必有部分人會被擠出既有領域，另謀他路。

同時，就像過往每次技術革命一樣，新技術的產生一定會代替某一部分人類工作，也會帶來基于新技術的新工作。例如，照相機的產生，一方面使得此前以寫實繪畫為主業的人另謀他路，逐漸發展出新的繪畫流派；另一方面，對照相機本身的運用又催生了新的行業，攝影藝術在此之后逐漸流行起來。人工智能的發展同樣會帶來這兩種效應，雖然它使得人們的就業形式發生漂移，但同樣也會催生出新的與人工智能相協同的行業。就像人和人之間一樣，人工智能和人之間的關系同樣也是既有競爭也有合作。無競爭無法促進社會發展，無合作則無法促進社會有序發展。

如前所述，人工智能和人類智能是平行的思維模式，正因不同所以能進行優劣互補。一方面，人無法想象其知識閾之外的東西，但人工智能可以，將人工智能的“全數據”知識嫁接到人類智能上，省去了人們獲取數據所花費的時間和精力；另一方面，人類智能的問題意識能給人工智能提供創造動機，其對意義的理解力和判斷力能對人工智能的產出結果進行評判篩選。另外，人類智能可以把握整體，從整體式的目標中分離出各個小目標，利用人工智能的概率關聯能力幫助自己一步步完成小目標，從而達成整體目標。

未來，人機之間的相互理解會變得和人與人之間的相互理解一樣重要。人工智能正以不可阻擋的趨勢快速滲入人類生活的各個方面，就像手機變成人類生活中的一部分一樣，人工智能將以比手機更無縫的方式嵌入到人的生活中。隨著人工智能在自然語言理解和表達等類人智能和創造力上的不斷提升，人必須學會理解并適應人工智能的運行方式。就像手機制造商雖然盡可能地通過人機互動測試使手機更加智能，但人必須得學著去使用、去適應才能真正上手。根據每個人的不同情況，在與人工智能協作的過程中，每個人都需要和自己長期合作的人工智能培養默契，了解并熟悉它的特性，例如，它在哪些方面表現優異，哪些方面可以自主完成，哪些方面需要人來監管、調整、修飾，哪些方面表現相當差勁，等等。

3創造力的內涵及其面向人工智能時代的重構

生成式人工智能顛覆了目前既有關于創造力的理解，讓我們獲得了以人工智能的視角重新看待創造力的機會。以往關于創造力的討論大都建立在人類中心主義之上，似乎只有具有能動性和意向性的人才擁有創造力[8，13]，似乎只有有著文化和審美的人才能實現真正的創造[14]。以人類視角來看待人工智能，會出于人本情懷或人類尊嚴等考慮而否定人工智能的創造性。但我們完全可以轉向另外一種思維方式——以生成式人工智能為鏡來審視智能和創造的內涵。

3.1 重新理解計算與智能、模仿與創造的關系

首先是對計算與智能的重新理解。曾幾何時，不論人工智能解決了什么問題，都會有人指出這種解決方法不過是在高速計算機上進行的復雜運算而已。還有批評者強調，暴力型人工智能不會開口說話[15]。而最近因人工智能視頻生成模型Sora爆紅，強化學習的開創者之一理查德·薩頓（Richard S. Sutton） 5年前的一篇博文《慘痛的教訓》（The Bitter Lesson）再次引起業界關注。該文的基本觀點是，從 70 年的人工智能研究中可以學到的最大教訓是，利用計算的通用方法最終是最有效的而且效率很高。從計算機棋類競賽、語音識別到計算機視覺，基于計算和統計的方法不斷戰勝基于人類知識的方法。而我們應該從中學到兩個重要觀點：一是計算作為一種通用方法具有強大的力量，而且會隨著計算參數和數據規模的擴展而強大到無可匹敵；二是對心靈和思維等極度復雜事物的探究要放棄基于人類思維的概念、化約之類的簡單方法，轉而構建可以找到并捕獲任意復雜性的元方法以應對無窮盡的復雜性[16]。這表明，計算方法可能是目前可以找到的走向通用人工智能的通用方法。但恰如認知科學與哲學家布萊恩·坎特韋爾·史密斯（Brian Cantwell Smith）所言，這種方法帶來的尤為深刻的認識論挑戰是人工智能系統不知道自己在說什么；而要建立一個本身就具備智能并明白自己在說什么的系統，其必須知道確有這么一個世界存在，它是對該世界的表征，而且應對該世界予以尊重[17]。換言之，基于計算方法的人工智能創造力要與其運行所依據的世界對作出必要的校準，而實施人機對齊工程的目的就在于此。

