人工智能創(chuàng)造力探究*

胡衛(wèi)平 張 陽 呂元婧 徐晶晶

人工智能創(chuàng)造力探究*

胡衛(wèi)平 張 陽 呂元婧 徐晶晶

（陜西師范大學 現(xiàn)代教學技術教育部重點實驗室，陜西西安 710062）

目前，國內(nèi)外大語言模型如雨后春筍般涌現(xiàn)，加速了通用人工智能時代的到來。人工智能在科學、藝術等領域展現(xiàn)出的卓越創(chuàng)造力，大大推動了人類科技進步，但也給人類傳統(tǒng)創(chuàng)造力帶來了巨大挑戰(zhàn)，需要對人工智能創(chuàng)造力的本質(zhì)特征進行審視，并預測其未來應用方向。基于此，文章聚焦于人工智能創(chuàng)造力，首先闡釋了人工智能創(chuàng)造力的基本內(nèi)涵；接著，文章從通用領域創(chuàng)造力表現(xiàn)和專業(yè)領域創(chuàng)造力表現(xiàn)兩個維度，介紹了人工智能創(chuàng)造力的外在表現(xiàn)；然后，文章從產(chǎn)生機制和調(diào)控機制兩個方面，深入剖析了人工智能創(chuàng)造力的內(nèi)在機制，并結合人類創(chuàng)造力評價經(jīng)驗提出了人工智能創(chuàng)造力的評價原則和評價方法；最后，文章分析了人工智能創(chuàng)造力未來的應用模式、應用前景并給出應用建議。文章的研究既可促進人工智能創(chuàng)造力的發(fā)展和人工智能技術的進步，也能為人類創(chuàng)造力的培養(yǎng)和提升提供一定的借鑒。

人工智能；創(chuàng)造力；人機融合；創(chuàng)造性成果

創(chuàng)新是現(xiàn)階段我國的重大發(fā)展需求與戰(zhàn)略支撐，創(chuàng)造力是國家發(fā)展和民族進步的不竭動力。人工智能技術的發(fā)展，大大推動了人類科技創(chuàng)造的進步，同時也為創(chuàng)造力的研究帶來了巨大挑戰(zhàn)。人工智能自誕生那一刻起，關于人工智能是否具有創(chuàng)造力的爭論就一直沒有停止。隨著生成對抗網(wǎng)絡（Generative Adversarial Networks，GAN）、大語言模型（Large Language Models，LLMs）等人工智能技術的發(fā)展，尤其是ChatGPT的出現(xiàn)，加速了通用人工智能（Artificial General Intelligence，AGI）時代的到來[1]，且人工智能創(chuàng)造力也逐步得到了認可[2][3]，雜志更是將“具有創(chuàng)造性的人工智能”列為2022年十大科學突破之一[4]。創(chuàng)造力與人工智能的碰撞，為創(chuàng)造力的研究帶來了靈感，人工智能創(chuàng)造力已成為人工智能領域的前沿問題，并將成為突破人工智能發(fā)展瓶頸“最后的邊界”問題[5]。因此，將創(chuàng)造力研究拓展到人工智能領域，開展人工智能創(chuàng)造力內(nèi)涵、表現(xiàn)、機制、評價等方面的研究具有重要意義。

一 人工智能創(chuàng)造力的基本內(nèi)涵

1950年，Guilford[6]提出“創(chuàng)造力”（Creativity）概念，此后研究者從不同角度對創(chuàng)造力進行了研究：①初期主要從心理測量、認知、人格三個視角進行研究，關注創(chuàng)造性的產(chǎn)品、創(chuàng)造性的過程和創(chuàng)造性的個人；后來，研究者重視環(huán)境、文化等因素，關注創(chuàng)造性的環(huán)境，強調(diào)個體和環(huán)境的交互作用。②20世紀80年代之后，創(chuàng)造力研究的多樣化與綜合化并存，一方面聚焦不同領域、不同階段、不同程度的創(chuàng)造力研究，提出了眾多的創(chuàng)造性理論；另一方面整合創(chuàng)造性的個人、創(chuàng)造性的產(chǎn)品、創(chuàng)造性的過程和創(chuàng)造性的環(huán)境，強調(diào)創(chuàng)造力不僅具有領域一般性，也具有領域特殊性，逐步形成了創(chuàng)造力的系統(tǒng)觀。綜合來看，創(chuàng)造力是指在學習知識、解決問題和創(chuàng)造活動中，根據(jù)一定的目的，運用一切已知信息，在新穎、獨特且有價值地（或恰當?shù)兀┊a(chǎn)生某種產(chǎn)品的過程中表現(xiàn)出來的智能品質(zhì)或能力[7][8]。

人工智能創(chuàng)造力是在人類創(chuàng)造力研究的基礎上，隨著人工智能技術發(fā)展起來的新興交叉學科。早期，研究者多使用“計算創(chuàng)造力”一詞，意指計算機程序的創(chuàng)造能力；隨著人工智能算法相關計算機程序創(chuàng)造力的日益提升，人工智能創(chuàng)造力成為了計算創(chuàng)造力的研究熱點[9]。例如，計算創(chuàng)造力的奠基人Boden[10]指出，人工智能創(chuàng)造力主要通過三種方式實現(xiàn)，即熟悉觀點的新穎組合、探索潛在的概念空間、通過變革產(chǎn)生之前不可能的想法；而Colton等[11]強調(diào)人工智能創(chuàng)造力中計算機主體的創(chuàng)造性能力和人類評價者的客觀性評價。

