人工智能的“創(chuàng)造力”并不是神秘魔法，它或許只是算法自身架構(gòu)的必然產(chǎn)物。

ICML 2025（International Conference on Machine Learning 2025） 上的一篇論文研究表明：擴散模型在生成圖像時表現(xiàn)出的“創(chuàng)意”，其實來源于去噪過程中的技術(shù)缺陷。

AI的“創(chuàng)造力”不是魔法，而是結(jié)構(gòu)性的副產(chǎn)物

該論文由斯坦福大學(xué)應(yīng)用物理專業(yè)的研究生梅森·坎布（Mason Kamb）主導(dǎo)完成。

圖片

他和導(dǎo)師、物理學(xué)家蘇里亞·岡古利（Surya Ganguli）構(gòu)建了一套名為“等變局部評分機”（Equivariant Local Score Machine，簡稱ELS）的數(shù)學(xué)模型。

這套系統(tǒng)不是訓(xùn)練后的AI模型，而是一套純數(shù)學(xué)公式，完全基于“局部性”和“等變性”這兩個機制，預(yù)測AI去噪圖像的構(gòu)成。

圖片

圖注：這兩個公式定義了 ELS模型 的核心機制，用于生成擴散模型中的逆向更新流

這里的局部性指的是模型只關(guān)注圖像中的一個個像素塊，而不是整體圖像。

而等變性則意味著圖像被稍微移動時，AI生成的圖像也會做出相應(yīng)調(diào)整，以保持結(jié)構(gòu)一致性。

圖片

論文鏈接：https://arxiv.org/abs/2412.20292

傳統(tǒng)看法認(rèn)為，這些只是技術(shù)局限。但坎布認(rèn)為，這兩個機制本身就是AI“創(chuàng)造力”的源泉。

他大膽提出，如果一個系統(tǒng)只追求局部性和等變性，它自然就會表現(xiàn)出擴散模型那樣的創(chuàng)造行為。

他和導(dǎo)師隨后用ELS模型將一系列被轉(zhuǎn)換為“數(shù)字噪聲”的圖像重新“去噪”，再與真正的擴散模型輸出的圖像進行對比。

結(jié)果令人震驚。

ELS如何解釋擴散模型的“創(chuàng)意”

ELS模型的預(yù)測結(jié)果與真實AI模型輸出圖像平均相似度高達90%，這種準(zhǔn)確率在機器學(xué)習(xí)領(lǐng)域前所未見。

圖片

圖注：論文提出的解析理論可以逐例準(zhǔn)確預(yù)測卷積擴散模型在 MNIST、CIFAR10、FashionMNIST 和 CelebA 數(shù)據(jù)集上的輸出，即使這些輸出非常原創(chuàng)且遠離訓(xùn)練數(shù)據(jù)。

“這太不可思議了，”作者表示，“我們以前從未在這個領(lǐng)域見過如此高的擬合度?！?/p>

這意味著所謂的“創(chuàng)造”，可能只是AI系統(tǒng)對局部片段的專注所帶來的副產(chǎn)物。從圖像的角度來說，AI根本不知道整個圖要長成什么樣。

它只是對一個個像素塊做出最合理的“猜測”，然后通過一種叫“評分函數(shù)”的數(shù)學(xué)機制把這些局部片段拼到一起。

拼接過程中可能發(fā)生微小偏差，也可能出現(xiàn)“異常”組合，比如多出幾根手指的人臉圖像。

這正是研究者們最初觀察到的“多指人”現(xiàn)象的來源。

作者在看到AI生成圖像中的這些異常時，立刻聯(lián)想到自己長期研究的“形態(tài)發(fā)生”理論。形態(tài)發(fā)生，是解釋生物體如何從胚胎發(fā)展為完整身體結(jié)構(gòu)的自然過程。

這一理論源于圖靈模式，由計算機科學(xué)先驅(qū)艾倫·圖靈提出，解釋細(xì)胞如何通過相互作用形成特定組織結(jié)構(gòu)。

圖靈模式強調(diào)：每個細(xì)胞只響應(yīng)周圍鄰居的信號，沒有一個中央“大腦”控制整體構(gòu)造。

AI的擴散模型也是類似機制：沒有“全局大腦”，只是局部決策。

從這個角度看，AI在“創(chuàng)作”時的行為，和自然界細(xì)胞構(gòu)建身體的行為幾乎一致。

這一發(fā)現(xiàn)提供了一個全新的視角：創(chuàng)造力，也許并不是頂層智能的象征，而是從底層結(jié)構(gòu)中自然“冒出來”的現(xiàn)象。

正如坎布所說，“只要你引入了局部性，創(chuàng)造力就自然而然地出現(xiàn)了?！?/p>

以往研究者一直試圖把AI的“創(chuàng)造”解釋為某種高級認(rèn)知模擬。他們認(rèn)為AI是通過“學(xué)習(xí)人類風(fēng)格”來創(chuàng)作的，仿佛它具備某種類似于人類意識的抽象能力。

圖注：即使訓(xùn)練集里只有一張全黑圖和一張全白圖，模型也能通過“拼小塊”的方式，組合出各種新圖，只要這些小塊在局部看起來是合理的（比如一個小區(qū)域內(nèi)大多數(shù)顏色和中心像素一致）。但如果模型“走得太快”（步長太大），就可能拼出看起來不協(xié)調(diào)的圖像。

這項工作表明，這種看法可能走反了方向。AI的創(chuàng)造力，并不來自它學(xué)會了“如何創(chuàng)造”。而是來自它“不知道”如何看全局，只能靠局部組裝，從而不斷“誤打誤撞”出新的內(nèi)容。

正因如此，它才像是在拼接一幅從未見過的拼圖。

創(chuàng)造力不是神秘靈感，而是結(jié)構(gòu)與組合的產(chǎn)物

這讓我們不得不重新思考另一個更大的問題：人類的創(chuàng)造力，是否也源于類似的機制？

有專家認(rèn)為，人類的創(chuàng)作行為，很多時候也是在片段信息中“填補空白”。我們憑借經(jīng)歷、夢境、記憶、愿望，把碎片拼成作品，AI也是一樣，只不過它拼的是看到過的圖像或指令。

在這種理解下，人類和AI的“創(chuàng)造力”，可能共享一種本質(zhì)機制，對不完整世界的修補嘗試。

當(dāng)我們試圖彌補知識的空缺，最終卻做出一個別人從未想到的組合時，我們稱之為“創(chuàng)新”。

如果AI的創(chuàng)造力也能被數(shù)學(xué)形式精確預(yù)測，是否意味著“創(chuàng)意”從來不是“神來之筆”，而是“計算之果”？

而現(xiàn)在，這篇論文提出的ELS模型可能找到了這個機制。它不僅揭示了AI圖像生成背后的“黑箱”，也打開了通往理解人類思維內(nèi)部結(jié)構(gòu)的大門。

當(dāng)然，擴散模型的創(chuàng)造機制依賴“局部性”和“等變性”，但語言模型等其他AI系統(tǒng)，并不依賴這些。

但這項研究告訴我們：創(chuàng)造力不是奇跡，是結(jié)構(gòu)性的必然。

在一個復(fù)雜系統(tǒng)里，當(dāng)局部與局部之間不斷試探、不斷組合，一種“整體圖景”就會在無意識中浮現(xiàn)。

正如圖靈模式下的胚胎細(xì)胞那樣，它們從未見過整個人體，卻能長出完整的手腳。

AI模型也從未見過一幅完整的“圖像”，卻能拼出看起來像是藝術(shù)的產(chǎn)物。

或許，這才是真正的創(chuàng)造。