Between Predictability and Randomness: Seeking Artistic Inspiration from AI Generative Models

📄 arXiv: 2506.12634v1 📥 PDF

作者: Olga Vechtomova

分类: cs.CL

发布日期: 2025-06-14

备注: Presented as a keynote at the 50th Linguistic Association of Canada and the United States (LACUS) conference in July 2024 and will be published in LACUS Forum 50

💡 一句话要点

利用AI生成模型探索艺术灵感：LSTM-VAE诗句激发创造力

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

关键词: AI艺术创作 生成式模型 LSTM-VAE 艺术灵感 诗歌生成

📋 核心要点

  1. 现有AI生成模型在艺术创作中缺乏语义开放性和不确定性，难以激发深层次的艺术灵感。
  2. 利用LSTM-VAE生成具有共鸣意象和不确定性的诗句，作为艺术家创作的起点，激发其创造力。
  3. 通过原创诗歌创作实验，验证了LSTM-VAE生成的诗句能够有效激发艺术家的创作灵感，促进叙事的有机生成。

📝 摘要（中文）

艺术灵感通常源于具有开放解释性的语言。本文探讨了使用AI生成的诗句作为创造力的刺激。通过分析两种生成式AI方法——长短期记忆变分自编码器（LSTM-VAE）生成的诗句和大型语言模型（LLM）生成的完整诗歌——我证明了LSTM-VAE诗句通过共鸣的意象和富有成效的不确定性的结合来实现其唤起情感的影响。虽然LLM生成具有传统模式的技术上成熟的诗歌，但LSTM-VAE诗句可以通过语义开放性、非常规组合和抵抗封闭的片段来吸引艺术家。通过创作一首原创诗歌，其中叙事通过与LSTM-VAE生成的诗句的互动而有机地出现，而不是遵循预定的结构，我展示了这些特征如何作为真实艺术表达的唤起性起点。

🔬 方法详解

问题定义：现有的大型语言模型（LLM）虽然能够生成技术上完善的诗歌，但往往遵循传统的模式，缺乏语义上的开放性和不确定性，难以激发艺术家深层次的灵感。因此，如何利用AI生成模型，创造出更具启发性的文本，成为一个重要的研究问题。

核心思路：本文的核心思路是利用LSTM-VAE生成具有共鸣意象和不确定性的诗句，这些诗句不追求完整和封闭，而是通过语义的开放性、非常规的组合以及抵抗封闭的片段，为艺术家提供更广阔的创作空间，激发其想象力和创造力。

技术框架：本文主要采用了两种生成式AI模型：LSTM-VAE和LLM。LSTM-VAE用于生成诗句，LLM用于生成完整的诗歌。研究的重点在于分析LSTM-VAE生成的诗句如何作为艺术创作的起点，激发艺术家的灵感。通过与LSTM-VAE生成的诗句互动，作者创作了一首原创诗歌，验证了该方法的有效性。

关键创新：本文的关键创新在于将LSTM-VAE生成的不完整、具有开放性的诗句作为艺术创作的灵感来源。与LLM生成的完整诗歌相比，LSTM-VAE生成的诗句更具语义开放性和不确定性，能够激发艺术家更多的想象空间，促进叙事的有机生成。

关键设计：论文中没有详细描述LSTM-VAE和LLM的具体参数设置和网络结构。重点在于分析两种模型生成文本的特点，以及LSTM-VAE生成的诗句如何作为艺术创作的起点。原创诗歌的创作过程是关键，展示了如何与LSTM-VAE生成的诗句互动，并从中获得灵感。

📊 实验亮点

通过对比LSTM-VAE和LLM生成的文本，发现LSTM-VAE生成的诗句更具语义开放性和不确定性，能够有效激发艺术家的创作灵感。原创诗歌的创作过程表明，与LSTM-VAE生成的诗句互动可以促进叙事的有机生成，验证了该方法在艺术创作中的潜力。

🎯 应用场景

该研究成果可应用于辅助艺术创作，为艺术家提供灵感来源，拓展创作思路。同时，该方法也可以应用于其他创意领域，如广告文案、剧本创作等，帮助创作者突破思维定势，产生更具创新性的作品。未来，可以探索更多生成模型和互动方式，进一步提升AI在艺术创作中的辅助作用。

📄 摘要（原文）

Artistic inspiration often emerges from language that is open to interpretation. This paper explores the use of AI-generated poetic lines as stimuli for creativity. Through analysis of two generative AI approaches--lines generated by Long Short-Term Memory Variational Autoencoders (LSTM-VAE) and complete poems by Large Language Models (LLMs)--I demonstrate that LSTM-VAE lines achieve their evocative impact through a combination of resonant imagery and productive indeterminacy. While LLMs produce technically accomplished poetry with conventional patterns, LSTM-VAE lines can engage the artist through semantic openness, unconventional combinations, and fragments that resist closure. Through the composition of an original poem, where narrative emerged organically through engagement with LSTM-VAE generated lines rather than following a predetermined structure, I demonstrate how these characteristics can serve as evocative starting points for authentic artistic expression.