人工智能創造力探究*

胡衛平 張 陽 呂元婧 徐晶晶

人工智能創造力探究*

胡衛平 張 陽 呂元婧 徐晶晶

（陜西師范大學 現代教學技術教育部重點實驗室，陜西西安 710062）

目前，國內外大語言模型如雨后春筍般涌現，加速了通用人工智能時代的到來。人工智能在科學、藝術等領域展現出的卓越創造力，大大推動了人類科技進步，但也給人類傳統創造力帶來了巨大挑戰，需要對人工智能創造力的本質特征進行審視，并預測其未來應用方向。基于此，文章聚焦于人工智能創造力，首先闡釋了人工智能創造力的基本內涵；接著，文章從通用領域創造力表現和專業領域創造力表現兩個維度，介紹了人工智能創造力的外在表現；然后，文章從產生機制和調控機制兩個方面，深入剖析了人工智能創造力的內在機制，并結合人類創造力評價經驗提出了人工智能創造力的評價原則和評價方法；最后，文章分析了人工智能創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造力的發展和人工智能技術的進步，也能為人類創造力的培養和提升提供一定的借鑒。

人工智能；創造力；人機融合；創造性成果

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

一 人工智能創造力的基本內涵

1950年，Guilford[6]提出“創造力”（Creativity）概念，此后研究者從不同角度對創造力進行了研究：①初期主要從心理測量、認知、人格三個視角進行研究，關注創造性的產品、創造性的過程和創造性的個人；后來，研究者重視環境、文化等因素，關注創造性的環境，強調個體和環境的交互作用。②20世紀80年代之后，創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、不同程度的創造力研究，提出了眾多的創造性理論；另一方面整合創造性的個人、創造性的產品、創造性的過程和創造性的環境，強調創造力不僅具有領域一般性，也具有領域特殊性，逐步形成了創造力的系統觀。綜合來看，創造力是指在學習知識、解決問題和創造活動中，根據一定的目的，運用一切已知信息，在新穎、獨特且有價值地（或恰當地）產生某種產品的過程中表現出來的智能品質或能力[7][8]。

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

目前，人工智能已經發展成為模仿人類創造的虛擬主體，人工智能輔助創新、人機耦合與協同創造重塑了創造力的內涵。在以生成式人工智能（Artificial Intelligence Generated Content，AIGC）為標志的AI 2.0時代，人工智能創造力的基本內涵是：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造性活動時產生新穎性、價值性創造的能力。

二 人工智能創造力的外在表現

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

1 通用領域創造力表現

通用領域創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、音視頻等多模態創造，是專業領域創造的通用基礎，其外在表現主要有：

①自然語言文字創作。自然語言文字創作是基于大語言模型進行文字作品的創作，是一種較為成熟的人工智能創造力外在表現。目前，已引起廣泛關注的自然語言文字創作案例有：微軟開發的“小冰”人工智能交互主體，創作并出版了詩集《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容創作服務，如進行溫布爾登網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多模態融合的藝術創作。受人類創造過程中多感官刺激與聯想的多模態融合啟發，人工智能基于對人類自然語言的理解，正逐步將其創造能力擴展到圖像、音視頻等多模態領域，并在藝術創作領域表現出卓越的創造力。例如，OpenAI的DALL-E2、谷歌的Imagen、Midjourney、Stable Diffusion可以根據文本描述，實現不同藝術風格圖像的創作[16]；Meta在文本創作圖像的基礎上通過時空管道加入時間維度，開發了能根據文本自動創作視頻的Make-A-Video人工智能模型[17]；谷歌的MusicLM模型可以根據給定的文本輸入和旋律條件，創作出高質量、高保真的樂曲，且創作風格可以根據文本要求、故事情節、年代、地點等背景資料自動調整[18]。

2 專業領域創造力表現

專業領域創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性創造活動過程中表現出來的創造力，其外在表現十分豐富，且在不同領域有不同的創造性應用。

①在程序開發領域的典型創造性應用有：DeepMind的AlphaCode人工智能模型可以根據文本描述自動編寫程序代碼，并在編程大賽中戰勝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了編程生產工具的升級，提升了人類技術創新的效率[20]；微軟在Codex基礎上開發的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協同進行創新工作，重新定義了生產力[21]。

②在數學與科學研究領域的典型創造性應用有：AlphaTensor人工智能模型打破了矩陣乘法運算記錄，可以通過創新性的矩陣運算進行數學發現、視覺計算和物理模擬[22]；DeepMind的AlphaFold可以生成創新性的蛋白質結構[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[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造性應用有：通過深度學習神經網絡架構開發的香水配方設計系統，解決了困擾調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境問題[27]。