目前，人工智能已經(jīng)發(fā)展成為模仿人類創(chuàng)造的虛擬主體，人工智能輔助創(chuàng)新、人機耦合與協(xié)同創(chuàng)造重塑了創(chuàng)造力的內(nèi)涵。在以生成式人工智能（Artificial Intelligence Generated Content，AIGC）為標志的AI 2.0時代，人工智能創(chuàng)造力的基本內(nèi)涵是：人工智能技術賦能的虛擬主體，在算法驅動下模擬人類的創(chuàng)造性活動時產(chǎn)生新穎性、價值性創(chuàng)造的能力。

二 人工智能創(chuàng)造力的外在表現(xiàn)

關于創(chuàng)造力的外在表現(xiàn)，一個廣為流行的理論是Kaufman等[12]提出的創(chuàng)造力4C理論，即創(chuàng)造力可分為微創(chuàng)造力（Mini-C）、日常創(chuàng)造力（Little-C）、專業(yè)創(chuàng)造力（Pro-C）和杰出創(chuàng)造力（Big-C）四種水平。其中，微創(chuàng)造力是指學習過程中的創(chuàng)造性，表現(xiàn)為對經(jīng)驗、行動或事件所做的新穎且有個人意義的詮釋；日常創(chuàng)造力是指日常生活中的創(chuàng)造性，表現(xiàn)為在日常生活中能創(chuàng)造出新穎且有價值的產(chǎn)品；專業(yè)創(chuàng)造力是指職業(yè)領域中的創(chuàng)造性，表現(xiàn)為在任何領域取得的具有創(chuàng)新性、富有專業(yè)水準的成果，代表超越了日常創(chuàng)造力但還沒有達到重大創(chuàng)新水平的成果；杰出創(chuàng)造力是指杰出的創(chuàng)造力，表現(xiàn)為一個人在創(chuàng)造力方面非常有天賦，且其取得的成果影響力巨大。借鑒創(chuàng)造力4C理論，依據(jù)人工智能模型的通用模型和領域模型之分，本研究將人工智能創(chuàng)造力的外在表現(xiàn)也相應地分為通用領域創(chuàng)造力表現(xiàn)和專業(yè)領域創(chuàng)造力表現(xiàn)。

1 通用領域創(chuàng)造力表現(xiàn)

通用領域創(chuàng)造力是在利用大語言模型對自然語言的理解之基礎上進行的文字、圖像、音視頻等多模態(tài)創(chuàng)造，是專業(yè)領域創(chuàng)造的通用基礎，其外在表現(xiàn)主要有：

①自然語言文字創(chuàng)作。自然語言文字創(chuàng)作是基于大語言模型進行文字作品的創(chuàng)作，是一種較為成熟的人工智能創(chuàng)造力外在表現(xiàn)。目前，已引起廣泛關注的自然語言文字創(chuàng)作案例有：微軟開發(fā)的“小冰”人工智能交互主體，創(chuàng)作并出版了詩集《陽光失了玻璃窗》[13]；IBM的Watsonx人工智能平臺，可為不同領域提供自動化的內(nèi)容創(chuàng)作服務，如進行溫布爾登網(wǎng)球錦標賽的賽事解說[14]；清華大學推出的“九歌”人工智能模型，通過語義分析和情感識別，可以創(chuàng)作符合古詩詞格律韻律的作品，同時將情感和意境融入其中[15]。

②多模態(tài)融合的藝術創(chuàng)作。受人類創(chuàng)造過程中多感官刺激與聯(lián)想的多模態(tài)融合啟發(fā)，人工智能基于對人類自然語言的理解，正逐步將其創(chuàng)造能力擴展到圖像、音視頻等多模態(tài)領域，并在藝術創(chuàng)作領域表現(xiàn)出卓越的創(chuàng)造力。例如，OpenAI的DALL-E2、谷歌的Imagen、Midjourney、Stable Diffusion可以根據(jù)文本描述，實現(xiàn)不同藝術風格圖像的創(chuàng)作[16]；Meta在文本創(chuàng)作圖像的基礎上通過時空管道加入時間維度，開發(fā)了能根據(jù)文本自動創(chuàng)作視頻的Make-A-Video人工智能模型[17]；谷歌的MusicLM模型可以根據(jù)給定的文本輸入和旋律條件，創(chuàng)作出高質(zhì)量、高保真的樂曲，且創(chuàng)作風格可以根據(jù)文本要求、故事情節(jié)、年代、地點等背景資料自動調(diào)整[18]。

2 專業(yè)領域創(chuàng)造力表現(xiàn)

