人工智能创造力探究*

胡卫平 张 阳 吕元婧 徐晶晶

人工智能创造力探究*

胡卫平 张 阳 吕元婧 徐晶晶

（陕西师范大学 现代教学技术教育部重点实验室，陕西西安 710062）

目前，国内外大语言模型如雨后春笋般涌现，加速了通用人工智能时代的到来。人工智能在科学、艺术等领域展现出的卓越创造力，大大推动了人类科技进步，但也给人类传统创造力带来了巨大挑战，需要对人工智能创造力的本质特征进行审视，并预测其未来应用方向。基于此，文章聚焦于人工智能创造力，首先阐释了人工智能创造力的基本内涵；接着，文章从通用领域创造力表现和专业领域创造力表现两个维度，介绍了人工智能创造力的外在表现；然后，文章从产生机制和调控机制两个方面，深入剖析了人工智能创造力的内在机制，并结合人类创造力评价经验提出了人工智能创造力的评价原则和评价方法；最后，文章分析了人工智能创造力未来的应用模式、应用前景并给出应用建议。文章的研究既可促进人工智能创造力的发展和人工智能技术的进步，也能为人类创造力的培养和提升提供一定的借鉴。

人工智能；创造力；人机融合；创造性成果

创新是现阶段我国的重大发展需求与战略支撑，创造力是国家发展和民族进步的不竭动力。人工智能技术的发展，大大推动了人类科技创造的进步，同时也为创造力的研究带来了巨大挑战。人工智能自诞生那一刻起，关于人工智能是否具有创造力的争论就一直没有停止。随着生成对抗网络（Generative Adversarial Networks，GAN）、大语言模型（Large Language Models，LLMs）等人工智能技术的发展，尤其是ChatGPT的出现，加速了通用人工智能（Artificial General Intelligence，AGI）时代的到来[1]，且人工智能创造力也逐步得到了认可[2][3]，杂志更是将“具有创造性的人工智能”列为2022年十大科学突破之一[4]。创造力与人工智能的碰撞，为创造力的研究带来了灵感，人工智能创造力已成为人工智能领域的前沿问题，并将成为突破人工智能发展瓶颈“最后的边界”问题[5]。因此，将创造力研究拓展到人工智能领域，开展人工智能创造力内涵、表现、机制、评价等方面的研究具有重要意义。

一 人工智能创造力的基本内涵

1950年，Guilford[6]提出“创造力”（Creativity）概念，此后研究者从不同角度对创造力进行了研究：①初期主要从心理测量、认知、人格三个视角进行研究，关注创造性的产品、创造性的过程和创造性的个人；后来，研究者重视环境、文化等因素，关注创造性的环境，强调个体和环境的交互作用。②20世纪80年代之后，创造力研究的多样化与综合化并存，一方面聚焦不同领域、不同阶段、不同程度的创造力研究，提出了众多的创造性理论；另一方面整合创造性的个人、创造性的产品、创造性的过程和创造性的环境，强调创造力不仅具有领域一般性，也具有领域特殊性，逐步形成了创造力的系统观。综合来看，创造力是指在学习知识、解决问题和创造活动中，根据一定的目的，运用一切已知信息，在新颖、独特且有价值地（或恰当地）产生某种产品的过程中表现出来的智能品质或能力[7][8]。

人工智能创造力是在人类创造力研究的基础上，随着人工智能技术发展起来的新兴交叉学科。早期，研究者多使用“计算创造力”一词，意指计算机程序的创造能力；随着人工智能算法相关计算机程序创造力的日益提升，人工智能创造力成为了计算创造力的研究热点[9]。例如，计算创造力的奠基人Boden[10]指出，人工智能创造力主要通过三种方式实现，即熟悉观点的新颖组合、探索潜在的概念空间、通过变革产生之前不可能的想法；而Colton等[11]强调人工智能创造力中计算机主体的创造性能力和人类评价者的客观性评价。

