创造力

单次测试经常使用 - 甚至单件物品！ 这与心理学理论一般（更长的测试允许错误地取消自己并且更加可靠）和更加可靠的违法行为，特别是关于创造力评估的研究，其中物品甚至测试的差异是常见的（Richards，1976; Runco，Mohamad，＆Paek，2016 [SiC应该是Runco，Abdulla等，2016）。 任何一个测试的结果都不会概括到其他测试。 单个项目的结果当然具有更宽的普遍性。 （符合2017年：309-310;另见亚伯拉罕二零一六年）

另一个实证研究员批评了他在创造力神经科学中看到的“野鹅追逐”。 Arne Dietrich（2019）概述了上述关于心理测量措施的有效性及其缩写和零碎申请的担忧。 他进一步担心现在对不同思维的主导强调，以及默认模式网络（以及现在大多被遗弃对疯狂，右脑和REM睡眠等概念）。 迪迪希对每种情况的担忧是，研究重点是无益的近视，而且成像方法是艺术的声音，而创造力的表征不是。 他减少了诱惑，以确定可能是与整个现象的创造力的特征。 他建议，发散的思维，可能是各种心理现象的集群，而不是单数

无法在弥补不同的思考并将其联系起来的努力，并将其与我们用来运作的所有其他心理现象，例如工作记忆，认知控制，语义记忆，感知过程或执行注意力。 （2019：37）

然后，注意，Dietrich的“野鹅”是匆匆得出结论，然后围绕一个单数，特殊的创造力的研究。

Dietrich还提供各种补救措施。 为了打击近视，他建议（因为有些人在其他学科中，例如，Boden 2004）多种类型的创造力（和/或创造力的特征）。 他注意到，

由于不同类型的创造力含有相反的脑机制，而是专注于散焦的注意力，例如 - 任何关于大脑创造力的全部索赔几乎肯定会符合膈宫学。 （2019：39）

他用处方对这个话题进行了更具跨学科的方法。 该领域中的其他人具有相同的处方，倡导敏感的“系统”方法，敏感的创造力的多刻度性质和多种解释层面的理论价值（Hennessy＆Amabile 2010）。

这些未来研究的指令似乎难以抗拒。 至少，似乎有利于确保在相关的子学科中传达行为和脑科学的全部经验方法。 这将理想地导致这些研究人员之间更好地合作。 有趣的是，这个处方的表兄弟并不是在这里推进的同一研究人员。 然而，在创造力的研究中，人行为心理学家和神经科学家之间有很小的交叉，心理学科学与创造力的计算方法之间存在相对较多的交叉（几乎没有）。 因此，下一节首先突出显示这一“差距”，并识别对该前方的跨学科工作的一些潜在富有成效的领域。 然后，它继续讨论，一般讨论计算科学，人工智能和机器人领域的创造力。

6.创造力和人工智能

正如我们在心理学和神经科学的那样，人工智能和计算机科学的创造力有丰富的研究文献，具有忠诚的期刊，特殊问题和会议（人工创意，创意音乐系统，数字创造力，思想杂志Chinus计算机计算创造力的特殊问题[Gervás等，2010]，国际计算创造力会议）。 我们专注于这里的问题是计算机是否可以是有创造力的。 作为背景，值得考虑理论家如何对计算机是否可以思考的类似问题。

虽然各种各样的理论者已经询问机器是否可以思考以来至少是现代早期的时期，但主题的最重要的概念创新来自艾伦，以1950年的“计算机械和智力”为中心。 这里提出了一些突破性的洞察力。 也许最熟悉的是图灵的“仿制游戏”，现在通常被称为“图灵测试”。 简而言之，测试涉及一个不知不觉的询问者，他们可以要求一个人和计算机的开放式一系列问题。 如果询问者无法区分计算机从人类中，所以提出这种情况，这就是说明真正的智慧。 关于智能考试的适当性，没有缺乏争议，可以说是没有计算机尚未通过它。 （为了更彻底地讨论图灵和图灵测试，请参阅ALAN图灵，图灵机和图灵测试的条目。

在图灵的游戏中成功表现将需要出色的行为灵活性。 它是高度操作：指定模仿的阈值，然后只允许询问器提出问题，然后评估性能。 如果行为足够灵活以欺骗询问器，所声称的特定，行为是智能的，因此，计算机智能。

