Prompting Diverse Ideas: Increasing AI Idea Variance

📄 arXiv: 2402.01727v1 📥 PDF

作者: Lennart Meincke, Ethan R. Mollick, Christian Terwiesch

分类: cs.CY, cs.AI

发布日期: 2024-01-27

💡 一句话要点

通过提示工程提升AI创意多样性以解决创新不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 创意生成 人工智能 提示工程 链式思维 多样性提升 产品开发 市场营销

📋 核心要点

  1. 现有AI生成创意的方法在创意多样性上存在不足，限制了新颖性和最佳创意的质量。
  2. 本文提出通过提示工程来增强AI生成创意的多样性，探索不同提示方法的效果。
  3. 实验结果显示，链式思维提示显著提高了创意多样性，接近人类小组的表现，并生成了最多的独特创意。

📝 摘要（中文）

与常规任务强调一致性不同，创造力和创新的目标是生成多样化的创意。本文探讨了利用人工智能（AI）提升创意生成过程的生产力和质量的潜力。尽管以往研究表明AI生成的创意质量普遍较高，但AI在头脑风暴中缺乏足够的创意多样性，限制了新颖性和最佳创意的质量。我们的研究调查了增加AI生成创意多样性的方法，使用GPT-4探索不同提示方法对余弦相似度、独特创意数量和创意空间耗尽速度的影响。研究发现，通过提示工程显著提高了AI生成创意的多样性，尤其是链式思维（CoT）提示在所有评估的提示中表现最佳，接近人类小组的创意多样性。

🔬 方法详解

问题定义：本文旨在解决AI生成创意时缺乏多样性的问题，现有方法未能有效产生足够不同的创意，限制了创新潜力。

核心思路：通过优化提示方法，特别是链式思维提示，来提高AI生成创意的多样性和独特性，从而提升整体创意质量。

技术框架：研究使用GPT-4模型，设计了多种提示方法，评估其对创意多样性的影响，主要模块包括提示设计、创意生成和结果评估。

关键创新：链式思维提示被证明是最有效的提示方法，能够显著提高创意多样性，接近人类小组的表现，这一发现为AI在创意生成领域的应用提供了新的视角。

关键设计：在实验中，设置了不同的提示参数，并通过余弦相似度等指标评估生成创意的多样性，确保了实验的系统性和可重复性。

📊 实验亮点

实验结果表明，使用链式思维提示时，AI生成的创意多样性显著提高，接近人类小组的表现，且生成的独特创意数量为所有提示方法中最高，显示出提示工程在提升AI创意生成能力方面的巨大潜力。

🎯 应用场景

该研究的潜在应用领域包括产品开发、市场营销和创意设计等行业，能够帮助团队在创意生成过程中利用AI工具提升创意的多样性和质量，进而推动创新。未来，随着提示工程的进一步发展，AI在创意领域的应用将更加广泛和深入。

📄 摘要（原文）

Unlike routine tasks where consistency is prized, in creativity and innovation the goal is to create a diverse set of ideas. This paper delves into the burgeoning interest in employing Artificial Intelligence (AI) to enhance the productivity and quality of the idea generation process. While previous studies have found that the average quality of AI ideas is quite high, prior research also has pointed to the inability of AI-based brainstorming to create sufficient dispersion of ideas, which limits novelty and the quality of the overall best idea. Our research investigates methods to increase the dispersion in AI-generated ideas. Using GPT-4, we explore the effect of different prompting methods on Cosine Similarity, the number of unique ideas, and the speed with which the idea space gets exhausted. We do this in the domain of developing a new product development for college students, priced under $50. In this context, we find that (1) pools of ideas generated by GPT-4 with various plausible prompts are less diverse than ideas generated by groups of human subjects (2) the diversity of AI generated ideas can be substantially improved using prompt engineering (3) Chain-of-Thought (CoT) prompting leads to the highest diversity of ideas of all prompts we evaluated and was able to come close to what is achieved by groups of human subjects. It also was capable of generating the highest number of unique ideas of any prompt we studied.