目前，人工智能已经发展成为模仿人类创造的虚拟主体，人工智能辅助创新、人机耦合与协同创造重塑了创造力的内涵。在以生成式人工智能（Artificial Intelligence Generated Content，AIGC）为标志的AI 2.0时代，人工智能创造力的基本内涵是：人工智能技术赋能的虚拟主体，在算法驱动下模拟人类的创造性活动时产生新颖性、价值性创造的能力。

二 人工智能创造力的外在表现

关于创造力的外在表现，一个广为流行的理论是Kaufman等[12]提出的创造力4C理论，即创造力可分为微创造力（Mini-C）、日常创造力（Little-C）、专业创造力（Pro-C）和杰出创造力（Big-C）四种水平。其中，微创造力是指学习过程中的创造性，表现为对经验、行动或事件所做的新颖且有个人意义的诠释；日常创造力是指日常生活中的创造性，表现为在日常生活中能创造出新颖且有价值的产品；专业创造力是指职业领域中的创造性，表现为在任何领域取得的具有创新性、富有专业水准的成果，代表超越了日常创造力但还没有达到重大创新水平的成果；杰出创造力是指杰出的创造力，表现为一个人在创造力方面非常有天赋，且其取得的成果影响力巨大。借鉴创造力4C理论，依据人工智能模型的通用模型和领域模型之分，本研究将人工智能创造力的外在表现也相应地分为通用领域创造力表现和专业领域创造力表现。

1 通用领域创造力表现

通用领域创造力是在利用大语言模型对自然语言的理解之基础上进行的文字、图像、音视频等多模态创造，是专业领域创造的通用基础，其外在表现主要有：

①自然语言文字创作。自然语言文字创作是基于大语言模型进行文字作品的创作，是一种较为成熟的人工智能创造力外在表现。目前，已引起广泛关注的自然语言文字创作案例有：微软开发的“小冰”人工智能交互主体，创作并出版了诗集《阳光失了玻璃窗》[13]；IBM的Watsonx人工智能平台，可为不同领域提供自动化的内容创作服务，如进行温布尔登网球锦标赛的赛事解说[14]；清华大学推出的“九歌”人工智能模型，通过语义分析和情感识别，可以创作符合古诗词格律韵律的作品，同时将情感和意境融入其中[15]。

②多模态融合的艺术创作。受人类创造过程中多感官刺激与联想的多模态融合启发，人工智能基于对人类自然语言的理解，正逐步将其创造能力扩展到图像、音视频等多模态领域，并在艺术创作领域表现出卓越的创造力。例如，OpenAI的DALL-E2、谷歌的Imagen、Midjourney、Stable Diffusion可以根据文本描述，实现不同艺术风格图像的创作[16]；Meta在文本创作图像的基础上通过时空管道加入时间维度，开发了能根据文本自动创作视频的Make-A-Video人工智能模型[17]；谷歌的MusicLM模型可以根据给定的文本输入和旋律条件，创作出高质量、高保真的乐曲，且创作风格可以根据文本要求、故事情节、年代、地点等背景资料自动调整[18]。

2 专业领域创造力表现

专业领域创造力是在利用通用模型对自然语言、文字、图像的理解之基础上，为满足特殊领域需求而开展的专业性创造活动过程中表现出来的创造力，其外在表现十分丰富，且在不同领域有不同的创造性应用。

①在程序开发领域的典型创造性应用有：DeepMind的AlphaCode人工智能模型可以根据文本描述自动编写程序代码，并在编程大赛中战胜54.3%的人类[19]；OpenAI的Codex模型是ChatGPT的重要模块之一，也是目前综合表现最佳的编程语言预训练模型，其通过对自然语言、代码的理解和复杂推理实现了编程生产工具的升级，提升了人类技术创新的效率[20]；微软在Codex基础上开发的Copilot架起了自然语言和程序代码之间的桥梁，推动着人类与AI协同进行创新工作，重新定义了生产力[21]。

