本研究测试了人工智能是否具备创造力，通过比较采用六种生成式人工智能聊天机器人生成的创意和人类生成的创意，研究发现虽然创意的生成方式不同，但是在创意质量方面没有明显的差异，并且有 9.4% 的人比 GPT-4 生成的创意更有创造力。研究表明生成式人工智能可以成为创意创造的有价值助手，持续研究和开发生成式人工智能在创造性任务中的应用具有重要意义，同时也探讨了生成式人工智能是否能够真正具备创造力的问题。

Mar, 2023

我们评估了 Open AI 的生成式自然语言模型 GPT-3 在 Guilford 的替代用途测试中的创造力，结果显示人类目前在创造性输出方面表现优于 GPT-3，但我们相信这只是时间问题。

Jun, 2022

通过大型语言模型利用 Prompt-for-Prompt 生成社交媒体创意，评估人工智能在创造型任务中的能力，超过人类专家并提高社交媒体图像创作的效果。

Mar, 2024

本文使用 GPT-4 进行了多项实验来生成计算机代码，发现 AI 编码工具需要人类的验证才能确保准确性和可靠性。同时，使用 GPT-4 进行代码改进可以显著提高代码质量，但生成的测试仍需要人类验证。

Apr, 2023

本研究揭示了大型语言模型 (LLMs) 在某些情况下表现出具有人类直觉的行为，包括许多认知错误，并且通过使用 GPT-3.5 等最新技术的模型及进行人类直觉决策的试探研究证明了这一点，并探究了几种方法来测试 GPT-3.5 的倾向于类似直觉的决策及其机器行为等方面，以揭示出这些模型在认知科学方面的新兴特征和调整预期的潜力。

Dec, 2022

通过在线实验研究，我们得出结论：使用 GenAI 平台获取灵感会导致作品被评定为更具创造力、写作更好、更令人愉快，尤其是在创造力较低的作家中。然而，每个条件内的故事相似性的客观度量揭示出，相比于单独由人类创作的故事，GenAI 生成的故事更加相似。这些结果表明了个人创造力的增加，但同时也存在着过度依赖的潜在后果，可能会导致集体创新的缺失。

Dec, 2023

基于强化学习方法和计算创造力的不同研究流派，本文提出了一个三重引导 - 响应 - 奖励工程框架，以提高生成人工智能（GenAI）的创造能力。该框架包括了引导模型、响应模型和奖励模型，通过开发创造性的引导、生成出令人惊喜和创新性的输出，并结合 AI、创作者 / 管理者和客户的反馈，逐步提高生成人工智能的创造力。

May, 2024

本文探讨利用人类书写的样例以几乎无监督的方式创作自由文本解释的任务，发现高质量的提示有助于提高语言模型的生成效果，同时人类研究表明 GPT-3 生成的解释在某些情况下能够胜过人工生成的解释；作者还结合 GPT-3 与学习自评价的筛选器对生成的解释进行过滤，结果表明这一方法能够实现较高水平的解释过滤。

Dec, 2021

本研究提出了一种结合行为和计算实验的框架，利用虚构提示作为一种新颖工具，研究人类和生成型 AI 在叙事中的文化产物和社会偏见。通过分析人类和大型语言模型对创建并与人工智能恋爱的相同提示的回应，实验证明了 Pygmalion 神话在人类和大型语言模型的集体想象中一直存在的普遍存在。分析揭示了 GPT-3.5 和特别是 GPT-4 的叙事在性别角色和性取向方面比人类更加进步。虽然人工智能的叙事偶尔会提供创新的情节转折，但其提供的情境和修辞比人类的文本更缺乏想象力。该提出的框架认为小说可以作为了解人类和基于人工智能的集体想象和社会维度的窗口。

Oct, 2023

本文提出和开发了一个针对带赌徒反馈的人机协作问题的解决方案，旨在利用人机互补性最大化决策收益，在多个人类决策者的环境中展开并表现出效用，并呈现出当机器和人类各自单独做出决策时，我们的方法胜过两者的能力，以及如何在多个人类决策者的情况下实现个性化路由以进一步提高人机团队的表现。

May, 2021