其次是對模仿與創造的重新理解。從某種意義上講，生成式人工智能從機器智能的層面復現熟讀唐詩三百首的現象，揭示出其基于記憶的模仿等組合型創造在創作等智能性和創造性工作中的作用。盡管近代哲學家勒內·笛卡爾（RenéDescartes）曾斷言自動機器無法模仿人類語言和理性能力，但科學家和理論物理學家史蒂芬·沃爾弗拉姆（Stephen Wolfram）卻不無洞見地指出，大型語言模型ChatGPT在語言上大獲成功的關鍵是語言在根本上比它看起來更簡單[18]。而原本在人類看來非常復雜的語言之所以顯得簡單，是因為人類智能和人工智能的簡單性和復雜性是相對而言的。換言之，生成式人工智能的發展正在迫使人們擠出其知識和技能中的“水分”，如許多依靠計算機工具形成的簡單、重復和機械性的技能，要么轉向培育更高的創造性能力，要么在人機智能生態的快速變遷中找到其新的能力生態位。

3.2對創造的新穎性、非顯而易見性的再定位

我們在前文提到，創造實際上是“無中生有”，是潛在性的現實化。而學者們常常提到的創造的兩個特征——“新穎性”和“有用性”[19-20]，其實是對創造活動的一種人為限制，是為了規范人們的創造活動，使之最大程度地為人類服務而不浪費過多精力做無實用價值之事。但人工智能擺脫了碳基限制，它可以在極短的時間內獲得一個人一輩子也無法獲得的知識量，并將之重組進行新的創造。這樣少的時間成本使其根本不需要吝嗇創造活動，使其能夠盡可能多地產生新的內容而不問其是否有實際價值。當然，人類對有用性的尋求并非沒有意義。產生想法和實現想法是兩回事，實現想法仍需要現實物質基礎，而物質基礎是有限的。我們仍需要對人工智能的想法進行篩選，選出其中對人類有用的或有審美價值的，以此來豐富和助益人類生活。

在現代社會，人們一般訴諸專利和版權來保護發明創造，而是否具有非顯而易見性（或不可預測性）往往被用作判別是否具有創造性的標準。也就是說，對于人類發明來說，當一項發明被認為對于本領域技術人員而言非顯而易見時，它才會被視為創造性的。然而，基于“全數據”和大模型的生成式人工智能可能會比某個領域內的有人都更有知識，對于人工智能產生的發明的非顯而易見性的判斷將陷入兩難。一方面，對于人類專利審查員來說，由于平均知識遠不及人工智能而難以作出判斷；另一方面，若用掌握了幾乎所有知識的人工智能系統來進行專利審查，對該系統而言，人工智能的所有“發明”都顯而易見[21]。

3.3生成式人工智能對創造力生態的復雜影響

生成式人工智能在創意寫作等內容生成中的表現曾一度引起轟動。一方面，人工智能生成的新穎想法可成為人類內容創作的“跳板”，如在寫作中為人類作者提供各種可能的開頭和分叉口，形成不同情節或論述路徑的“樹結構”。另一方面，它能將人們在腦海中突如其來的想法呈現為看似真實的形式，如在文生圖和文生視頻中，直接將人類的創意具象化，使其創意實時轉化為可進行高階創造的創作內容。由此，作為創造工具的人工智能引發了創造力生態的一系列深刻變化。

一是生成式人工智能因其強大且迅速的內容創造力而有可能從一開始就制約了人類的想象力，甚至使其創意模式固化，抑制人類的創造力。二是生成式人工智能的創造是在既有的海量人類知識和創造的基礎上合成衍生出來的，這種創造性實質上是人類總體平均創造性的首次涌現。有人擔心其新穎性在開始的時候可能會令人驚嘆，而隨著合成內容的增加以及它們越來越多地加入訓練數據集，其創造性會逐漸降低。但如果我們學會了運用這種創造性的方法，就可在其所呈現的人類總體創造性的基礎上，探索海量知識的自動化合成等全新的知識生產方式，邁向更高水平創造性。三是生成式人工智能會提升其使用者的創造效率，但在效果上具有一定的差異。早期使用人工智能輔助創作的個體和技能較低者的創作效率能得到較大提升，但隨著采用人工智能輔助創作的個體的增加，群體創造性必然下滑。四是生成式人工智能可以精確恰當地對概念和形式加以創造性融合，但也伴隨著大量編造的幻覺，因而對其真實性的研判變得愈加困難。