②在数学与科学研究领域的典型创造性应用有：AlphaTensor人工智能模型打破了矩阵乘法运算记录，可以通过创新性的矩阵运算进行数学发现、视觉计算和物理模拟[22]；DeepMind的AlphaFold可以生成创新性的蛋白质结构[23]；利用变分编码器模型设计具有高靶特异性和选择性的分子结构，可以用于COVID-19治疗药物的研发[24]；通过人工智能设计的新型抗生素Haicin，在耐药性方面的表现远超人类科学家水平[25]。

③在技术与工程应用领域的典型创造性应用有：通过深度学习神经网络架构开发的香水配方设计系统，解决了困扰调香师的香料配方难题[26]；采用条件变分自动编码器人工智能模型设计的混凝土配方，大大降低了碳排放量和资源消耗量，帮助工程师有效地解决了环境问题[27]。

三 人工智能创造力的内在机制

目前，人工智能创造力的相关研究大多是基于现象学的表象研究，导致对人工智能产生创造力的内在机理认识不够深刻。本研究借鉴创造力心理学、认知科学的相关理论和研究范式，从产生机制和调控机制两个方面对人工智能创造力的内在机制进行剖析。

1 人工智能创造力的产生机制

创造性思维是人类创造力的核心，但人工智能的神经网络模型采用端到端（End-to-End）的输入输出方式，其创造过程中的思维与推理逻辑只是类比人类创造力的衍生概念，人工智能创造力的内在机制在本质上仍然是算法逻辑。

①基于神经元激活的迁移和重组创造机制。人工智能具有远超人类的强大迁移、重组能力，在对人类历史资料和经验数据进行整合的基础上，通过特征工程提取多维特征空间向量，针对下游任务迁移应用激活特定的神经元，借助优化算法进行创造方向的搜索，根据由创造性评价差异映射得到的损失函数对神经网络模型参数进行反馈调节，并通过不同神经元的组合激活实现迁移和重组创造。例如，在音乐、绘画、文学等领域通过迁移、重组创造，可以获得突破人类想象极限的创造性成果。迁移、重组创造是人工智能很早就展现出来的创造技能，也是主流的创造方式，得到的创造性成果颇丰。

②基于前向/反向传播的发散和聚合思维机制。在心理学领域，发散和聚合思维是创造力测评的关键要素[28]。发散和聚合思维机制的前向/反向传播，是人工智能进行创造性输出的核心驱动力。深度神经网络的输入与输出在前向传播过程中呈幂指数发散关系，可表示为n×n×…×n，其中n为k层神经网络的神经节点数；而输出结果通过最后的全连接层，实现聚合的有限创造性输出。

③基于思维链的联想推理机制。虽然人工智能的创造过程是一个端到端的黑盒输出，但Transformer的自注意机制允许模型实现远距离实体之间的注意关联，在神经网络的前向传播和链式法则反向传播过程中形成了基于思维链的联想推理机制。通过思维链的提示词工程，可以实现复杂创造性问题的远距离联想推理，也可以提升人工智能创造过程的可解释性。

④基于超参数调节的突破思维定势机制。创造性活动需要突破思维定势，主动抑制或回避一些已有的特定概念和思维。但由于人类受自身知识、思维习惯等的束缚，跨越式的思维突破能力被大大限制。而对人工智能来说，可以通过修改模型的超参数（如温度参数、激活函数、交叉和变异率等）来控制思维突破的等级，实现创造性成果的输出。

