Creativity in AI as Emergence from Domain-Limited Generative Models

📄 arXiv: 2601.08388v1 📥 PDF

作者: Corina Chutaux

分类: cs.AI

发布日期: 2026-01-13

💡 一句话要点

提出基于领域受限生成模型的AI创造力涌现框架，关注生成机制而非后验评估。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: AI创造力 生成模型 涌现现象 多模态学习 领域知识 情境理解 模式重组

📋 核心要点

  1. 现有AI创造力研究侧重于评估生成结果，缺乏对创造力生成机制的建模。
  2. 论文提出将AI创造力视为领域受限生成模型在特定环境下的涌现属性。
  3. 论文将创造力分解为四个相互作用的组成部分，并分析其在多模态生成系统中的表现。

📝 摘要（中文）

人工智能中的创造力通常通过评估框架来衡量生成输出的新颖性、多样性或有用性。虽然这些方法为现代生成模型的行为提供了有价值的见解，但它们主要将创造力视为一种需要评估的属性，而不是一种需要明确建模的现象。与此同时，大规模生成系统，特别是多模态架构的最新进展，展示了日益复杂的模式重组形式，引发了关于机器创造力的本质和局限性的问题。本文提出了一种生成视角的AI创造力，将其定义为嵌入在有界信息环境中的领域受限生成模型的涌现属性。我们没有引入新的评估标准，而是侧重于创造性行为产生的结构和背景条件。我们将创造力概念分解为四个相互作用的组成部分——基于模式的生成、诱导世界模型、情境基础和任意性，并研究这些组成部分如何在多模态生成系统中体现。通过将创造力置于生成动态和领域特定表示之间的相互作用中，这项工作旨在为研究创造力作为人工智能系统中的一种涌现现象提供一个技术框架，而不是作为一种事后评估标签。

🔬 方法详解

问题定义：现有AI创造力研究主要依赖于对生成结果（如图像、文本等）的评估指标，例如新颖性、多样性和有用性。这种事后评估方法忽略了创造力产生的内在机制，难以指导生成模型的设计和优化。此外，随着多模态生成模型能力的提升，如何理解和解释其“创造性”行为变得更加重要。

核心思路：论文的核心思路是将AI创造力视为一种涌现现象，即在特定约束条件下，生成模型通过模式重组、情境理解等机制，自发地产生新颖、有用的结果。这种涌现性源于生成模型与环境的交互，以及模型内部各组成部分之间的协同作用。论文强调从生成机制的角度研究创造力，而非仅仅关注评估指标。

技术框架：论文提出了一个概念框架，将创造力分解为四个相互作用的组成部分：1) 基于模式的生成：利用已有的知识和模式生成新的内容；2) 诱导世界模型：模型对环境和世界的理解和建模能力；3) 情境基础：将生成的内容与特定的情境联系起来；4) 任意性：在一定范围内进行随机探索和创新。该框架旨在为分析和设计具有创造力的AI系统提供指导。

关键创新：论文的关键创新在于将AI创造力从一种可评估的属性转变为一种可建模的涌现现象。通过强调生成机制和环境交互的重要性，论文为研究AI创造力提供了一个新的视角。此外，论文提出的四个组成部分为理解和分析创造力提供了结构化的方法。

关键设计：论文没有提出具体的算法或模型，而是侧重于概念框架的构建。未来的研究可以基于该框架，设计具有特定结构和功能的生成模型，并探索不同参数设置和网络结构对创造力涌现的影响。例如，可以研究如何设计损失函数，鼓励模型进行模式重组和情境理解，或者如何构建更有效的世界模型，提升模型的创造力。

📊 实验亮点

论文的主要贡献在于提出了一个关于AI创造力的概念框架，将创造力视为一种涌现现象，并将其分解为四个关键组成部分。该框架为研究和设计具有创造力的AI系统提供了一个新的视角和方法。论文没有提供具体的实验结果，而是侧重于理论分析和概念阐述。

🎯 应用场景

该研究成果可应用于各种生成式人工智能领域，例如艺术创作、音乐生成、文本写作、游戏设计等。通过理解和建模创造力的生成机制，可以设计出更具创造力的AI系统，为人类提供更丰富的创作工具和体验。此外，该研究还有助于理解人类创造力的本质，促进人工智能与认知科学的交叉研究。

📄 摘要（原文）

Creativity in artificial intelligence is most often addressed through evaluative frameworks that aim to measure novelty, diversity, or usefulness in generated outputs. While such approaches have provided valuable insights into the behavior of modern generative models, they largely treat creativity as a property to be assessed rather than as a phenomenon to be explicitly modeled. In parallel, recent advances in large-scale generative systems, particularly multimodal architectures, have demonstrated increasingly sophisticated forms of pattern recombination, raising questions about the nature and limits of machine creativity. This paper proposes a generative perspective on creativity in AI, framing it as an emergent property of domain-limited generative models embedded within bounded informational environments. Rather than introducing new evaluative criteria, we focus on the structural and contextual conditions under which creative behaviors arise. We introduce a conceptual decomposition of creativity into four interacting components-pattern-based generation, induced world models, contextual grounding, and arbitrarity, and examine how these components manifest in multimodal generative systems. By grounding creativity in the interaction between generative dynamics and domain-specific representations, this work aims to provide a technical framework for studying creativity as an emergent phenomenon in AI systems, rather than as a post hoc evaluative label.