專業(yè)領域創(chuàng)造力是在利用通用模型對自然語言、文字、圖像的理解之基礎上，為滿足特殊領域需求而開展的專業(yè)性創(chuàng)造活動過程中表現(xiàn)出來的創(chuàng)造力，其外在表現(xiàn)十分豐富，且在不同領域有不同的創(chuàng)造性應用。

①在程序開發(fā)領域的典型創(chuàng)造性應用有：DeepMind的AlphaCode人工智能模型可以根據(jù)文本描述自動編寫程序代碼，并在編程大賽中戰(zhàn)勝54.3%的人類[19]；OpenAI的Codex模型是ChatGPT的重要模塊之一，也是目前綜合表現(xiàn)最佳的編程語言預訓練模型，其通過對自然語言、代碼的理解和復雜推理實現(xiàn)了編程生產(chǎn)工具的升級，提升了人類技術創(chuàng)新的效率[20]；微軟在Codex基礎上開發(fā)的Copilot架起了自然語言和程序代碼之間的橋梁，推動著人類與AI協(xié)同進行創(chuàng)新工作，重新定義了生產(chǎn)力[21]。

②在數(shù)學與科學研究領域的典型創(chuàng)造性應用有：AlphaTensor人工智能模型打破了矩陣乘法運算記錄，可以通過創(chuàng)新性的矩陣運算進行數(shù)學發(fā)現(xiàn)、視覺計算和物理模擬[22]；DeepMind的AlphaFold可以生成創(chuàng)新性的蛋白質(zhì)結構[23]；利用變分編碼器模型設計具有高靶特異性和選擇性的分子結構，可以用于COVID-19治療藥物的研發(fā)[24]；通過人工智能設計的新型抗生素Haicin，在耐藥性方面的表現(xiàn)遠超人類科學家水平[25]。

③在技術與工程應用領域的典型創(chuàng)造性應用有：通過深度學習神經(jīng)網(wǎng)絡架構開發(fā)的香水配方設計系統(tǒng)，解決了困擾調(diào)香師的香料配方難題[26]；采用條件變分自動編碼器人工智能模型設計的混凝土配方，大大降低了碳排放量和資源消耗量，幫助工程師有效地解決了環(huán)境問題[27]。

三 人工智能創(chuàng)造力的內(nèi)在機制

目前，人工智能創(chuàng)造力的相關研究大多是基于現(xiàn)象學的表象研究，導致對人工智能產(chǎn)生創(chuàng)造力的內(nèi)在機理認識不夠深刻。本研究借鑒創(chuàng)造力心理學、認知科學的相關理論和研究范式，從產(chǎn)生機制和調(diào)控機制兩個方面對人工智能創(chuàng)造力的內(nèi)在機制進行剖析。

1 人工智能創(chuàng)造力的產(chǎn)生機制

創(chuàng)造性思維是人類創(chuàng)造力的核心，但人工智能的神經(jīng)網(wǎng)絡模型采用端到端（End-to-End）的輸入輸出方式，其創(chuàng)造過程中的思維與推理邏輯只是類比人類創(chuàng)造力的衍生概念，人工智能創(chuàng)造力的內(nèi)在機制在本質(zhì)上仍然是算法邏輯。

①基于神經(jīng)元激活的遷移和重組創(chuàng)造機制。人工智能具有遠超人類的強大遷移、重組能力，在對人類歷史資料和經(jīng)驗數(shù)據(jù)進行整合的基礎上，通過特征工程提取多維特征空間向量，針對下游任務遷移應用激活特定的神經(jīng)元，借助優(yōu)化算法進行創(chuàng)造方向的搜索，根據(jù)由創(chuàng)造性評價差異映射得到的損失函數(shù)對神經(jīng)網(wǎng)絡模型參數(shù)進行反饋調(diào)節(jié)，并通過不同神經(jīng)元的組合激活實現(xiàn)遷移和重組創(chuàng)造。例如，在音樂、繪畫、文學等領域通過遷移、重組創(chuàng)造，可以獲得突破人類想象極限的創(chuàng)造性成果。遷移、重組創(chuàng)造是人工智能很早就展現(xiàn)出來的創(chuàng)造技能，也是主流的創(chuàng)造方式，得到的創(chuàng)造性成果頗豐。

②基于前向/反向傳播的發(fā)散和聚合思維機制。在心理學領域，發(fā)散和聚合思維是創(chuàng)造力測評的關鍵要素[28]。發(fā)散和聚合思維機制的前向/反向傳播，是人工智能進行創(chuàng)造性輸出的核心驅動力。深度神經(jīng)網(wǎng)絡的輸入與輸出在前向傳播過程中呈冪指數(shù)發(fā)散關系，可表示為n×n×…×n，其中n為k層神經(jīng)網(wǎng)絡的神經(jīng)節(jié)點數(shù)；而輸出結果通過最后的全連接層，實現(xiàn)聚合的有限創(chuàng)造性輸出。

③基于思維鏈的聯(lián)想推理機制。雖然人工智能的創(chuàng)造過程是一個端到端的黑盒輸出，但Transformer的自注意機制允許模型實現(xiàn)遠距離實體之間的注意關聯(lián)，在神經(jīng)網(wǎng)絡的前向傳播和鏈式法則反向傳播過程中形成了基于思維鏈的聯(lián)想推理機制。通過思維鏈的提示詞工程，可以實現(xiàn)復雜創(chuàng)造性問題的遠距離聯(lián)想推理，也可以提升人工智能創(chuàng)造過程的可解釋性。