⑤基于大规模参数与训练集的顿悟和涌现机制。2017年，谷歌推出Transformer模型，之后在此基础上发展出类生成式预训练Transformer（Generative Pre-trained Transformer，GPT）模型，其由基于注意机制的Encoder和Decoder两个神经网络模块组成[29]。谷歌、OpenAI等公司不断扩大预训练的数据和参数规模，有些神经网络模型的参数规模甚至达到千亿级，通常称为“大语言模型”或“大模型”。当神经网络模型的参数规模达到数百亿级甚至上千亿级后，便会由量变到质变产生顿悟，能够理解人类语言中的概念、语义、语法等抽象含义。而当人工智能的神经网络结构逼近人类大脑神经元连接的复杂程度后，就会超越神经元的简单叠加，进而从大量的数据和局部规则中学习到高度复杂的策略，涌现出创造力。

2 人工智能创造力的调控机制

人工智能庞大的神经网络结构和海量的模型参数、训练数据，决定了其创造力的影响因素是错综复杂的，并且每个环节的微小波动都会产生蝴蝶效应式的影响，如训练数据集、人类提示、随机化参数、创造约束条件、各类超参数等都会对创造性成果产生实质性的影响。要想获得满意的创造性成果，就需要系统地分析人工智能创造力的调控机制。

①人工智能创造力的调节机制。人工智能创造的核心是根据人脑结构进行数学抽象而得到的神经元网络结构，通过前向四则运算和微分反向传播，实现神经网络节点参数的微观调整和创造性成果的宏观动态演化，进而模拟人脑思考和创造过程中神经信号的传播过程。通常用“温度参数”（Temperature Parameter）来控制人工智能生成创造性成果的多样性和随机性，其主要操作是调节神经网络节点激活函数的信息熵值——温度参数越高，熵值越大，创造性成果的发散性和不确定性就越强，新颖性和创新性也就越高。但是，创造力调节过程中也不可避免地会出现幻觉性创造，这有点类似于人类头脑风暴创新过程中创新思维的过度发散。受人类进行创造性活动时脑区非典型神经元激活脑成像的启发，可以通过控制解码器神经网络中高低活性神经节点的非典型共激活或选择性翻转激活来提升人工智能的创造力，实现探索性、变革性创造。

②人工智能创造力的控制机制。传统的生成式人工智能为了确保生成结果的稳定性并控制“幻觉”“虚构”，通常不会设置太高的温度参数，而会通过限制人类训练样本特征的分布外泛化（Out-of-Distribution，OOD），来降低其发挥创造的潜力，以迎合人类广泛认可的评价标准。在某些领域，更是需要获得可控的OOD来激发人工智能创造力的潜能。对于微创造，可以对训练数据进行插值组合，获得的创造性成果仍然符合训练集的统计分布特征；而对于更侧重新颖性和创新性的大创造，可以对训练数据集进行外推泛化，输出人类未曾发现的创造性成果。

四 人工智能创造力评价

随着人工智能技术的飞速发展，人工智能创造性成果大量涌现，但目前关于人工智能创造力评价的研究仍然相对滞后。要想进一步推进人工智能创造力的发展，就需要对人工智能创造力进行科学评价，而这也会反过来促进人工智能算法和技术的进步。人工智能创造力评价要解决的首要问题，是人工智能创造力的评价原则和评价方法。

1 人工智能创造力的评价原则

人工智能创造力作为人类创造力的延伸，其评价应以人类创造力评价为参考。目前，人工智能创造力的评价原则主要来源于人类创造力评价的心理学研究成果[30]，其基本原则是具有创造性产品或创造性成果的新颖性、价值性、独立性、公平性。其中，新颖性和价值性共同构成了创造力评价的基本原则，两者相互关联，缺一不可；独立性和公平性则是针对人工智能创造力的特殊性而需要特别关注的评价原则。

①新颖性原则。新颖性强调创造性产品的新奇性、原创性与独特性，是显著预测和表征创造力水平的关键要素。然而，评价创造力不能仅遵从新颖性原则，因为太过新颖而失去了应用价值的产品也不能称为创造性产品。因此，新颖性原则要与人工智能创造力评价的价值性原则相互融合、相互约束，促使个体产生既新颖又有用的创造性产品。