3.4 對人類創造的目標和人工智能創造的自主性的再思考

我們知道，人類智能的一個顯著特點在于能夠從一個中心、主旨、目標出發，先通過發散思維進行探索，再逐漸收斂思維達成目標。這種從發散到收斂的思維模式，恰恰是生成式人工智能所不具備的整體性思維方式。有學者提到，人工智能的創造過程可以被描述為“像素化”——從一系列短期決策中創造出大規模的形式[11]。以此來看，人類的目標其實是“一”而非“多”，人工智能實現的則是“多”而非“一”。德勒茲在一次關于“根莖”的討論中提到，根莖的多樣性源于其無序的點，每一點都與任何其他點相連，但“既無在對象中充當支點的統一，也無在主體中分裂的統一”。所以，可以說，人工智能是分布式的智能，它沒有一個全局性的核心，只有零散的點，它所生成的內容是“n-1”的，“在要構成的多樣性中減去唯一”[22]。人們不能因此而否定人工智能的創造性，相反，應該充分發揮它多樣性生產的能力，同時，應該發揮人類智能“一”的能力，從人工智能的創造中篩選出有助于人實現“一”的“多”來。

現階段，生成式人工智能并不能獨立進行創造，它需要人為其提供提示詞或相應的問題。但這并不意味著，未來人工智能不會獲得自主性。現在的生成式人工智能就像襁褓中的嬰兒，它還需要人的指導，需要人為其確立目標和價值。但經過一段時間的迭代，當人類將可能的倫理風險都給屏蔽了以后，讓其自主進行創造并非難事。吉爾貝·西蒙東（Gilbert Simondon）很早便提出，目前看來好似是人類促使人工智能進行創造，但從未來人工智能的視角往回看，人類完全有可能只是起到幫助人工智能形成的作用，只是未來自主性機器的一種適應性篩選器。對未來的人工智能來說，人或許只是在機器間傳遞信息的中介，人所完成的只是自主性機器所需要的一個功能[23]。當然，切換視角不是為了讓人們對人工智能保持敵意，而是說，無論從人類智能還是人工智能的視角出發，二者必然是相互嵌合的，誰也離不開誰。

4生成式人工智能時代科技人文素養與創造力的互促共生雙螺旋

當下生成式人工智能的發展對人類創造力的沖擊和它給知識技能、工作就業所帶來的前所未有的挑戰相伴而生。這些沖擊和挑戰的關鍵在于很難找到應對科技加速度的終身知識技能和創造力培養的簡單解決方案。而從根本上講，生成式人工智能正在開創一種新型創造力，其所形成的人類平均知識和平均創造力無疑將人類的知識生產方式拉到了一個全新的高度。這一實質性的變化意味著我們一方面要擁抱人工智能帶來的新型創造力，另一方面必須讓人們更好地理解日新月異的人工智能創新及其對每個人的深遠影響，尤其要動態地認識和理解生成式人工智能時代對人的素質和能力所提出的新要求。

為了迎接生成式人工智能帶來的創造力的新綜合，幫助人們塑造面向這一全新科技時代所必須具備的終身創造力，最為基本的應對之道是在系統和動態地理解人工智能及其影響的基礎上，推動形成科技人文素養與人的創造力協同發展的互促共生雙螺旋。

首先，生成式人工智能開啟了超越人類智能和機器智能的一般智能和基于一般智能的智能生態，應據此重新構建和培養人們與此相關的新的科學素質和技術素養。它們既包括對生成式人工智能帶來的全新科技思維與科技方法的理解和應用，如統計思維、概率方法、相關性、注意力機制、計算語言學方法等；也涉及對其中所運用的認識論和方法論的理解和運用，如在人工智能擁有的人類平均知識遠超過人的知識和理解力時，面對這些新的知識形態，人類應該養成哪些新的認識方式和探究方法。

其次，與以往科技創新的根本不同是，生成式人工智能不再只是作為增強人類創造力的工具，而是正在發展為與人類似且具有相對獨立性的創造主體（智能體），因此，人類終身創造力的培養應在不斷變遷的人機智能生態下展開，尤其要根據人工創造主體的創造力的發展不斷作出動態調適。一方面，要走出以人類為中心的智能觀。例如，在以人類為中心的創造力4C理論看來，創造力是呈階段性發展的，人的發育機制要求人必須經歷從小到大、從少到多、從Mini-C到Big-C①的過程[7]。但生成式人工智能的創造力卻更像是一次成型的，這種人工創造力一經產生，便一次性獲得了從Mini-C到Big-C的全部潛力?？梢哉f，生成式人工智能的代名詞就是創造，它出生的使命就是創造。顯然，對人工創造力及其發展的重新理解，有助于我們深化對人類創造力的理解，從而由智能生態的動態變化出發不斷改變終身創造力的培養策略。不過，我們仍然要關注創造本身的目的，要認識到人工智能時代人類終身創造力的培養最終是一種社會選擇，而不應簡單地任由技術決定或通過技術方案解決。