④基于超參數(shù)調(diào)節(jié)的突破思維定勢機制。創(chuàng)造性活動需要突破思維定勢，主動抑制或回避一些已有的特定概念和思維。但由于人類受自身知識、思維習慣等的束縛，跨越式的思維突破能力被大大限制。而對人工智能來說，可以通過修改模型的超參數(shù)（如溫度參數(shù)、激活函數(shù)、交叉和變異率等）來控制思維突破的等級，實現(xiàn)創(chuàng)造性成果的輸出。

⑤基于大規(guī)模參數(shù)與訓練集的頓悟和涌現(xiàn)機制。2017年，谷歌推出Transformer模型，之后在此基礎上發(fā)展出類生成式預訓練Transformer（Generative Pre-trained Transformer，GPT）模型，其由基于注意機制的Encoder和Decoder兩個神經(jīng)網(wǎng)絡模塊組成[29]。谷歌、OpenAI等公司不斷擴大預訓練的數(shù)據(jù)和參數(shù)規(guī)模，有些神經(jīng)網(wǎng)絡模型的參數(shù)規(guī)模甚至達到千億級，通常稱為“大語言模型”或“大模型”。當神經(jīng)網(wǎng)絡模型的參數(shù)規(guī)模達到數(shù)百億級甚至上千億級后，便會由量變到質(zhì)變產(chǎn)生頓悟，能夠理解人類語言中的概念、語義、語法等抽象含義。而當人工智能的神經(jīng)網(wǎng)絡結構逼近人類大腦神經(jīng)元連接的復雜程度后，就會超越神經(jīng)元的簡單疊加，進而從大量的數(shù)據(jù)和局部規(guī)則中學習到高度復雜的策略，涌現(xiàn)出創(chuàng)造力。

2 人工智能創(chuàng)造力的調(diào)控機制

人工智能龐大的神經(jīng)網(wǎng)絡結構和海量的模型參數(shù)、訓練數(shù)據(jù)，決定了其創(chuàng)造力的影響因素是錯綜復雜的，并且每個環(huán)節(jié)的微小波動都會產(chǎn)生蝴蝶效應式的影響，如訓練數(shù)據(jù)集、人類提示、隨機化參數(shù)、創(chuàng)造約束條件、各類超參數(shù)等都會對創(chuàng)造性成果產(chǎn)生實質(zhì)性的影響。要想獲得滿意的創(chuàng)造性成果，就需要系統(tǒng)地分析人工智能創(chuàng)造力的調(diào)控機制。

①人工智能創(chuàng)造力的調(diào)節(jié)機制。人工智能創(chuàng)造的核心是根據(jù)人腦結構進行數(shù)學抽象而得到的神經(jīng)元網(wǎng)絡結構，通過前向四則運算和微分反向傳播，實現(xiàn)神經(jīng)網(wǎng)絡節(jié)點參數(shù)的微觀調(diào)整和創(chuàng)造性成果的宏觀動態(tài)演化，進而模擬人腦思考和創(chuàng)造過程中神經(jīng)信號的傳播過程。通常用“溫度參數(shù)”（Temperature Parameter）來控制人工智能生成創(chuàng)造性成果的多樣性和隨機性，其主要操作是調(diào)節(jié)神經(jīng)網(wǎng)絡節(jié)點激活函數(shù)的信息熵值——溫度參數(shù)越高，熵值越大，創(chuàng)造性成果的發(fā)散性和不確定性就越強，新穎性和創(chuàng)新性也就越高。但是，創(chuàng)造力調(diào)節(jié)過程中也不可避免地會出現(xiàn)幻覺性創(chuàng)造，這有點類似于人類頭腦風暴創(chuàng)新過程中創(chuàng)新思維的過度發(fā)散。受人類進行創(chuàng)造性活動時腦區(qū)非典型神經(jīng)元激活腦成像的啟發(fā)，可以通過控制解碼器神經(jīng)網(wǎng)絡中高低活性神經(jīng)節(jié)點的非典型共激活或選擇性翻轉激活來提升人工智能的創(chuàng)造力，實現(xiàn)探索性、變革性創(chuàng)造。

②人工智能創(chuàng)造力的控制機制。傳統(tǒng)的生成式人工智能為了確保生成結果的穩(wěn)定性并控制“幻覺”“虛構”，通常不會設置太高的溫度參數(shù)，而會通過限制人類訓練樣本特征的分布外泛化（Out-of-Distribution，OOD），來降低其發(fā)揮創(chuàng)造的潛力，以迎合人類廣泛認可的評價標準。在某些領域，更是需要獲得可控的OOD來激發(fā)人工智能創(chuàng)造力的潛能。對于微創(chuàng)造，可以對訓練數(shù)據(jù)進行插值組合，獲得的創(chuàng)造性成果仍然符合訓練集的統(tǒng)計分布特征；而對于更側重新穎性和創(chuàng)新性的大創(chuàng)造，可以對訓練數(shù)據(jù)集進行外推泛化，輸出人類未曾發(fā)現(xiàn)的創(chuàng)造性成果。

