“AI永遠無法取代人類”證據(jù)-1！

北大團隊最新論文揭示：人類引以為傲的創(chuàng)造力，如今AI也開始掌握了。

甚至，研究人員還提出了一種系統(tǒng)性框架，首次從認知科學(xué)的角度，對AI模型的組合創(chuàng)造力（Combinational Creativity）進行了量化評估與優(yōu)化。

結(jié)果發(fā)現(xiàn)，GPT-4等先進模型在創(chuàng)意理解任務(wù)上已經(jīng)超越普通人類（準確率70% vs. 50%）。

這項研究不僅揭示了當前先進模型理解組合創(chuàng)造力的水平，還提出了一種可計算的方法，顯著提升了AI的創(chuàng)意生成能力。

值得一提的是，這篇論文還被認知科學(xué)學(xué)會年度會議CogSci 2025收錄，并被大會選為口頭報告（Oral）進行現(xiàn)場講解。

所以，這到底是咋回事兒呢？

AI開始掌握人類創(chuàng)造力的核心機制

一切起源于這樣一個問題：

當AI看到寄居蟹住進易拉罐，它想到了什么？

一只寄居蟹鉆進廢棄的易拉罐——這個畫面你可能在海灘上見過。大多數(shù)人只是一笑而過，但藝術(shù)家卻能從中讀出深刻的環(huán)保警示，比如人類垃圾正在成為野生動物的“新家園”。

那么，人工智能會怎么“想”呢？

最新研究揭示了一個令人驚訝的答案：AI正在學(xué)會像藝術(shù)家一樣進行“組合創(chuàng)造”。不是簡單地拼貼概念，而是真正理解為什么某些看似不相關(guān)的元素組合在一起會產(chǎn)生全新的意義。

當AI看到寄居蟹與易拉罐的組合時，它不僅能識別出“動物+容器”的基本元素，還能解釋它們之間的功能關(guān)聯(lián)（都是“居住空間”），更進一步，它開始理解這種組合背后的深層含義，即對人類活動影響自然生態(tài)的反思。

這種從“識別”→“解釋”→“引申”的三層認知過程，正是人類創(chuàng)造力的核心機制。而現(xiàn)在，AI也開始掌握這種能力了。

要知道在人類智能的諸多特質(zhì)中，創(chuàng)造力被認為是最難被機器復(fù)制的能力之一。

尤其是“組合創(chuàng)造力”（Combinational Creativity），即通過重新組合已有概念，生成新穎、富有意義的想法，被視為真正創(chuàng)新的核心。

盡管近年來如GPT-4V、DALL·E 3等視覺-語言模型（VLMs）在生成圖像和文本方面展現(xiàn)出驚人的“創(chuàng)意”，但其底層機制究竟是真正的“創(chuàng)造性組合”，還是對訓(xùn)練數(shù)據(jù)的復(fù)雜模仿，仍是AI研究領(lǐng)域爭論的焦點。

傳統(tǒng)評估AI創(chuàng)造力的方法多聚焦于結(jié)果的“新穎性”與“實用性”，而忽略了“創(chuàng)造性過程”本身的結(jié)構(gòu)與機制。

因此，要判斷AI是否真的“理解”組合創(chuàng)造，就必須建立一個能夠揭示其認知路徑的系統(tǒng)框架。

用系統(tǒng)性框架量化評估AI的“組合創(chuàng)造力”

對此，受認知科學(xué)家Margaret Boden和認知科學(xué)中的“概念融合理論”（Conceptual Blending Theory）的啟發(fā)，研究團隊首次提出了一個面向AI系統(tǒng)的分層評估框架——IEI框架（Identification–Explanation–Implication）。

該框架將組合創(chuàng)造力分解為三個層次：

• 識別（Identification）：能否正確分解輸入概念的基本元素；
• 解釋（Explanation）：能否發(fā)現(xiàn)概念間的潛在關(guān)聯(lián)；
• 引申（Implication）：能否理解超越原始輸入的語義內(nèi)涵。

這一框架不僅適用于評估AI，也為人類創(chuàng)造力的計算化研究提供了新思路。

上圖展示了IEI框架如何結(jié)合“概念融合理論”，對組合創(chuàng)造力進行建模與評估。

在左側(cè)，兩個輸入概念通過共性抽象（Generic Space）與融合空間（Blend Space）產(chǎn)生新的組合創(chuàng)意。

右側(cè)則對應(yīng)IEI框架在理解與生成任務(wù)中的三層處理邏輯：從識別基本元素（如寄居蟹與易拉罐）、解釋功能類比（如容器功能相似），再到引申出更深層的意義（如對人類破壞動物棲息地的環(huán)保反思）。

這一流程可用于系統(tǒng)評估AI模型對組合創(chuàng)意的理解能力，并引導(dǎo)生成具有多層含義的創(chuàng)意內(nèi)容。

實驗結(jié)果：超越平均人類，但仍不及專家

通過構(gòu)建包含專業(yè)藝術(shù)家創(chuàng)作組合的數(shù)據(jù)集（CreativeMashup），研究發(fā)現(xiàn)：

GPT-4等先進模型在創(chuàng)意理解任務(wù)上已超越普通人類（準確率70% vs. 50%）；但在深層語義解讀（如隱喻、文化象征）上，仍顯著落后于人類專家（人類專家的平均勝率為78%）。

下圖為人類被試與模型在三個任務(wù)上的實驗結(jié)果：

更關(guān)鍵的是，當研究團隊將這一框架嵌入生成模型（如DALL-E 3）時，其創(chuàng)意輸出的質(zhì)量提升了35%（基于人類專家盲測）。

這表明，AI的創(chuàng)造力并非固定不變，而是可以通過結(jié)構(gòu)化思維引導(dǎo)優(yōu)化。

下圖展示了多個主流文圖生成模型在創(chuàng)意生成任務(wù)中的表現(xiàn)，分別由人類專家、完整的IEI 方法（識別+解釋+引申），以及簡化的II方法（識別+引申）進行偏好排名評估。

排名分數(shù)越低表示生成結(jié)果越受歡迎。

可以看出，使用IEI框架優(yōu)化后的模型在生成質(zhì)量上更接近人類專家偏好，說明該方法在提升創(chuàng)意輸出方面具有顯著效果。

從理論到應(yīng)用：AI創(chuàng)造力的未來

總體而言，該研究的價值不僅在于評估，更在于為AI的創(chuàng)造性應(yīng)用提供了方法論：

• 設(shè)計：使AI能真正理解“為什么這樣組合有意義”，而非機械拼貼；
• 認知研究：為人類與機器創(chuàng)造力的比較提供了標準化基準。

這組圖像展示了AI如何通過重組動物特征來表達抽象屬性，如顏色、速度、用途與形態(tài)，以視覺方式呈現(xiàn)出對不同概念特征的理解與創(chuàng)意表達。

也可以把看起來無關(guān)的物體和概念組合在一起，生成帶有隱喻的圖像，用一種新穎的方式表達社會話題。

同時，還能將日常用品（如護手霜、背包）與象征物（如花朵、皇冠、地圖）進行創(chuàng)意組合，以展現(xiàn)AI在產(chǎn)品設(shè)計中的應(yīng)用潛力。

順便一提，目前團隊創(chuàng)建的CreativeMashup數(shù)據(jù)集已開放下載。

論文地址：https://ppyyqq.github.io/aicc/