Dec, 2023

生成人工智能提升个人创造力但降低集体创意的多样性

PDF
TL;DR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。
creativitygenerative artificial intelligencegenaicreative outputstory similarity
发现论文，激发创造
  • 创造力自动化

    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

  • 人工缪斯：生成型人工智能聊天机器人已达到人类创造力水平

    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

  • 艺术与生成人工智能的科学：更深入的探究

    生成式人工智能作为新媒介，其创造力解放能力将根本性地改变创作过程，并提出了对文化，经济，法律，算法和技术创造力互动的跨学科科学研究和政策决策。

    Jun, 2023

  • 设计参与性人工智能：创意专业人员对生成性人工智能的担忧和期望

    通过质性调查，我们发现创意专业人士对生成式人工智能的推动对创造力的定义和如何使用人工智能支持他们的工作流程产生了重要的影响，并基于这些反思，探讨了如何设计在创新专业领域中的 “参与式人工智能”，以目前和未来协同 AI 中赋予创意专业人士更大的权力。

    Mar, 2023

  • AI 能像人类一样具有创造力吗？

    通过引入 Relative Creativity 的概念，我们将重点转移到 AI 是否能够与理论上的人类创造能力相媲美，并基于统计学上可量化的评估，介绍了 Statistical Creativity 作为衡量 AI 创造力的方法。通过分析创造力度量，并引入可行的训练指导方针，我们建立了一个评估和促进 AI 模型中统计创造力的连贯、不断发展和变革的框架。

    Jan, 2024

  • 生成人工智能的影响

    生成人工智能（AI）的崛起引发了对其对失业和市场萧条的潜在影响的担忧。本研究通过考察生成 AI 对产品市场的影响来解决这一问题。出人意料的是，研究结果表明虽然生成 AI 降低了平均价格，但显著提高了订单数量和总收入，这与预期相反。该研究进一步提供了理论经济解释，以阐明这一意外现象。通过提供经验证据，本文驳斥了生成 AI 可能导致市场萧条的观点，反而强调了其促进市场繁荣的潜力。这些发现对从业者、政策制定者和广大 AI 社区具有重要意义。

    Nov, 2023

  • 生成式人工智能提升团队绩效并减少对传统团队的需求

    近期生成人工智能在协作工作流程中的应用取得了重大进展，对团队绩效的影响仍未被充分探索。本研究通过一项随机对照实验，在 122 支团队的 435 名参与者中研究了生成人工智能在增强或取代传统团队动态中的作用。研究结果表明，在各种绩效指标上，增加生成人工智能的团队显著优于仅依赖人类协作的团队。有趣的是，采用多个人工智能的团队并未表现出进一步的增益，暗示了集成人工智能的效果递减。我们的分析表明，由少数团队成员进行集中使用的人工智能比分布式参与更为有效。此外，个体 - 人工智能配对的表现与传统团队相当，说明在某些情境下，传统团队结构的需求减少了。然而，尽管有这种能力，个体 - 人工智能配对的表现仍不及人工智能辅助团队的水平。这些发现强调，生成人工智能可以取代一些传统团队功能，但更全面地将人工智能整合到团队结构中可以提供更优越的效益，提升整体效能而不仅仅依赖个人努力。

    May, 2024

  • 如何在人智时代战略性地创建内容？

    通过研究人工智能生成模型与人类贡献者之间的竞争，本文探讨了动态竞争模型中人类贡献者如何在一系列主题的内容生成中最大化效益。在时间敏感的内容领域中，研究表明在没有多项式时间的优化策略的情况下，人类的最优策略无法找到，但通过设计一个多项式时间算法可以保证近似性能。而在时间不敏感的内容领域中，我们展示了一种可以在长期内最大化人类效益的多项式时间算法。

    Jun, 2024

  • 用户体验设计专业人员对生成人工智能的感知

    研究发现，经验丰富的设计师对于 Generative Artificial Intelligence（GenAI）的作用持支持态度，强调了人类在享受和作为 “AI 合作伙伴” 的裁决者方面的独特优势，然而，技能退步、工作替代和创造力衰竭可能会对初级设计师产生不利影响。研究探讨了人类与 GenAI 的合作的责任和参与度，包括版权和所有权，人类的创造力和主权，以及 AI 读写能力和使用方面的机会。

    Sep, 2023

  • 街坊里的影响力人物：误导信息创造者如何使用智能 AI

    鉴于生成式人工智能（GenAI）的进展引发了对检测和区分人工生成内容和人类生成内容的关注，本研究通过 2022 年至 2023 年的纵向民族志研究发现，GenAI 支持拼凑工作，即非专家越来越多地使用 GenAI 来重新混合、重新包装和（重新）生成内容以满足他们的个人需求和欲望。本研究得出了四个主要发现：首先，参与者主要使用 GenAI 进行创作，而不是寻求真相。其次，传播 “影响力百万富翁” 叙事推动参与者成为内容创作者，使用 GenAI 作为生产工具来生成大量（通常是误导性的）内容。第三，GenAI 降低了跨模态内容创作的门槛，吸引消费者成为创作者并显著增加现有创作者的产出。最后，参与者使用 GenAI 学习和使用营销策略来扩大参与度并将其内容商品化。我们主张将分析焦点从将公众视为 AI 内容的消费者转向将他们视为创作工者，他们在很大程度上无需了解其基础技术。我们分析了这些较少研究的 GenAI 新兴用途如何产生新的或加速的误导危害，并探讨了它们对 AI 产品、平台和政策的影响。

    May, 2024