②价值性原则。价值性是指创造性产品本身的适宜性、可用性或可实施性，是创造性概念转化为可用的创造性产品所需遵循的基本原则。创造性产品的价值性是指产品能够满足用户的需求、解决实际问题，且带来实际的价值。新颖性和价值性往往负相关，即高新颖性的产品通常不能拥有高价值性，故同时兼具新颖性和价值性的创造性产品比较罕见且更有价值。

③独立性原则。人工智能是在学习人类知识的基础上、在人类的提示下进行创造性输出，其创造性成果中不可避免地会融合人类的想象力和创造力。因此，人工智能创造力评价有其自身的特殊性，这就要求进行人工智能创造力评价时需遵循独立性原则，即从人类派生创造力中抽离出来，进行人工智能创造力主成分独立评价。

④公平性原则。在评价人工智能创造力时，人类天然存在两种偏见：一是倾向于将人工智能的创造力归因于人类用户的提示或编写的算法程序；二是相较于人类创造的作品，对人工智能创造性作品的深刻性、价值性等往往抱有更多的负面偏见且评价标准更为苛刻，也就是说，创造者标签介导了创造力评价结果[31]。因此，进行人工智能创造力评价时应采用盲评方式，避免评价偏见，遵循公平性原则。

2 人工智能创造力的评价方法

人工智能创造力的评价方法主要包括针对创造性成果的外显性创造作品评价方法和针对创造过程的内隐性创造思维评价方法。

①外显性创造作品评价方法。借鉴人类创造性产品的专家评价方式，对可观察到的外显性创造作品进行评价是最为直接、客观的评价方式。目前，对人工智能作品的创造性评价还没有统一的标准，如Colton[32]设计了人工智能创造力评价三脚架框架，从技巧性、想象力、鉴赏性三个权重相同的维度评价人工智能作品的创造性；Ritchie[33]提出从人工智能输出结果的新颖性、价值性、典型性、质量等方面进行创造力参数化评价。由于人工智能的训练集基本涵盖了绝大部分人类历史经验数据，因此进行创造性评价时需先厘清创造性产品是对其训练集数据的复制还是创新组合或探索发现。人工智能训练集数据的规模庞大且样本特征通常是多维的，通过人类专家进行评价具有很大的局限性，而采用主成分分析（Principal Component Analysis，PCA）、K近邻、K均值、支持向量数据描述（Support Vector Data Description，SVDD）、GAN等人工智能算法，可以高效地对创造性成果独立于训练集的新颖性、原创性进行检测。此外，通过盲评方式评价人工智能创造力也是一种有效的方式，但要注意规避因作品风格背景差异、简单模仿导致的评价偏差，这就需要人类专家设置合理的约束条件。为体现人工智能创造力评价的公平性原则，对人工智能创造性成果的评价需采用定量评分机制，从典型性、原创性、新颖性、惊奇性、质量、价值等不同维度进行评测，最后给出综合评分。

②内隐性创造思维评价方法。创新和创造是运用批判性思维进行反思、辨析、吸收、排除和改良的综合过程，故批判性思维是创造思维的重要组成部分。杨晓哲等[34]采用华生-格拉泽批判性思维评估表对ChatGPT批判性思维进行测量，结果显示平均正确率为82.5%，其中评价论证维度的正确率达到100%，识别假设、演绎、解释三个维度的正确率均为87.5%，但推理维度的正确率仅为50%，说明人工智能在缜密或复杂逻辑的推理方面还有待进一步加强。为弥补人工智能在创造力评价中仅依靠识记和重组学习材料进行创造的不足，可借助心理学创造力测量中创造性多用途任务（Alternative Uses Task，AUT）和问题解决的测量方法进行人工智能内隐性创造思维的评价，重点测试人工智能是否突破简单的知识整合，是否表现出创造性思维（如类比思维、发散思维、联想思维、迁移思维、重组思维等），以及在测试过程中是否引导人工智能对其所得结论进行解释。