四 人工智能創(chuàng)造力評價

隨著人工智能技術的飛速發(fā)展，人工智能創(chuàng)造性成果大量涌現(xiàn)，但目前關于人工智能創(chuàng)造力評價的研究仍然相對滯后。要想進一步推進人工智能創(chuàng)造力的發(fā)展，就需要對人工智能創(chuàng)造力進行科學評價，而這也會反過來促進人工智能算法和技術的進步。人工智能創(chuàng)造力評價要解決的首要問題，是人工智能創(chuàng)造力的評價原則和評價方法。

1 人工智能創(chuàng)造力的評價原則

人工智能創(chuàng)造力作為人類創(chuàng)造力的延伸，其評價應以人類創(chuàng)造力評價為參考。目前，人工智能創(chuàng)造力的評價原則主要來源于人類創(chuàng)造力評價的心理學研究成果[30]，其基本原則是具有創(chuàng)造性產(chǎn)品或創(chuàng)造性成果的新穎性、價值性、獨立性、公平性。其中，新穎性和價值性共同構成了創(chuàng)造力評價的基本原則，兩者相互關聯(lián)，缺一不可；獨立性和公平性則是針對人工智能創(chuàng)造力的特殊性而需要特別關注的評價原則。

①新穎性原則。新穎性強調(diào)創(chuàng)造性產(chǎn)品的新奇性、原創(chuàng)性與獨特性，是顯著預測和表征創(chuàng)造力水平的關鍵要素。然而，評價創(chuàng)造力不能僅遵從新穎性原則，因為太過新穎而失去了應用價值的產(chǎn)品也不能稱為創(chuàng)造性產(chǎn)品。因此，新穎性原則要與人工智能創(chuàng)造力評價的價值性原則相互融合、相互約束，促使個體產(chǎn)生既新穎又有用的創(chuàng)造性產(chǎn)品。

②價值性原則。價值性是指創(chuàng)造性產(chǎn)品本身的適宜性、可用性或可實施性，是創(chuàng)造性概念轉化為可用的創(chuàng)造性產(chǎn)品所需遵循的基本原則。創(chuàng)造性產(chǎn)品的價值性是指產(chǎn)品能夠滿足用戶的需求、解決實際問題，且?guī)韺嶋H的價值。新穎性和價值性往往負相關，即高新穎性的產(chǎn)品通常不能擁有高價值性，故同時兼具新穎性和價值性的創(chuàng)造性產(chǎn)品比較罕見且更有價值。

③獨立性原則。人工智能是在學習人類知識的基礎上、在人類的提示下進行創(chuàng)造性輸出，其創(chuàng)造性成果中不可避免地會融合人類的想象力和創(chuàng)造力。因此，人工智能創(chuàng)造力評價有其自身的特殊性，這就要求進行人工智能創(chuàng)造力評價時需遵循獨立性原則，即從人類派生創(chuàng)造力中抽離出來，進行人工智能創(chuàng)造力主成分獨立評價。

④公平性原則。在評價人工智能創(chuàng)造力時，人類天然存在兩種偏見：一是傾向于將人工智能的創(chuàng)造力歸因于人類用戶的提示或編寫的算法程序；二是相較于人類創(chuàng)造的作品，對人工智能創(chuàng)造性作品的深刻性、價值性等往往抱有更多的負面偏見且評價標準更為苛刻，也就是說，創(chuàng)造者標簽介導了創(chuàng)造力評價結果[31]。因此，進行人工智能創(chuàng)造力評價時應采用盲評方式，避免評價偏見，遵循公平性原則。

2 人工智能創(chuàng)造力的評價方法

人工智能創(chuàng)造力的評價方法主要包括針對創(chuàng)造性成果的外顯性創(chuàng)造作品評價方法和針對創(chuàng)造過程的內(nèi)隱性創(chuàng)造思維評價方法。

①外顯性創(chuàng)造作品評價方法。借鑒人類創(chuàng)造性產(chǎn)品的專家評價方式，對可觀察到的外顯性創(chuàng)造作品進行評價是最為直接、客觀的評價方式。目前，對人工智能作品的創(chuàng)造性評價還沒有統(tǒng)一的標準，如Colton[32]設計了人工智能創(chuàng)造力評價三腳架框架，從技巧性、想象力、鑒賞性三個權重相同的維度評價人工智能作品的創(chuàng)造性；Ritchie[33]提出從人工智能輸出結果的新穎性、價值性、典型性、質(zhì)量等方面進行創(chuàng)造力參數(shù)化評價。由于人工智能的訓練集基本涵蓋了絕大部分人類歷史經(jīng)驗數(shù)據(jù)，因此進行創(chuàng)造性評價時需先厘清創(chuàng)造性產(chǎn)品是對其訓練集數(shù)據(jù)的復制還是創(chuàng)新組合或探索發(fā)現(xiàn)。人工智能訓練集數(shù)據(jù)的規(guī)模龐大且樣本特征通常是多維的，通過人類專家進行評價具有很大的局限性，而采用主成分分析（Principal Component Analysis，PCA）、K近鄰、K均值、支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）、GAN等人工智能算法，可以高效地對創(chuàng)造性成果獨立于訓練集的新穎性、原創(chuàng)性進行檢測。此外，通過盲評方式評價人工智能創(chuàng)造力也是一種有效的方式，但要注意規(guī)避因作品風格背景差異、簡單模仿導致的評價偏差，這就需要人類專家設置合理的約束條件。為體現(xiàn)人工智能創(chuàng)造力評價的公平性原則，對人工智能創(chuàng)造性成果的評價需采用定量評分機制，從典型性、原創(chuàng)性、新穎性、驚奇性、質(zhì)量、價值等不同維度進行評測，最后給出綜合評分。

