如果AI的创造力“涌现”是个误会, 那AI怎么帮我们创新?

在AI技术飞速发展的当下，我们常常惊叹于其惊人的创造力，但这种创造力的来源究竟是什么？本文从一个全新的视角探讨了AI创造力背后的真相，指出其并非源于“完美”的知识体系，而是源自“不完美”的设计约束。

我们正处在一个由AI驱动的“文艺复兴2.0”时代。从ChatGPT的吉卜力创意热潮到Veo3生成的爆款短视频，AI似乎有媲美甚至超越人类的创造力。

我们一直以为，这种能力的觉醒源于更庞大的数据集、更复杂的算法和对人类世界的完美模仿。我们曾坚信，通往更强创造力的道路，是用天量的数据“喂养”出一个灵感涌现不绝的“创新之神”。

但如果真相恰恰相反呢？如果AI的创造力并非源于其“无所不知”，而是源于其“一知半解”？如果那些我们一直试图修复的“技术缺陷”，恰恰是点燃其创意火花的秘密引擎呢？

最近，一篇发表在《QuantaMagazine》上的重磅研究，颠覆了我的认知。斯坦福大学的研究者梅森·坎布（MasonKamb）和苏里亚·甘古利（SuryaGanguli）的研究成果表明，AI的创造力并非某种高深莫测的“涌现智能”，而是一个令人意外的、由“不完美”设计所催生的必然结果。

揭开创意的面纱：所谓的“灵感涌现”只是美丽的误会

长期以来，当我们看到AI生成了一幅“宇航员在巴洛克风格的宫殿里骑马”的图像时，我们倾向于认为AI“理解”了宇航员、马和巴洛克风格，并像人类艺术家一样将它们创造性地结合起来。这是一种令人欣慰的拟人化想象，但研究表明，这是一个美丽的误会。

真相是，以扩散模型（DiffusionModels）为代表的生成式AI，其创造力的核心并非来自对概念的“高阶理解”，而是源于其架构中两个看似“缺陷”的底层约束。这种对全局的“无知”，恰恰让AI摆脱了人类思维中的一种经典枷锁——“功能固着”（Functionalfixedness）。

功能固着是一种人类有而AI没有的认知偏误，是指人们知道了一些事物的固定的作用和功能之后，就会习惯性的认为这些事物就是用来干这些事情，而忽视了这些事物的其他方面的功能。

在著名心理学家卡尔·邓克尔（KarlDuncker）的“蜡烛问题”实验中，人们很难想到用装图钉的盒子来做烛台，因为我们对“盒子”的完整知识（它是容器）限制了想象力。AI则没有这种“知识的诅咒”，它不“理解”盒子，只“看到”其可以支撑物体的局部属性，因此这种“无知”反而成全了它的创造力。

AI不是一个全知全能的画家，更像一个技艺高超的马赛克艺术家，他虽然看不见整幅壁画的全貌，但凭借手中有限的彩色瓦片和一套严格的拼接规则，却能创造出令人惊叹的全新图案。

AI创造力的“黄金镣铐”：两大基本原则

那么，这两副给AI戴上，却反而让它舞姿更美的“黄金镣铐”究竟是什么？

第一副镣铐：局部性（Locality）。这指的是AI模型在处理信息时，并不是像我们一样“纵览全局”，而是一次只能聚焦于一个极小的图像区块（patch）。它像一个透过锁孔看世界的观察者，视野极其有限。

AI不知道一只完整的猫是什么样的，但它对“猫的毛发纹理”、“猫耳朵的尖锐轮廓”、“猫眼睛的反光”这些局部特征了如指掌。这种“视野缺陷”迫使它在生成图像时，无法直接复制一整只记忆中的猫，而必须将无数个它学到的“局部碎片”重新组合。