有了这个背景，在AI研究中有哪些案例作为成功案例，以及如何与一些图灵的标准对齐？

许多熟悉的成功案件都是专业化的。 深蓝色击败国际象棋大师Garry Kasparov（Kasparov＆Greengard 2017）; 一些语言处理系统设法导航社交上下文，例如从餐厅的菜单订购（Schank＆Abelson 1977）; alphano最近击败了世界冠军去球员。 这种专业化既是美德和限制。 一方面，在这种专业域中的成就意味着一种卓越的详细记忆和技能。 另一方面，这种知识和技能不概括。 深蓝色和alpha既不能从菜单中成功订购，以及无数的其他基本人类任务。 提出了图灵的仿制游戏，这些系统将恶意地失败，欺骗人类，甚至远程模仿一个（除了在一个非常窄的领域中的表现除外）。 关于IBM的Watson等系统，这些系统在电视游戏中赢得了（对抗人类）显示危险！ 这种表现更加一般，因为展会上的主题广泛变化，似乎需要语言理解和一些最小的推理技能（参见延长讨论的人工智能的进入）。 即便如此，沃森的能力仍然很有限：它不能“实时”流畅对话，并且对情况而言，对情况的时间和其他因素很不敏感。

有许多，还有许多显示复杂行为的计算系统的示例，从高度专注于更普遍。 在语言处理前面，最近的最新AI系统，如Openai的Chatgpt和Google的LAMDA，显着优于上述系统。 要清楚，这些是显着的成就，表现出实质性复杂性，并且在某些情况下出现显着的灵活性 - 特征在特征性的人类行为中突出显示。 但这也强调了一个区别，经常被人工智能研究的批评者调用。 计算机的显示或仅仅模仿智能行为之间存在差异，以及通过这种行为的计算机实例化智能。 批评者会说，即使计算机表现得像它是智能的那样，这只是建模或模拟智能。 但是，雄心壮志是“真正的人工智能”，这是一个实际思考的系统。 John Searle认为这是“弱AI”和“强壮AI”之间的区别。

弱ai：计算机可以表现得像它思考？

强壮的ai：可以真正思考的电脑吗？

这里的一般担忧是，这是复杂的系统的行为可能出现“来自外面”，因为我们所知道的只是一个“空心壳”（Haugeland 1981 [1997]; Clark 2001）。 通过指定壳体中缺少的方式，担心已经以各种方式充实了。 这是三个标准的这样的候选人。 而且，在每种情况下，在每种情况下，都可能出现复杂的计算机的行为，这仍然可能缺少任何或全部。 首先，计算机可能缺乏意识。 其次，计算机可能缺乏对其计算的符号的任何理解（Searle 1980）。 最后，电脑可能在没有关心自己的行为的情况下运行，或者，因为约翰海洋色彩地把它放在，没有“诅咒”。 在每种情况下，来自雄心勃勃的AI研究人员的任何类型的反应都遇到了了解理论上的精神现象，如意识，理解，语言能力和情感等挑战。 （例如，1950年，例如，公认但主要避免了这些主题）。

有一件事要询问计算机是否可以思考，另一个人询问他们是否可以是创造性的。 就像人工智能或思维的前景分为两个问题 - 弱ai和强壮的ai - 我们可以区分关于人工创造力的两个类似的问题，我们将分别称为“弱交流”和“强态交流”的问题。 以前者开始：

弱码：电脑可以表现得像它的创造性？

如果它产生心理上新的东西（那么新的事情）和有价值的东西，那就表现得像创造性一样。 可以说，已经完成了许多计算机。

在20世纪70年代，Harold Cohen开始使用计算技术产生新的图纸和绘画。 他的电脑画家亚伦的工作在伦敦的泰特和维多利亚和阿尔伯特博物馆等画廊上展出。 David Cope的“EMI”（音乐智力的实验）在各种已知的作曲家和风格的风格中造成了音乐作品，甚至是全长歌剧。 这些作品中的一些是由BONA FIDE记录标签进行记录和生成的。 只需在Spotify或Apple音乐上搜索“Emily Howell”并给它听（Cope 1996,2006）。 Simon Colton的绘画傻瓜是一个正在进行的项目，涉及抽象短语，图像和报纸文章中的其他物品的软件，并创建拼贴式件。 它还根据不同情绪状态的同一个人的图像（参见其他互联网资源的绘画傻瓜）制作了肖像;参见科尔顿2012进行理论讨论）。 即使是最近，也有爆炸性的发展，如Dall•E，Midjourney，稳定的扩散，VQGan +夹等生成艺术系统。 （讨论见Paul＆Stokes 2021）。 在所有这些情况下，计算机程序的相关产出相对于过去的产品是新的 - 所以它们是心理上（或行为上）小说，这再次是创造力所需的新颖性。 尽管创造力不需要历史新颖性，但值得注意的是，这些产品似乎在所有历史中都是新的。