②內(nèi)隱性創(chuàng)造思維評價方法。創(chuàng)新和創(chuàng)造是運用批判性思維進行反思、辨析、吸收、排除和改良的綜合過程，故批判性思維是創(chuàng)造思維的重要組成部分。楊曉哲等[34]采用華生-格拉澤批判性思維評估表對ChatGPT批判性思維進行測量，結果顯示平均正確率為82.5%，其中評價論證維度的正確率達到100%，識別假設、演繹、解釋三個維度的正確率均為87.5%，但推理維度的正確率僅為50%，說明人工智能在縝密或復雜邏輯的推理方面還有待進一步加強。為彌補人工智能在創(chuàng)造力評價中僅依靠識記和重組學習材料進行創(chuàng)造的不足，可借助心理學創(chuàng)造力測量中創(chuàng)造性多用途任務（Alternative Uses Task，AUT）和問題解決的測量方法進行人工智能內(nèi)隱性創(chuàng)造思維的評價，重點測試人工智能是否突破簡單的知識整合，是否表現(xiàn)出創(chuàng)造性思維（如類比思維、發(fā)散思維、聯(lián)想思維、遷移思維、重組思維等），以及在測試過程中是否引導人工智能對其所得結論進行解釋。

值得注意的是，訓練數(shù)據(jù)中不可避免地會存在一些概率偏向性問題（如護士多用女性的“她”、體力勞動者多用男性的“他”等），而且人工智能在設計之初就要求盡可能地提供相對公平、廣泛、一般性和不帶偏見的結果，因此應用人工智能進行創(chuàng)造性人格測試時，輸出的多是泛泛而談的中性答案，而很難輸出帶有創(chuàng)造性人格傾向的結果。

五 人工智能創(chuàng)造力的未來應用

通過前文的分析可以看出，人工智能創(chuàng)造力有其獨特的優(yōu)勢和特點，將人工智能創(chuàng)造力與人類創(chuàng)造力進行融合以提升人類的創(chuàng)造力水平，將成為人工智能創(chuàng)造力未來應用的重中之重。

1 應用模式

根據(jù)主體的不同，可將人工智能創(chuàng)造力的應用模式分為兩種：①機器獨立創(chuàng)造，是指人工智能作為創(chuàng)造主體，獨立進行創(chuàng)造性活動，產(chǎn)生創(chuàng)造性成果；②人機融合創(chuàng)造，是指人類與人工智能深度融合，通過人機協(xié)作的方式產(chǎn)生創(chuàng)造性成果，這既是人工智能創(chuàng)造力的高階應用模式，也是人工智能創(chuàng)造力未來應用的主要模式。人機融合創(chuàng)造模式可以綜合運用人工智能創(chuàng)造和人類創(chuàng)造的優(yōu)勢，通過創(chuàng)設智能化、個性化、創(chuàng)新性的情景和環(huán)境，促進人類打破思維定勢的束縛，拓展具有創(chuàng)新性和發(fā)散性的思維空間，提升創(chuàng)新效率和創(chuàng)造力水平。將人工智能創(chuàng)造作為人類創(chuàng)造的延伸和擴展，并不斷強化人機深度協(xié)同創(chuàng)新，可以在提升人機融合創(chuàng)造力水平的同時，也為脫離人類創(chuàng)造力的培養(yǎng)困境提供有效的解決方案，進而促進人才培養(yǎng)和教育改革。

2 應用前景

人工智能技術的迅猛發(fā)展和不斷進步，為人工智能創(chuàng)造力的未來應用提供了強大支持。可以預見，人工智能創(chuàng)造力的未來應用前景廣闊，主要表現(xiàn)為：①在創(chuàng)意產(chǎn)業(yè)領域，可利用人工智能創(chuàng)造力自動分析用戶的潛在需求和市場趨勢，設計多元的創(chuàng)意內(nèi)容方案，生成個性化的廣告創(chuàng)意、營銷策略等；②在醫(yī)療健康領域，可在深度學習歷史病例、醫(yī)學影像資料等的基礎上，利用人工智能創(chuàng)造力輔助醫(yī)生開展疾病診斷、手術方案制定、藥物研發(fā)等工作；③在科技創(chuàng)新領域，可借助人工智能創(chuàng)造力輔助科學家開展復雜的模型計算與相關實驗數(shù)據(jù)分析，以加速科學研究進度，推動科技創(chuàng)新；④在教育領域，可利用人工智能創(chuàng)造力為教育工作者提供個性化教學方案與智能化教學工具，生成定制化學習資源，并設計個性化的學習路徑[35]。