第二副镣铐：平移等变性（TranslationalEquivariance）。这听起来很专业，但原理却很直观。它是一套保证“结构一致性”的铁律。简单来说，如果模型在一个局部区块学会了“砖墙”的纹理，那么当它需要在图像的另一个位置画砖墙时，它会运用完全相同的规则和结构。这确保了AI生成的世界不会陷入混乱。这一思想与AI先驱、图灵奖得主杨立昆大力倡导的“世界模型”（WorldModels）不谋而合。两者的核心都在于，让AI学习这个世界可预测、可泛化的基本规律，而不是去死记硬背无穷无尽的表象。正是这种对底层规则的遵循，让AI的“拼贴”显得真实可信。

当“局部性”将世界打碎成无限重组的可能，而“平移等变性”则像一根无形的线，将这些碎片以一种和谐、连贯、符合逻辑的方式缝合起来，创造力的奇迹便诞生了。

无独有偶，近年来AI研究者们开发的“等变局部评分”（EquivariantLocalScore,ELS）机，正是一个只优化这两个核心原则的简化数学模型，它竟然能高度复现复杂扩散模型的输出，这再次证明了——约束，而非自由，才是AI创造力的真正源泉。

化“限制”为“催化剂”：系统性提升AI创新力的3个方法

理解了AI创造力的根本原理，我们提升AI创新能力的方向就变得豁然开朗。我们不再是盲目地扩大模型、堆砌数据，而是可以像一位熟练的工程师一样，通过“设计约束”来主动引导和激发AI的创造潜力。这种“拥抱限制”的哲学，在人类的创新史上早已屡见不鲜。史蒂夫·乔布斯毕生信奉“至繁归于至简（Simplicityistheultimatesophistication）”，他对iPhone只保留一个Home键的极致约束，恰恰成就了一代产品的革命性体验。

同样，在AI的世界里，我们也可以通过以下方法，将限制化为创新的催化剂：

方法一：设计“不完美”的架构。未来的AI模型设计，重点可能不再是单纯地追求“更大更强”，而是要战略性地构建具有特定“创造性缺陷”的架构。我们可以设计出在不同维度上具有不同“局部性”视野的模型，或者引入更多有趣的“等变性”规则（如旋转、缩放等），就像给乐高玩家提供不同形状和功能的积木，让他们能搭建出更富想象力的作品。

方法二：驾驭数据“信息差”。如果我们想让AI画出更有创意的椅子，或许我们不应该只给它看成千上万张椅子的照片。我们可以尝试一种“信息差”训练法：给模型看无数物体的局部纹理（木头、金属、织物），再给它看无数种结构（四条腿的、单腿的、悬空的），但就是不给它看一张完整的“椅子”。这将迫使模型在其“局部知识库”中进行前所未有的探索和组合，从而“发明”出我们从未见过的椅子设计。

方法三：将提示工程提升为“约束的艺术”。当我们向AI输入“一只由水晶构成的蝴蝶，栖息在熔岩流上”时，我们正是在让模型在严格的约束下（水晶质感+蝴蝶结构+熔岩环境），去完成一次前所未有的“创作越狱”。这让人想起了传奇音乐家布莱恩·伊诺（BrianEno）著名的“倾斜策略（ObliqueStrategies）”卡牌。当创作陷入僵局时，他会抽出一张写有“只用一个音符”或“重复一个动作”这类指令的卡牌，通过这种人为的限制来打破思维定势，激发全新的灵感。

这一方法也让提示词的意义变得更加深刻。一个好的提示词，本质上就是在施加一种巧妙的“创造性约束”。

拥抱“不完美”，我们面临什么问题？

对AI创造力的研究和探索，或许能让我们反思对AI“完美”复现人脑的执迷，转而善用AI的“不完美”。我们手中的创新钥匙，不再是无穷无尽的数据和算力，而是设计“智慧约束”的能力。

这也引发了两个更深层次的问题：

既然约束是创造力的引擎，那么是否存在一种“最优约束”的尺度？太多的约束会扼杀创意，太少则会导致混乱，那个激发最大创新的“黄金分割点”在哪里？

如果AI的创造力源于一种与人类截然不同的“认知范式”，那么追求让AI像人一样思考的通用人工智能（AGI）道路，是否从一开始就走偏了？

或许这些将是未来AI领域的重点研究方向。