概述值如何？ 如上所述，某些理论家拒绝了价值条件，但即使是创造力所必需的价值，这也是这些计算机艺术品似乎满足的条件。 价值评估可能是有争议的，但对于人类创造力的产出并不少。 这些作品的事实是批评，展示着名的画廊，并通过选择性记录标签委托证明了他们的艺术优值，观众甚至发现他们令人愉悦，有趣和吸引人，甚至在被认识到他们不寻常之前起源。 因此，与刚刚描述的计算机程序相同的计算机程序是合理的，因为它们产生了有价值的新奇的作品，并且可以在同一静脉中引发更多示例，这是合理的。

一些理论家已经指出，如果原来的图灵测试是否是智力或思维的良好测试，我们可能会采用类似的创造力测试：如果计算机可以欺骗人类观察者认为它是一个人类创造者，那么它实际上是创意（Peast＆Colton 2011;另请参阅陈2020以进行人工创造力的有用讨论，包括许多特定情况的其他例子，以及所谓的达特茅斯的图灵测试）。 如果我们雇用此测试，我们可能会发现自己出色的结论：计算机可以创造性; 事实上，其中一些已经是。 但是，人们可能合理地担心测试不充分，结论太快（Berrar＆Schuster 2014; Bringsjord等，2001）。 从计算机运行的事实中，就像它的创造力一样，人们可能会争辩，它并没有遵循它真的是。 这将我们带到下一个问题：

强大的ac：可以真正创意的电脑吗？

这显然将我们归还给必须满足的条件的问题，以便算作真正的创造性。 在这里，我们需要超越向外观察到的产品特征，以考虑真实创造力的潜在进程。 正如我们在§2.2中所看到的那样，理论主义者有各种各样地提出，为了算作创造性的过程，它必须令人惊讶，原始，自发和/或主动。 在这里没有达成诉争，但如果这些条件中的任何一个确实需要真实的创造力，那么只有在某种程度上只能真正创造真正的创造性，即它执行满足该状况的过程。

关于计算机创造力的可能性的经典陈述是由于ada Lovelace女士，同时讨论她的朋友查尔斯贝类设计的“分析发动机”：

期望防范可能出现对分析发动机的功率可能出现的夸大思想的可能性。 分析发动机无论如何源于任何东西，都没有自命不凡。 （Lovelace 1843，斜体添加）

虽然Lovelace并未在“创造力”方面框架的评论，但她明确否认计算机可以满足至少一个符合创造力所需的条件，即原创性。 她认为，计算机不能成为发起者，作者或任何新的创造者; 它只能做到它被编程的操作。 我们无法从尚未编程到它的计算机中获取任何内容。 此外，Lovelace也可以被解释为表达或意味着计算机是否能满足真正创造力的其他三种拟议要求。 只要计算机的输出不能是原创的，人们也可能怀疑他们不能令人惊讶。 严格遵循规则的机器的形象正是恰恰是自发性对抗的机械程序。 似乎这样的机器也不能是真正的代理人。 问题不仅仅是计算机不能产生任何原创的; 这是它应该不值得产生的任何东西。 计算机输出的任何赞美或责任正确地转到制造机器的工程师和程序员，而不是机器本身。 虽然这些点可能是直观的，但其中至少有些人被现代技术挑战，而现代技术则来自巴布比的发明。

再次考虑alphago。 这是一个“深度学习”系统，涉及两个神经网络：策略网络和价值网络。 非常简单：系统使用了专业人类参与者的实际游戏中的大量合法性动作培训（从160,000场比赛的2840万次移动，精确;见Silver等，2016和Halina 2021）。 通过在以前的许多游戏（约有1亿）对本身（在不同加权神经网络的意义上）来再次使用学习算法进行进一步培训。 然后，网络中的节点的权重由赢得游戏中的获胜移动的学习算法进行调整。 价值网络在这些许多游戏的子集上培训，具有节点加权调整，从而导致可靠的概率分配来移动Vis-à-is-潜在贡献胜利。 最后，系统采用蒙特卡罗搜索树（MCT）。 通常，这种算法旨在模拟决策过程以优化所选择的参数的成功。 在这种情况下，搜索算法选择给定的移动路径，然后添加一些有效的移动到该路径，然后如果此过程未终止（以赢/丢失结束），则系统执行“卷展栏”。 卷展栏基本上为两个玩家（使用可能的样本）的结论来播放游戏。 然后，由MCT和值网络处理结果的信息被反馈（返回传播）进入系统。 整个过程（一旦系统培训）迅速，并确定alphago如何“决定”在任何给定的游戏中移动。