3 應用建議

人工智能創(chuàng)造力主要受訓練數(shù)據(jù)和程序算法的控制，缺乏內(nèi)稟的道德與倫理規(guī)范。因此，人類在利用人工智能創(chuàng)造力進行創(chuàng)作的過程中，必須將人工智能創(chuàng)造空間限制在合理的倫理規(guī)范與道德約束空間內(nèi)，以確保其創(chuàng)造力是人類可控的，且對人類不構成威脅；同時，融入人類創(chuàng)造過程中的情感、動機、社會文化屬性，在理解人類社會文化規(guī)范及倫理道德的基礎上開展創(chuàng)造性活動，禁止出現(xiàn)危害國家安全和帶有偏見歧視、極端恐怖、暴力色情等傾向的負面內(nèi)容，杜絕人工智能創(chuàng)造力的濫用。

除了人類社會道德規(guī)范和價值觀的基本準則，法律法規(guī)也是人工智能創(chuàng)造力的重要約束因素。當前，各國政府已紛紛制定相關的法律法規(guī)，來規(guī)范人工智能創(chuàng)造力的發(fā)展。例如，在知識產(chǎn)權領域，美國出臺了《人工智能權利法案藍圖》[36]，新加坡出臺了《新加坡知識產(chǎn)權策略2030》[37]，以確保人工智能創(chuàng)造性作品不侵犯他人的知識產(chǎn)權；在隱私權領域，聯(lián)合國教科文組織發(fā)布了《人工智能倫理建議書》[38]，中國出臺了《中華人民共和國數(shù)據(jù)安全法》[39]、《新一代人工智能倫理規(guī)范》[40]，以保護用戶的隱私和數(shù)據(jù)安全；在網(wǎng)絡安全領域，中國出臺了《生成式人工智能服務管理暫行辦法》[41]，以確保人工智能創(chuàng)造力的安全性和穩(wěn)定性。健全的法律法規(guī)是人工智能創(chuàng)造力深入發(fā)展和廣泛應用的重要保障，學術界和產(chǎn)業(yè)界都應積極參與相關的法律法規(guī)制度建設并予以不斷完善，從而為人工智能創(chuàng)造力的安全應用保駕護航。

[1]袁磊,徐濟遠,葉薇.AIGC時代的數(shù)智公民素養(yǎng):內(nèi)涵剖析、培養(yǎng)框架與提升路徑[J].現(xiàn)代教育技術,2023,(9):5-15.

[2]Anantrasirichai N, Bull D. Artificial intelligence in the creative industries: A review[J]. Artificial Intelligence Review, 2022,(1):589-656.

[3]Chakraborty T, Masud S. Judging the creative prowess of AI[J]. Nature Machine Intelligence, 2023,(6):558.

[4]Science. 2022 Breakthrough of the year[OL].

[5][11]Colton S, Wiggins G A. Computational creativity: The final frontier?[A]. Proceedings of the 20th European Conference on Artificial Intelligence[C]. Amsterdam: IOS Press, 2012:21-26.

[6]Guilford J P. Creativity[J]. American Psychologist, 1950,(9):444-454.

[7]胡衛(wèi)平,俞國良.青少年的科學創(chuàng)造力研究[J].教育研究,2002,(1):44-48.

[8]賈緒計,林崇德.創(chuàng)造力研究:心理學領域的四種取向[J].北京師范大學學報(社會科學版),2014,(1):61-67.

[9]張毅,張倩葦.國際計算創(chuàng)造力及其教育應用研究可視化分析與展望[J].開放教育研究,2021,(2):51-61.

[10]Boden M A. Computer models of creativity[J]. AI Magazine, 2009,(3):23.

[12]Kaufman J C, Beghetto R A. Beyond big and little: The four C model of creativity[J]. Review of General Psychology, 2009,(1):1-12.

[13]小冰.陽光失了玻璃窗[M].北京:北京聯(lián)合出版公司,2017:1-10.

[14]Kumar A, Tejaswini P, Nayak O, et al. A survey on IBM Watson and its services[J]. Journal of Physics: Conference Series, 2022,(1):012022.

[15]張珊,金中.論人工智能作詩研發(fā)的意義[J].系統(tǒng)科學學報,2023,(3):23-28.

[16]Xu X, Wang Z, Zhang E, et al. Versatile diffusion: Text, images and variations all in one diffusion model[OL].

[17]Singer U, Polyak A, Hayes T, et al. Make-A-Video: Text-to-video generation without text-video data[OL].

[18]Miles S A. A multimodal text-to-MIDI transformer model with special consideration to artist usage[D]. Missouri: University of Missouri, 2023:1-5.

[19]Li Y, Choi D, Chung J, et al. Competition-level code generation with AlphaCode[J]. Science, 2022,(6624):1092-1097.

[20]Chen M, Tworek J, Jun H, et al. Evaluating large language models trained on code[OL].