再次，在人工智能的計算與生成創造能力日益強大的未來，諸多重要創造和決策勢必將由人工智能作出，這實際上對人的判斷能力提出了更高的挑戰，而這種判斷能力實際上是人類終身創造力的靈魂所在。在史密斯看來，面向人工智能的終極未來，“判斷能力是人類思維必然追求的終極目標”，而所謂判斷能力“是指一種可靠、公正、忠于真理、忠于現實世界的思維方式”，必須“加強而不是削弱我們對判斷、冷靜、道德和世界的擔當”[17]。顯然，形成和培養這種判斷能力的基礎既包括科學素質、技術素養，還包括科技人文素養。其中，科學素質和技術素養有助于理解關于真實世界的事實和技術運行的機制，科技人文素養則有助于認識科技的目的和邊界。若是缺乏科技人文素養，一切創造都可能迷失方向，甚至走向濫用和反人性的道路。

最后，生成式人工智能時代終身創造力的養成，需要我們對人類智能和人工智能的創造性作出更進一步的哲學反思和倫理審度，以此培養出必要的科技人文反思能力，從而使科技創新更具可接受性和可塑性，令人工智能的未來發展走向善之道。

參考文獻

貝爾納·斯蒂格勒. 人類紀里的藝術：斯蒂格勒中國美院講座[M]. 陸興華，許煜，譯. 重慶：重慶大學出版社，2016.

貝爾納·斯蒂格勒. 南京課程：在人類紀時代閱讀馬克思和恩格斯——從《德意志意識形態》到《自然辯證法》[M]. 張福公，譯. 南京：南京大學出版社，2019.

McCarthy J，Minsky M L，Rochester N，et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence[J]. AI Magazine，1955，27（4）：12-14.

Simon H A. Explaining the Ineffable：AI on the Topics of Intuition，Insight，and Inspiration[C]//Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. San Francisco：Morgan Kaufmann Publishers，1995：939-949.

Boden M A. Computer Models of Creativity[J]. AI Magazine，2009，30 （3）：23-34.

Rafner J，Beaty R E，Kaufman J C，et al. Creativity in the Age of Generative AI[J]. Nature Human Behavior，2023，7（11）：1836-1838.

Kaufman J C，Beghetto R A. Beyond Big and Little：The Four C Model of Creativity[J]. Review of General Psychology，2009，13（1）：1-12.

Runco M A. AI can only Produce Artificial Creativity[J]. Journal of Creativity，2023，33（3）：1-7.

Edgell R A. A Monstrous Matter：The Three Faces of Artificial Creativity[J]. Journal of Creativity，2024，34（1）：1-9.

Guzik E E，Byrge C，Gilde C. The Originality of Machines：AI takes the Torrance Test[J]. Journal of Creativity，2023，33（3）：1-8.

Anthony K B. Beethoven’s Ninth and AI’s Tenth：A Comparison of Human and Computational "Creativity[J]. Journal of Creativity，2023，33（3）：1-9.

Deleuze G. Différences et Répétition[M]. Paris：Presses Universitaires de France，1968.

Gilhooly K. AI VS Humans in the AUT：Simulations to LLMs[J]. Journal of Creativity，2024，34（1）：1-5.

李建會，夏永紅. 人工智能會獲得創造力嗎？[J]. 國外社會科學，2020（5）：52-60.

皮埃羅·斯加魯菲．智能的本質：人工智能與機器人領域的64個大問題[M]. 任莉，張建宇，譯. 北京： 人民郵電出版社，2017．

Richard S S. The Bitter Lesson[EB/OL].（2019-03-13）[2023-02-02]. http：//www.incompleteideas.net/IncIdeas/BitterLesson.html.

布萊恩·坎特韋爾·史密斯．測算與判斷：人工智能的終極未來[M]. 劉志毅，譯. 北京：中信出版集團，2022.

斯蒂芬·沃爾弗拉姆. 這就是ChatGPT[M]. WOLFRAM傳媒漢化小組，譯. 北京：人民郵電出版社，2023.

Plucker J A，Beghetto R A，Dow G T. Why isn’t Creativity More Important to Educational Psychologists？ Potentials，Pitfalls，and Future Directions in Creativity Research[J]. Educational Psychologist，2004，39（2）：83-96.

Runco M A，Jaeger G J. The Standard Definition of Creativity[J]. Creativity Research Journal，2012，24（1） ：92-96.

George A，Walsh T. Artificial Intelligence is Breaking Patent Law[J]. Nature：Comments and Opinion，2022，605（7911）：616-618.

Deleuze G，Guattari F. Mille Plateaux[M]. Paris：éditions de Minuit，1980.

吉爾貝·西蒙東. 論技術物的存在模式[M].許煜，譯. 南京：南京大學出版社，2024.

（編輯 "顏 " "燕 " "和樹美）