三 人工智能創造力的內在機制

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

1 人工智能創造力的產生機制

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

①基于神經元激活的遷移和重組創造機制。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驗數據進行整合的基礎上，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元，借助優化算法進行創造方向的搜索，根據由創造性評價差異映射得到的損失函數對神經網絡模型參數進行反饋調節，并通過不同神經元的組合激活實現遷移和重組創造。例如，在音樂、繪畫、文學等領域通過遷移、重組創造，可以獲得突破人類想象極限的創造性成果。遷移、重組創造是人工智能很早就展現出來的創造技能，也是主流的創造方式，得到的創造性成果頗豐。

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

③基于思維鏈的聯想推理機制。雖然人工智能的創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遠距離實體之間的注意關聯，在神經網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想推理機制。通過思維鏈的提示詞工程，可以實現復雜創造性問題的遠距離聯想推理，也可以提升人工智能創造過程的可解釋性。

④基于超參數調節的突破思維定勢機制。創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（如溫度參數、激活函數、交叉和變異率等）來控制思維突破的等級，實現創造性成果的輸出。

⑤基于大規模參數與訓練集的頓悟和涌現機制。2017年，谷歌推出Transformer模型，之后在此基礎上發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兩個神經網絡模塊組成[29]。谷歌、OpenAI等公司不斷擴大預訓練的數據和參數規模，有些神經網絡模型的參數規模甚至達到千億級，通常稱為“大語言模型”或“大模型”。當神經網絡模型的參數規模達到數百億級甚至上千億級后，便會由量變到質變產生頓悟，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網絡結構逼近人類大腦神經元連接的復雜程度后，就會超越神經元的簡單疊加，進而從大量的數據和局部規則中學習到高度復雜的策略，涌現出創造力。

2 人工智能創造力的調控機制

人工智能龐大的神經網絡結構和海量的模型參數、訓練數據，決定了其創造力的影響因素是錯綜復雜的，并且每個環節的微小波動都會產生蝴蝶效應式的影響，如訓練數據集、人類提示、隨機化參數、創造約束條件、各類超參數等都會對創造性成果產生實質性的影響。要想獲得滿意的創造性成果，就需要系統地分析人工智能創造力的調控機制。

①人工智能創造力的調節機制。人工智能創造的核心是根據人腦結構進行數學抽象而得到的神經元網絡結構，通過前向四則運算和微分反向傳播，實現神經網絡節點參數的微觀調整和創造性成果的宏觀動態演化，進而模擬人腦思考和創造過程中神經信號的傳播過程。通常用“溫度參數”（Temperature Parameter）來控制人工智能生成創造性成果的多樣性和隨機性，其主要操作是調節神經網絡節點激活函數的信息熵值——溫度參數越高，熵值越大，創造性成果的發散性和不確定性就越強，新穎性和創新性也就越高。但是，創造力調節過程中也不可避免地會出現幻覺性創造，這有點類似于人類頭腦風暴創新過程中創新思維的過度發散。受人類進行創造性活動時腦區非典型神經元激活腦成像的啟發，可以通過控制解碼器神經網絡中高低活性神經節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造力，實現探索性、變革性創造。

②人工智能創造力的控制機制。傳統的生成式人工智能為了確保生成結果的穩定性并控制“幻覺”“虛構”，通常不會設置太高的溫度參數，而會通過限制人類訓練樣本特征的分布外泛化（Out-of-Distribution，OOD），來降低其發揮創造的潛力，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來激發人工智能創造力的潛能。對于微創造，可以對訓練數據進行插值組合，獲得的創造性成果仍然符合訓練集的統計分布特征；而對于更側重新穎性和創新性的大創造，可以對訓練數據集進行外推泛化，輸出人類未曾發現的創造性成果。

四 人工智能創造力評價

隨著人工智能技術的飛速發展，人工智能創造性成果大量涌現，但目前關于人工智能創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造力的發展，就需要對人工智能創造力進行科學評價，而這也會反過來促進人工智能算法和技術的進步。人工智能創造力評價要解決的首要問題，是人工智能創造力的評價原則和評價方法。

1 人工智能創造力的評價原則

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

①新穎性原則。新穎性強調創造性產品的新奇性、原創性與獨特性，是顯著預測和表征創造力水平的關鍵要素。然而，評價創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品也不能稱為創造性產品。因此，新穎性原則要與人工智能創造力評價的價值性原則相互融合、相互約束，促使個體產生既新穎又有用的創造性產品。

②價值性原則。價值性是指創造性產品本身的適宜性、可用性或可實施性，是創造性概念轉化為可用的創造性產品所需遵循的基本原則。創造性產品的價值性是指產品能夠滿足用戶的需求、解決實際問題，且帶來實際的價值。新穎性和價值性往往負相關，即高新穎性的產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造性產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造性輸出，其創造性成果中不可避免地會融合人類的想象力和創造力。因此，人工智能創造力評價有其自身的特殊性，這就要求進行人工智能創造力評價時需遵循獨立性原則，即從人類派生創造力中抽離出來，進行人工智能創造力主成分獨立評價。