值得注意的是，训练数据中不可避免地会存在一些概率偏向性问题（如护士多用女性的“她”、体力劳动者多用男性的“他”等），而且人工智能在设计之初就要求尽可能地提供相对公平、广泛、一般性和不带偏见的结果，因此应用人工智能进行创造性人格测试时，输出的多是泛泛而谈的中性答案，而很难输出带有创造性人格倾向的结果。

五 人工智能创造力的未来应用

通过前文的分析可以看出，人工智能创造力有其独特的优势和特点，将人工智能创造力与人类创造力进行融合以提升人类的创造力水平，将成为人工智能创造力未来应用的重中之重。

1 应用模式

根据主体的不同，可将人工智能创造力的应用模式分为两种：①机器独立创造，是指人工智能作为创造主体，独立进行创造性活动，产生创造性成果；②人机融合创造，是指人类与人工智能深度融合，通过人机协作的方式产生创造性成果，这既是人工智能创造力的高阶应用模式，也是人工智能创造力未来应用的主要模式。人机融合创造模式可以综合运用人工智能创造和人类创造的优势，通过创设智能化、个性化、创新性的情景和环境，促进人类打破思维定势的束缚，拓展具有创新性和发散性的思维空间，提升创新效率和创造力水平。将人工智能创造作为人类创造的延伸和扩展，并不断强化人机深度协同创新，可以在提升人机融合创造力水平的同时，也为脱离人类创造力的培养困境提供有效的解决方案，进而促进人才培养和教育改革。

2 应用前景

人工智能技术的迅猛发展和不断进步，为人工智能创造力的未来应用提供了强大支持。可以预见，人工智能创造力的未来应用前景广阔，主要表现为：①在创意产业领域，可利用人工智能创造力自动分析用户的潜在需求和市场趋势，设计多元的创意内容方案，生成个性化的广告创意、营销策略等；②在医疗健康领域，可在深度学习历史病例、医学影像资料等的基础上，利用人工智能创造力辅助医生开展疾病诊断、手术方案制定、药物研发等工作；③在科技创新领域，可借助人工智能创造力辅助科学家开展复杂的模型计算与相关实验数据分析，以加速科学研究进度，推动科技创新；④在教育领域，可利用人工智能创造力为教育工作者提供个性化教学方案与智能化教学工具，生成定制化学习资源，并设计个性化的学习路径[35]。

3 应用建议

人工智能创造力主要受训练数据和程序算法的控制，缺乏内禀的道德与伦理规范。因此，人类在利用人工智能创造力进行创作的过程中，必须将人工智能创造空间限制在合理的伦理规范与道德约束空间内，以确保其创造力是人类可控的，且对人类不构成威胁；同时，融入人类创造过程中的情感、动机、社会文化属性，在理解人类社会文化规范及伦理道德的基础上开展创造性活动，禁止出现危害国家安全和带有偏见歧视、极端恐怖、暴力色情等倾向的负面内容，杜绝人工智能创造力的滥用。

除了人类社会道德规范和价值观的基本准则，法律法规也是人工智能创造力的重要约束因素。当前，各国政府已纷纷制定相关的法律法规，来规范人工智能创造力的发展。例如，在知识产权领域，美国出台了《人工智能权利法案蓝图》[36]，新加坡出台了《新加坡知识产权策略2030》[37]，以确保人工智能创造性作品不侵犯他人的知识产权；在隐私权领域，联合国教科文组织发布了《人工智能伦理建议书》[38]，中国出台了《中华人民共和国数据安全法》[39]、《新一代人工智能伦理规范》[40]，以保护用户的隐私和数据安全；在网络安全领域，中国出台了《生成式人工智能服务管理暂行办法》[41]，以确保人工智能创造力的安全性和稳定性。健全的法律法规是人工智能创造力深入发展和广泛应用的重要保障，学术界和产业界都应积极参与相关的法律法规制度建设并予以不断完善，从而为人工智能创造力的安全应用保驾护航。

[1]袁磊,徐济远,叶薇.AIGC时代的数智公民素养:内涵剖析、培养框架与提升路径[J].现代教育技术,2023,(9):5-15.

