功能而非错误:测量图像生成器中的创造力流动性
通过使用生成 AI 进行图像生成,我们收集并分析了超过 300 万个提示和它们生成的图像,通过自然语言处理、主题分析和可视化方法,我们旨在共同理解人们如何使用文本提示,这些系统对艺术家的影响以及它们所推广的视觉文化。我们的研究表明,提示主要关注表面美学,强化文化规范、流行的传统表达和意象。我们还发现许多用户关注流行的主题(如制作填色书、幻想艺术或圣诞卡片),这表明所分析的系统的主要用途是娱乐而非艺术性。
Jan, 2024
我们对几个知名公司推出的生成式人工智能应用程序的输出准确性进行了全面调查,发现这些应用在描述流体力学领域常见的流体运动现象时存在着不足,可能会产生误导性的结果。这份报告向学术机构的教育者提出了一个警示,强调这些工具可能误导学生,并鼓励这些著名公司的研究人员解决这个问题。我们推测,这一不足的主要原因是无法获得受版权保护的流体运动图像。
May, 2024
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
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
研究基于对创意理论核心概念:流畅性,灵活性和原创性的整合,定义并应用一个通用的可高效计算的创意度量,将其应用于 Scratch 项目的机器学习模型中,人类专家和模型的创意度量结果存在差异,该方法可用于教育技术的创意度量。
Nov, 2022
本研究探讨了基于文本提示的生成式机器学习系统,分析了语言描述的局限性、数据集的影响以及物质性和具体化等因素,最终总结了基于文本提示的系统所带来的创造性可能性,询问它们是否可以被视为一种新的艺术媒介。
Jan, 2023
通过结合进化算法的新颖性保持机制和生成对抗网络的优势,我们利用 OpenAI 的 CLIP 模型与短周期的进化分散搜索来指导 GAN 的创造过程,以此来创造出更具有新颖性和优秀性的艺术作品。
May, 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