On the stochastics of human and artificial creativity

📄 arXiv: 2403.06996v1 📥 PDF

作者: Solve Sæbø, Helge Brovold

分类: cs.AI

发布日期: 2024-03-03

备注: 40 pages, 1 figure with 2 sub-figures

💡 一句话要点

提出统计模型以探讨人类与人工创造力的关系

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人类创造力 人工智能 统计模型 随机理论 创造性评估

📋 核心要点

  1. 现有的人工智能系统在创造力方面与人类存在显著差距，缺乏自主创造的能力。
  2. 论文提出了一种统计模型，旨在量化人类创造力的随机性，并将其应用于评估AI系统的创造力。
  3. 通过对现代AI算法的分析，论文指出当前技术在创造力方面的不足，未能达到人类水平。

📝 摘要（中文）

本论文探讨了人类创造力的本质以及计算机是否能够展现真正的创造力。我们认为，实现人类水平的智能，即人工通用智能，必须同时达到人类水平的创造力。为此，我们开发了一种人类创造力的统计表示，结合了随机理论、心理学、哲学、神经科学和混沌理论的先前研究。这一表示强调了人类创造过程的随机性，包括受偏见引导的随机提议步骤和依赖于灵活或可变偏见结构的评估步骤。我们利用这一表示评估了多种现代AI系统的创造力水平，得出结论：这些技术目前缺乏人类水平的自主创造能力。

🔬 方法详解

问题定义：本论文旨在解决人类创造力的本质及其与人工智能创造力的比较问题。现有方法未能充分捕捉人类创造过程中的随机性和复杂性。

核心思路：论文的核心思路是通过统计模型来描述人类创造力，强调其随机性和评估机制的灵活性。这种设计有助于更好地理解创造力的多维特性。

技术框架：整体架构包括两个主要模块：随机提议步骤和评估步骤。随机提议步骤生成创意，而评估步骤则根据灵活的偏见结构对创意进行筛选和优化。

关键创新：最重要的技术创新在于将随机理论与心理学、哲学等多学科知识结合，形成对人类创造力的全新统计表示。这一方法与传统的线性模型有本质区别。

关键设计：在模型设计中，关键参数包括随机性控制因子和评估标准，损失函数则考虑了创造力的多样性和适应性。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，当前的AI系统在创造力评估中表现不佳，尤其是在自主创意生成方面，未能达到人类的创造力水平。具体而言，强化学习和大型语言模型在创造性任务中的表现与人类相比存在明显不足，未能实现预期的创造性成果。

🎯 应用场景

该研究的潜在应用领域包括教育、艺术创作、产品设计等，能够帮助理解和提升人类与AI的创造力互动。未来，随着AI技术的发展，该模型可能为创造性任务的自动化提供理论支持，推动人机协作的进步。

📄 摘要（原文）

What constitutes human creativity, and is it possible for computers to exhibit genuine creativity? We argue that achieving human-level intelligence in computers, or so-called Artificial General Intelligence, necessitates attaining also human-level creativity. We contribute to this discussion by developing a statistical representation of human creativity, incorporating prior insights from stochastic theory, psychology, philosophy, neuroscience, and chaos theory. This highlights the stochastic nature of the human creative process, which includes both a bias guided, random proposal step, and an evaluation step depending on a flexible or transformable bias structure. The acquired representation of human creativity is subsequently used to assess the creativity levels of various contemporary AI systems. Our analysis includes modern AI algorithms such as reinforcement learning, diffusion models, and large language models, addressing to what extent they measure up to human level creativity. We conclude that these technologies currently lack the capability for autonomous creative action at a human level.