[2]Anantrasirichai N, Bull D. Artificial intelligence in the creative industries: A review[J]. Artificial Intelligence Review, 2022,(1):589-656.

[3]Chakraborty T, Masud S. Judging the creative prowess of AI[J]. Nature Machine Intelligence, 2023,(6):558.

[4]Science. 2022 Breakthrough of the year[OL].

[5][11]Colton S, Wiggins G A. Computational creativity: The final frontier?[A]. Proceedings of the 20th European Conference on Artificial Intelligence[C]. Amsterdam: IOS Press, 2012:21-26.

[6]Guilford J P. Creativity[J]. American Psychologist, 1950,(9):444-454.

[7]胡卫平,俞国良.青少年的科学创造力研究[J].教育研究,2002,(1):44-48.

[8]贾绪计,林崇德.创造力研究:心理学领域的四种取向[J].北京师范大学学报(社会科学版),2014,(1):61-67.

[9]张毅,张倩苇.国际计算创造力及其教育应用研究可视化分析与展望[J].开放教育研究,2021,(2):51-61.

[10]Boden M A. Computer models of creativity[J]. AI Magazine, 2009,(3):23.

[12]Kaufman J C, Beghetto R A. Beyond big and little: The four C model of creativity[J]. Review of General Psychology, 2009,(1):1-12.

[13]小冰.阳光失了玻璃窗[M].北京:北京联合出版公司,2017:1-10.

[14]Kumar A, Tejaswini P, Nayak O, et al. A survey on IBM Watson and its services[J]. Journal of Physics: Conference Series, 2022,(1):012022.

[15]张珊,金中.论人工智能作诗研发的意义[J].系统科学学报,2023,(3):23-28.

[16]Xu X, Wang Z, Zhang E, et al. Versatile diffusion: Text, images and variations all in one diffusion model[OL].

[17]Singer U, Polyak A, Hayes T, et al. Make-A-Video: Text-to-video generation without text-video data[OL].

[18]Miles S A. A multimodal text-to-MIDI transformer model with special consideration to artist usage[D]. Missouri: University of Missouri, 2023:1-5.

[19]Li Y, Choi D, Chung J, et al. Competition-level code generation with AlphaCode[J]. Science, 2022,(6624):1092-1097.

[20]Chen M, Tworek J, Jun H, et al. Evaluating large language models trained on code[OL].

[21]Moradi Dakhel A, Majdinasab V, Nikanjam A, et al. Github Copilot AI pair programmer: Asset or liability?[J]. Journal of Systems and Software, 2023,203:111734.

[22]Fawzi A, Balog M, Huang A, et al. Discovering faster matrix multiplication algorithms with reinforcement learning[J]. Nature, 2022,(7930):47-53.

[23]Varadi M, Anyango S, Deshpande M, et al. AlphaFold protein structure database: Massively expanding the structural coverage of protein-sequence space with high-accuracy models[J]. Nucleic Acids Research, 2022,(D1):D439-D444.

[24]Chenthamarakshan V, Das P, Hoffman S C, et al. CogMol: Target-specific and selective drug design for COVID-19 using deep generative models[OL].

[25]Stokes J M, Yang K, Swanson K, et al. A deep learning approach to antibiotic discovery[J]. Cell, 2020,(4):688-702.

[26]Santana V V, Martins M A F, Loureiro J M, et al. Optimal fragrances formulation using a deep learning neural network architecture: A novel systematic approach[J]. Computers & Chemical Engineering, 2021,150:107344.

