Human diversity fuels collective creativity that large language models cannot simulate or sustain
作者: Mengchen Dong, Hiromu Yakura
分类: cs.HC, cs.AI, cs.CY
发布日期: 2026-07-29
💡 一句话要点
探讨人类多样性如何推动创造力，AI无法模拟
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 生成性AI 创意多样性 人机协作 语言模型 创作实验 创新研究 多样性压缩
📋 核心要点
- 现有生成性AI可能导致创作内容的同质化，无法有效模拟人类的创造性多样性。
- 论文通过实验比较了母语和非母语写作者在AI辅助下的创作表现，探讨了AI对创意多样性的影响。
- 实验结果显示，AI生成的创意压缩了集体多样性，而AI优化个人创意则能够保留多样性，尤其在L2写作者中表现突出。
📝 摘要（中文）
多样化的人类群体能够产生多样化的创意，这是创新的原材料。然而，生成性人工智能在两个方面挑战了这一引擎：日常AI辅助可能使多样化的创作趋于同质化，而AI模拟的多样性可能完全取代人类。通过对母语（L1）和非母语（L2）英语写作者进行的创意隐喻实验，我们发现L2写作者的集体多样性高于L1写作者，而母语创意表现出最丰富的多样性。AI生成的创意压缩了所有人的集体多样性，而AI对个人创意的优化则保留了这种多样性。模拟的写作池在多样性上均低于人类写作池，进一步推动模型多样性只会导致低质量文本的生成。人类多样性仍然是当前AI无法模拟或维持的宝贵创造资源。
🔬 方法详解
问题定义：本研究旨在探讨生成性AI对人类创意多样性的影响，尤其是在不同语言背景的写作者中。现有方法未能有效保留人类创作的多样性，且AI生成的内容可能导致创作同质化。
核心思路：通过对比母语和非母语写作者在不同AI辅助条件下的创作表现，分析AI对创意多样性的压缩与保留机制，旨在揭示人类多样性在创作中的重要性。
技术框架：研究采用了预注册的实验设计，参与者分为三组：无AI创作、AI生成创意、AI优化个人创意。通过对比不同组别的创作多样性，评估AI的影响。
关键创新：本研究的创新点在于揭示了AI生成创意对集体多样性的压缩效应，以及AI优化个人创意在保留多样性方面的优势。这与传统的AI辅助创作方法形成鲜明对比。
关键设计：实验中使用了参与者的真实背景构建写作角色，并通过三种模型家族、母语提示和高采样温度进行模拟。关键参数包括AI生成创意的质量评估和多样性指标的计算。实验结果表明，AI优化能够在一定程度上提升创作质量，但仍无法替代人类的多样性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，L2写作者在集体创作中表现出更高的多样性，而AI生成的创意则压缩了所有参与者的集体多样性。AI优化个人创意能够保留多样性，尤其在L2写作者中表现突出。模拟的写作池在多样性上均低于人类写作池，进一步推动模型多样性只会导致低质量文本的生成。
🎯 应用场景
该研究的结果对人机协作的创作流程设计具有重要启示，尤其是在创意产业和教育领域。通过理解人类多样性在创作中的价值，可以更好地设计AI工具，促进人类与AI的有效合作，提升创新能力。未来，研究成果可能影响AI辅助创作的策略，推动更具多样性的创意生成。
📄 摘要（原文）
Diverse human groups produce diverse ideas, the raw material of innovation. Generative AI challenges this engine twice over: everyday AI assistance may homogenize what diverse people create, and AI-simulated diversity may replace the people altogether. We tested both challenges in a preregistered creative metaphor experiment with native (L1) and non-native (L2) English writers, who wrote without AI, with AI-generated ideas (AI ideation), or with AI refining their own ideas (AI refinement). L2 writers contributed more collective diversity than L1 writers, with native-language ideation showing the most diverse pools. AI ideation compressed collective diversity for everyone and left the L2 advantage undetectable, whereas AI refinement preserved both. We then simulated the entire writer pool using personas built from participants' real backgrounds, three model families, native-language prompting, and elevated sampling temperatures. Every simulated pool fell below every human pool, and pushing models further induced diversity only through degenerate text. However, at the individual level, AI ideation raised writers' ratings, pitting private incentives against the collective good, except when L2 writers used their native language, which benefited both. Human diversity remains a valuable creative resource that current AI cannot simulate or sustain; the design of human-AI collaborative workflows determines whether it survives.