以下是要注意的一些事情。 Alphago的戏剧风格令人惊讶。 随着评论员所指出的，它与人类戏标准（Halina Cites Baker和Hui 2017 [其他互联网资源]）是毫无常识的。 事实上，世界冠军去参加2016年的世界冠军去球员击败了李德罗尔，评论alphago的戏剧揭示了人类的大部分比例，与事先共同意见相反，在全面追求的是至少一些alphano的戏剧之后没有创造性。 请注意，此系统是灵活的。 虽然有学习算法和调整网络权重的规则，但是系统不是与前面的同一时尚的机械或可预测的，例如，古典系统（例如，包括深蓝色）。 在最近的一篇论文中，Marta Halina已经提出了这个论点（Halina 2021）。 她明确调用Boden的特征，这需要创造性的新颖性，价值和惊喜。 同样，在这种情况下，新奇和价值应该是合理的。 关于惊喜，哈利娜表明它是alphano的MCT就业，这使得一种“洞察力”，灵活性和不可预测的结果。 她写道，

它是探索参数，允许alphago超出其培训，鼓励它模拟策略网络推荐的培训。 由于构建搜索树，系统开始选择具有最高“动作值”的移动以模拟，其中操作值指示移动的良好基于推广和价值网络评估的结果。 （哈利娜2021：324）

哈丽娜授予鉴于其域特异性，正如我们已经注意到的那样，这种系统的特殊能力在可能需要适当归因于真正智能的方式中没有概括。 但她建议，MCT搜索的复杂使用可能相当于“心理场景建设”，或者我们可能会说，一种想象力。 并且在此搜索算法技术可以应用于其他域中的其他系统，并且想象力是智力的一般组成部分，这里可能是普遍性的空间。 Alphago还可承担答复的传统Lovelace担心的一些回复。

人工系统仅根据工程师手工编码的预编程规则行动。 此外，目前的深度学习方法能够在其能力中产生超人的系统，以发现在特定领域的问题上发现新颖和有价值的解决方案。 （哈利娜2021：327）

如果这是对的，则alphago展示原创性。 最后，该系统操作的灵活性也可以满足Kronfeldner的自发性要求。

其中一些相同的特征在AI相关方法中发现，即进化机器人的研究。 这些系统还涉及各种形式的机器学习，但在这种情况下，学习被分发，因为它跨越个人而不是一个人。 这种方法可以被理解，尽管是类似于自然演化的。 通常在计算机模拟中开始，具有代理人的群体。 这些代理通常用各个神经网络识别，其连接和加权是随机的开始。 相对于一些任务 - 例如，避免障碍物，收集对象，执行照片或音素 - 遗传算法在一定时间或试验次数之后为每个单独的代理分配适应性值。 钳工剂通常受到青睐并用于产生下一个药剂群。 本代还包括随机突变和遗传交叉（数字繁殖！）。 虽然它可以花费数百代，但这是一种发现或构造成功执行任务的系统的发现方法; 这是“梯度下降学习”（Clark 1996）。 在这种自下而上的方法中，没有单一的个人，也没有整个人口，是任何严格的感觉。 相反，由于几代随机性，交叉和小型健身改善（以及许多和许多故障），成功的代理商已经“学习”。 早期成功案例进化了可以遵循的机器人（Koza 1992），昆虫时尚的当地人（啤酒和加拉格1992），指导本身（悬崖，丈夫，哈维1993），并收集垃圾（Nolfi＆Floreana 2000）。 参见鸟类和斯托克斯（2006年，2007年）和Stokes and Bird（2008），用于进化机器人背景下的创造力的分析和研究。

这些系统肯定会产生新颖性。 后来，适合个人在他们的目标任务中实现新颖性，相对于先前代理商的整个世代和人口。 这部新颖性往往令人惊讶地令人惊讶地建立它们的工程师和程序员，确实甚至不可预测地独立于人口中个人的任何相关任务。 文献中有很多例子。 确实是雷曼和其他人（2020年）目录是一大类数字演变的案例，其中数字演变惊喜其创造者，将它们分类为四个代表群：“错误指定的健身功能”，“意外调试”，“超出实验者期望”，“与生物学融合”。 这是一个现在相对出名的第一种情况的例子。 在人工生命（A-Life）的早期研究中，Karl Sims（1994）设计了虚拟生物，应该学会在模拟环境中走路（以及游泳和跳跃）。 健身功能在10秒内评估了个体代理的平均地面速度。 一些赋予的令人震惊的人令人惊讶：他们长大而僵硬，当他们摔倒时，它们会达到高地的地面速度，从而最大化适应性的（MIS）指定参数以非预测的方式。