Creative Agents: Simulating the Systems Model of Creativity with Generative Agents

📄 arXiv: 2411.17065v1 📥 PDF

作者: Naomi Imasato, Kazuki Miyazawa, Takayuki Nagai, Takato Horii

分类: cs.MA, cs.AI

发布日期: 2024-11-26

DOI: 10.1109/ACCESS.2025.3606498

💡 一句话要点

利用生成式Agent模拟创造力系统模型，探索AI的创造性能力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成式AI 创造力 多Agent系统 大型语言模型 系统模型 虚拟艺术家 用户研究

📋 核心要点

  1. 现有生成式AI模型在质量和性能上提升迅速，但缺乏对AI创造性能力的关注和研究。
  2. 本研究通过构建虚拟agent，模拟创造力的系统模型，探索多agent系统对AI创造力的影响。
  3. 实验结果表明，在创造力系统模型框架下，多agent系统中的生成式agent表现优于孤立的个体。

📝 摘要（中文）

随着生成式AI在图像、视频和音乐领域的日益普及，我们见证了模型在质量和性能上的快速提升。然而，赋予AI“创造力”的能力却未得到足够重视。本研究旨在利用大型语言模型（LLMs）和文本提示，通过虚拟agent实现并模拟创造力的系统模型（由Csikszentmihalyi提出）。为了进行比较，模拟实验分别在以下两种“虚拟艺术家”情境下进行：1) 孤立的个体；2) 置于多agent系统中。通过分析生成作品的变异性和整体“创造力”（通过用户研究和LLM进行评估），对两种情境进行了比较。结果表明，生成式agent在创造力系统模型的框架下可能表现更好。

🔬 方法详解

问题定义：当前生成式AI虽然在生成图像、视频和音乐等方面取得了显著进展，但缺乏对AI本身创造性能力的深入研究。现有方法主要关注生成结果的质量和效率，而忽略了对创造力产生过程的模拟和理解。因此，如何赋予AI真正的创造力，并对其进行有效评估，是一个亟待解决的问题。

核心思路：本研究的核心思路是借鉴Csikszentmihalyi提出的创造力系统模型，该模型认为创造力是个人、领域和社会三者相互作用的结果。通过构建虚拟agent，模拟个体、领域和社会之间的互动，从而探索多agent系统对AI创造力的影响。这种方法旨在将创造力从单纯的生成任务扩展到更复杂的社会互动和知识传播过程。

技术框架：该研究的技术框架主要包括以下几个部分：1) 使用大型语言模型（LLMs）作为虚拟agent的基础，赋予其生成文本和图像的能力；2) 构建多agent系统，模拟虚拟艺术家之间的互动和协作；3) 设计文本提示，引导虚拟艺术家进行创作；4) 通过用户研究和LLM评估生成作品的变异性和整体创造力。整体流程是先设定不同的agent环境（孤立或多agent），然后通过LLM生成内容，最后进行创造力评估。

关键创新：本研究的关键创新在于将创造力的系统模型引入到生成式AI领域，并利用多agent系统模拟创造力的产生过程。与以往关注单一模型性能的研究不同，本研究更侧重于探索社会互动对AI创造力的影响。此外，通过用户研究和LLM相结合的方式，对生成作品的创造力进行综合评估，也为后续研究提供了新的思路。

关键设计：研究中使用了特定的LLM（具体型号未知），并设计了相应的文本提示，以引导虚拟艺术家进行创作。用户研究的具体方法和LLM评估指标的具体细节未知。多agent系统的具体交互机制（如信息共享、合作方式等）也未详细说明。这些细节将直接影响实验结果的可靠性和可重复性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在创造力系统模型的框架下，多agent系统中的生成式agent表现优于孤立的个体。这意味着社会互动和协作能够促进AI的创造力。通过用户研究和LLM评估，发现多agent系统生成的作品具有更高的变异性和整体创造力。具体的性能数据和提升幅度未知。

🎯 应用场景

该研究的潜在应用领域包括：1) 艺术创作辅助工具，帮助艺术家激发灵感；2) 教育领域，培养学生的创造性思维；3) 科研领域，探索人工智能的创造性潜力。通过模拟创造力的产生过程，可以更好地理解人类的创造性思维，并为开发更具创造力的AI系统提供理论指导。

📄 摘要（原文）

With the growing popularity of generative AI for images, video, and music, we witnessed models rapidly improve in quality and performance. However, not much attention is paid towards enabling AI's ability to "be creative". In this study, we implemented and simulated the systems model of creativity (proposed by Csikszentmihalyi) using virtual agents utilizing large language models (LLMs) and text prompts. For comparison, the simulations were conducted with the "virtual artists" being: 1)isolated and 2)placed in a multi-agent system. Both scenarios were compared by analyzing the variations and overall "creativity" in the generated artifacts (measured via a user study and LLM). Our results suggest that the generative agents may perform better in the framework of the systems model of creativity.