[21]Moradi Dakhel A, Majdinasab V, Nikanjam A, et al. Github Copilot AI pair programmer: Asset or liability?[J]. Journal of Systems and Software, 2023,203:111734.

[22]Fawzi A, Balog M, Huang A, et al. Discovering faster matrix multiplication algorithms with reinforcement learning[J]. Nature, 2022,(7930):47-53.

[23]Varadi M, Anyango S, Deshpande M, et al. AlphaFold protein structure database: Massively expanding the structural coverage of protein-sequence space with high-accuracy models[J]. Nucleic Acids Research, 2022,(D1):D439-D444.

[24]Chenthamarakshan V, Das P, Hoffman S C, et al. CogMol: Target-specific and selective drug design for COVID-19 using deep generative models[OL].

[25]Stokes J M, Yang K, Swanson K, et al. A deep learning approach to antibiotic discovery[J]. Cell, 2020,(4):688-702.

[26]Santana V V, Martins M A F, Loureiro J M, et al. Optimal fragrances formulation using a deep learning neural network architecture: A novel systematic approach[J]. Computers & Chemical Engineering, 2021,150:107344.

[27]Ge X, Goodwin R T, Gregory J R, et al. Accelerated discovery of sustainable building materials[OL].

[28]Kaufman J C, Kaufman S B, Lichtenberger E O. Finding creative potential on intelligence tests via divergent production[J]. Canadian Journal of School Psychology, 2011,(2):83-106.

[29]Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[OL].

[30]Hashimoto T B, Zhang H, Liang P. Unifying human and statistical evaluation for natural language generation[A]. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies[C]. Minneapolis, Minnesota: Association for Computational Linguistics, 2019:1689-1701.

[31]Bellaiche L, Shahi R, Turpin M H, et al. Humans versus AI: Whether and why we prefer human-created compared to AI-created artwork[J]. Cognitive Research: Principles and Implications, 2023,(1):42.

[32]Colton S. Creativity versus the perception of creativity in computational systems[A]. AAAI Spring Symposium[C]. California: Association for the Advancement of Artificial Intelligence, 2008:14-20.

[33]Ritchie G. Some empirical criteria for attributing creativity to a computer program[J]. Minds and Machines, 2007,(1):67-99.

[34]楊曉哲,王晴晴,王若昕.生成式人工智能的有限能力與教育變革[J].全球教育展望,2023,(6):3-12.

[35]方海光,孔新梅,李海蕓,等.人工智能時代的人機協(xié)同教育理論研究[J].現(xiàn)代教育技術,2022,(7):5-13.

[36]The White House.Blueprint for an AI bill of rights[OL].

[37]Intellectual Property Office of Singapore.Singapore IP strategy 2030[OL].

[38]UNESCO.Recommendation on the ethics of artificial intelligence[OL].

[39]中華人民共和國數(shù)據(jù)安全法[N].人民日報,2021-6-19(7).

[40]科技部.《新一代人工智能倫理規(guī)范》發(fā)布[OL].

[41]國務院.國務院關于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[OL].

Research on the Artificial Intelligence Creativity

HU Wei-Ping ZHANG Yang LV Yuan-Jing XU Jing-Jing

At present, large language models have sprung up at home and abroad, accelerating the arrival of general artificial intelligence era. The remarkable creativity displayed by artificial intelligence in science, art and other fields has greatly promoted the progress of human science and technology, but it has also brought huge challenges to traditional human creativity. It is necessary to examine the essential characteristics of artificial intelligence creativity and predict its future application direction. Based on this, focusing on artificial intelligence creativity, the paper firstly explained the basic connotation of artificial intelligence creativity. Then, the paper introduced the external manifestation of artificial intelligence creativity from two dimensions of general domain creativity performance and professional domain creativity performance. Meanwhile, the paper deeply analyzed the internal mechanism of artificial intelligence creativity from the aspects of generation mechanism and regulation mechanism, and proposed evaluation principles and evaluation methods of artificial intelligence creativity in combination with the evaluation experience of human creativity. Finally, the future application modes and prospects of artificial intelligence creativity were analyzed, and some suggestions were given. The research of this paper could promote the development of artificial intelligence creativity and the progress of artificial intelligence technology, and also has certain reference significance for the cultivation and improvement of human creativity.

artificial intelligence; creativity; human-machine integration; creative achievements

G40-057

A

1009—8097（2024）01—0017—09

10.3969/j.issn.1009-8097.2024.01.002

本文為2023年陜西省博士后科研資助項目“科學教育中融合人工智能大模型的人機共生創(chuàng)造力培養(yǎng)”（項目編號：1203040182）、2022年陜西省自然科學基礎研究計劃一般項目“動機影響在線協(xié)作學習表現(xiàn)的作用機制及干預策略研究”（項目編號：2022JQ-213）、陜西師范大學中央高校基本科研業(yè)務費專項資金項目“學習科學交叉學科建設”（項目編號：GK202007004）的階段性研究成果。

胡衛(wèi)平，主任，教授，研究方向為創(chuàng)造力、科學教育及思維型教學，郵箱為huweiping@163.com。

2023年11月16日

編輯：小米