关于人类和人工创造力的随机性
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
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
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
通过仿真人脑,人工智能建立了具有学习能力和接近人类水平的智能任务执行能力的计算模型,同时证明了智能的本质是一系列数学功能过程,通过建立数据集之间的功能关系来最小化系统熵,并通过能量消耗的增强方式在人类和人工智能中实现。
Jul, 2023
本研究探讨了创意和人工智能之间的关系,研究了人工智能在艺术创作中的应用,并考虑了人工智能对意识研究、兴趣和决策能力的潜在影响和伦理问题,以刺激人们对人工智能在创意领域中使用和伦理问题的思考。
Jun, 2023
人工智能和生成模型对知识工作产生了深远影响,探讨了创造力、原创性、抄袭、归属权等问题。通过文学批评、艺术史和版权法例子,指出创造力和原创性无法被界定为对象的信息熵属性,而是过程、作者或观众的属性。认为创造力最终由创作者和受众共同界定,在人工智能的创造性知识工作中,推动了知识工作从物质生产向批判性融合的转变。提出需更充分认识用户创造性和策展角色的问题,并远离简化的符号或信息熵观点。
Jul, 2023
人工智能在协同创造中的角色和责任分配是本研究的关键,主要通过建立一个包含人工智能的合作系统本体论来澄清相关研究,其中包括计算机作为分包商、计算机作为评论者、计算机作为队友等不同类别的分类。
Oct, 2023