[27]Ge X, Goodwin R T, Gregory J R, et al. Accelerated discovery of sustainable building materials[OL].

[28]Kaufman J C, Kaufman S B, Lichtenberger E O. Finding creative potential on intelligence tests via divergent production[J]. Canadian Journal of School Psychology, 2011,(2):83-106.

[29]Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[OL].

[30]Hashimoto T B, Zhang H, Liang P. Unifying human and statistical evaluation for natural language generation[A]. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies[C]. Minneapolis, Minnesota: Association for Computational Linguistics, 2019:1689-1701.

[31]Bellaiche L, Shahi R, Turpin M H, et al. Humans versus AI: Whether and why we prefer human-created compared to AI-created artwork[J]. Cognitive Research: Principles and Implications, 2023,(1):42.

[32]Colton S. Creativity versus the perception of creativity in computational systems[A]. AAAI Spring Symposium[C]. California: Association for the Advancement of Artificial Intelligence, 2008:14-20.

[33]Ritchie G. Some empirical criteria for attributing creativity to a computer program[J]. Minds and Machines, 2007,(1):67-99.

[34]杨晓哲,王晴晴,王若昕.生成式人工智能的有限能力与教育变革[J].全球教育展望,2023,(6):3-12.

[35]方海光,孔新梅,李海芸,等.人工智能时代的人机协同教育理论研究[J].现代教育技术,2022,(7):5-13.

[36]The White House.Blueprint for an AI bill of rights[OL].

[37]Intellectual Property Office of Singapore.Singapore IP strategy 2030[OL].

[38]UNESCO.Recommendation on the ethics of artificial intelligence[OL].

[39]中华人民共和国数据安全法[N].人民日报,2021-6-19(7).

[40]科技部.《新一代人工智能伦理规范》发布[OL].

[41]国务院.国务院关于印发新一代人工智能发展规划的通知[OL].

Research on the Artificial Intelligence Creativity

HU Wei-Ping ZHANG Yang LV Yuan-Jing XU Jing-Jing

At present, large language models have sprung up at home and abroad, accelerating the arrival of general artificial intelligence era. The remarkable creativity displayed by artificial intelligence in science, art and other fields has greatly promoted the progress of human science and technology, but it has also brought huge challenges to traditional human creativity. It is necessary to examine the essential characteristics of artificial intelligence creativity and predict its future application direction. Based on this, focusing on artificial intelligence creativity, the paper firstly explained the basic connotation of artificial intelligence creativity. Then, the paper introduced the external manifestation of artificial intelligence creativity from two dimensions of general domain creativity performance and professional domain creativity performance. Meanwhile, the paper deeply analyzed the internal mechanism of artificial intelligence creativity from the aspects of generation mechanism and regulation mechanism, and proposed evaluation principles and evaluation methods of artificial intelligence creativity in combination with the evaluation experience of human creativity. Finally, the future application modes and prospects of artificial intelligence creativity were analyzed, and some suggestions were given. The research of this paper could promote the development of artificial intelligence creativity and the progress of artificial intelligence technology, and also has certain reference significance for the cultivation and improvement of human creativity.

artificial intelligence; creativity; human-machine integration; creative achievements

G40-057

A

1009—8097（2024）01—0017—09

10.3969/j.issn.1009-8097.2024.01.002

本文为2023年陕西省博士后科研资助项目“科学教育中融合人工智能大模型的人机共生创造力培养”（项目编号：1203040182）、2022年陕西省自然科学基础研究计划一般项目“动机影响在线协作学习表现的作用机制及干预策略研究”（项目编号：2022JQ-213）、陕西师范大学中央高校基本科研业务费专项资金项目“学习科学交叉学科建设”（项目编号：GK202007004）的阶段性研究成果。

胡卫平，主任，教授，研究方向为创造力、科学教育及思维型教学，邮箱为huweiping@163.com。

2023年11月16日

编辑：小米