④公平性原則。在評價人工智能創造力時，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；二是相較于人類創造的作品，對人工智能創造性作品的深刻性、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，創造者標簽介導了創造力評價結果[31]。因此，進行人工智能創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 人工智能創造力的評價方法

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

①外顯性創造作品評價方法。借鑒人類創造性產品的專家評價方式，對可觀察到的外顯性創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造性評價還沒有統一的標準，如Colton[32]設計了人工智能創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、質量等方面進行創造力參數化評價。由于人工智能的訓練集基本涵蓋了絕大部分人類歷史經驗數據，因此進行創造性評價時需先厘清創造性產品是對其訓練集數據的復制還是創新組合或探索發現。人工智能訓練集數據的規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、支持向量數據描述（Support Vector Data Description，SVDD）、GAN等人工智能算法，可以高效地對創造性成果獨立于訓練集的新穎性、原創性進行檢測。此外，通過盲評方式評價人工智能創造力也是一種有效的方式，但要注意規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。為體現人工智能創造力評價的公平性原則，對人工智能創造性成果的評價需采用定量評分機制，從典型性、原創性、新穎性、驚奇性、質量、價值等不同維度進行評測，最后給出綜合評分。

②內隱性創造思維評價方法。創新和創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造力評價中僅依靠識記和重組學習材料進行創造的不足，可借助心理學創造力測量中創造性多用途任務（Alternative Uses Task，AUT）和問題解決的測量方法進行人工智能內隱性創造思維的評價，重點測試人工智能是否突破簡單的知識整合，是否表現出創造性思維（如類比思維、發散思維、聯想思維、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，訓練數據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，而很難輸出帶有創造性人格傾向的結果。

五 人工智能創造力的未來應用

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

1 應用模式

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

2 應用前景

人工智能技術的迅猛發展和不斷進步，為人工智能創造力的未來應用提供了強大支持。可以預見，人工智能創造力的未來應用前景廣闊，主要表現為：①在創意產業領域，可利用人工智能創造力自動分析用戶的潛在需求和市場趨勢，設計多元的創意內容方案，生成個性化的廣告創意、營銷策略等；②在醫療健康領域，可在深度學習歷史病例、醫學影像資料等的基礎上，利用人工智能創造力輔助醫生開展疾病診斷、手術方案制定、藥物研發等工作；③在科技創新領域，可借助人工智能創造力輔助科學家開展復雜的模型計算與相關實驗數據分析，以加速科學研究進度，推動科技創新；④在教育領域，可利用人工智能創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

人工智能創造力主要受訓練數據和程序算法的控制，缺乏內稟的道德與倫理規范。因此，人類在利用人工智能創造力進行創作的過程中，必須將人工智能創造空間限制在合理的倫理規范與道德約束空間內，以確保其創造力是人類可控的，且對人類不構成威脅；同時，融入人類創造過程中的情感、動機、社會文化屬性，在理解人類社會文化規范及倫理道德的基礎上開展創造性活動，禁止出現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容，杜絕人工智能創造力的濫用。

除了人類社會道德規范和價值觀的基本準則，法律法規也是人工智能創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，來規范人工智能創造力的發展。例如，在知識產權領域，美國出臺了《人工智能權利法案藍圖》[36]，新加坡出臺了《新加坡知識產權策略2030》[37]，以確保人工智能創造性作品不侵犯他人的知識產權；在隱私權領域，聯合國教科文組織發布了《人工智能倫理建議書》[38]，中國出臺了《中華人民共和國數據安全法》[39]、《新一代人工智能倫理規范》[40]，以保護用戶的隱私和數據安全；在網絡安全領域，中國出臺了《生成式人工智能服務管理暫行辦法》[41]，以確保人工智能創造力的安全性和穩定性。健全的法律法規是人工智能創造力深入發展和廣泛應用的重要保障，學術界和產業界都應積極參與相關的法律法規制度建設并予以不斷完善，從而為人工智能創造力的安全應用保駕護航。

[1]袁磊,徐濟遠,葉薇.AIGC時代的數智公民素養:內涵剖析、培養框架與提升路徑[J].現代教育技術,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]胡衛平,俞國良.青少年的科學創造力研究[J].教育研究,2002,(1):44-48.

[8]賈緒計,林崇德.創造力研究: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的意義[J].系統科學學報,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同教育理論研究[J].現代教育技術,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]中華人民共和國數據安全法[N].人民日報,2021-6-19(7).

[40]科技部.《新一代人工智能倫理規范》發布[OL].

[41]國務院.國務院關于印發新一代人工智能發展規劃的通知[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造力培養”（項目編號：1203040182）、2022年陜西省自然科學基礎研究計劃一般項目“動機影響在線協作學習表現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。

胡衛平，主任，教授，研究方向為創造力、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