創造性は、芸術、文学、科学、テクノロジーなど、斬新で価値があり、意味のある作品を生み出すことを可能にする人間特有の能力です。創造性は人間社会の重要な原動力でもあり、文化、経済、教育などの分野の発展と進歩を促進します。創造性とは一体何でしょうか？それはどのようにして生まれたのでしょうか？どのように評価され、改善されているのでしょうか？これらの疑問は、心理学者、認知科学者、哲学者など、さまざまな分野の研究者を困惑させてきました。人工知能（AI）技術の急速な発展に伴い、AI分野でもこれらの課題が注目を集めています。 AIは人間と同じように創造力を発揮できるのでしょうか？もしそうなら、AI の創造性をどのように定義し、測定し、育成しますか?これらの問題は理論的な重要性だけでなく、AI の創造性がさまざまな分野での AI の応用と開発に影響を与えるため、実用的な価値もあります。
科学技術学術フォーラム arxiv.org は 1 月 3 日、最新の論文「Can AI Be as Creative as Humans?」を発表しました。この論文は米国の研究者らによって発表されました。多くの著名な AI 研究者が共同執筆したこの論文は、AI の創造性を徹底的に探求しており、新しい創造性評価パラダイム、すなわち相対的創造性 (Relative Creativity) を提案し、実行可能な定量的創造性フレームワーク、すなわち統計的創造性（Statistical Creativity）。この論文は理論的な議論を進めるだけでなく、AI の創造的な可能性を評価および改善するための実践的なツールと方法も提供します。この論文の主な貢献と革新は次のとおりです。
は、AI システムの創造性評価を絶対的な標準から特定の人間に関連した評価に変換する、相対的な創造性の概念を提案します。これにより、創造的なプロセスに固有の主観性が認識され、チューリング テストから知性を評価する比較方法が利用されます。この革新的なアプローチは、AI の創造性を人間の創造性と比較し、創造的なプロセスにおける AI システムのパフォーマンスと機能をより深く理解できるようにします。評価システムに主観性を組み込むことで、AI システムの創造性をより完全に評価し、人間の作成者と比較できるようになり、理論構築と実証的評価の方法を組み合わせた統計的創造性の概念が導入されました。この手法は、AIが特定の人々の創造的な成果を模倣できるかどうかに焦点を当て、それによってAIの創造性を定量的に評価し、理論的枠組みの実用性を向上させます。
統計的創造性を自己回帰モデルに適用することは、広く使用されている言語モデリング手法です。この手法はある程度創造的であると考えられており、モデルの統計的な創造性を評価するための実用的な指標を備えています。特に次のマークの予測に関しては、この指標は現代の AI モデルのニーズに適応でき、技術の進歩に対応できる可能性を示しています。
この研究では、創造的な AI モデルをトレーニングするために、統計的創造性損失 (Statistical Creativity Loss) と呼ばれる目的関数が導入されています。この研究では、統計的な創造性の損失の上限と、ラーデマッハの複雑さ、相互情報量、εカバレッジ数などの深層学習における一般化に関連する概念も分析しています。これらの理論的なガイダンスと実践的な対策は、AI モデルの創造的な能力を育成する上で重要な助けとなります。
01 相対的創造性の概念と定義
著者は、相対的創造性 (Relative Creativity) の概念を提案し、「AI システムは、人間の創造者の与えられた経歴情報に基づいて情報を生成できれば、相対的に創造的であるとみなされる」と定義しました。それがそのクリエイターの作品と区別できない場合、AI システムはそのクリエイターと同じくらい創造的であると考えることができます。相対的な創造性の「相対性」は、比較される個人間の違いに依存するという事実に反映されています。たとえば、AI システムは、専門家ではない人間の作成者と比較すると非常に創造的であるように見えますが、専門のデザイナーやアーティストと比較すると創造性が劣るように見えます。相対的創造性では、独創性、発散的思考、問題解決スキルなどの創造性の主観性も認められており、これらは人間のクリエイターを定着させる選考プロセスに組み込まれます。創造性の評価は人間の視点に基づいているため、相対的な創造性の概念も、AI システムが人間と競争できるかどうかを判断することで AI の知能を評価する比較方法であるチューリング テストからインスピレーションを得ています。
図
図 1: 相対的な創造性と統計的な創造性の図。 図 1 では、相対的な創造性 (a) と統計的な創造性 (b) について説明します。相対的な創造性とは、同じ伝記的影響を考慮した、仮想上の人間の創作者と事実上区別がつかない芸術を作成する AI の能力の評価を指します。一方、統計的な創造性は、分布距離の指標によって決定される、AI によって生成された創作物が既存の人間の創作者と区別できない能力を測定することによって評価されます。
相対的創造性はチューリング テストといくつかの類似点がありますが、いくつかの違いもあります。類似点は、それらがすべて人間の視点に基づいており、AI システムのパフォーマンスと人間のパフォーマンスを比較することによって AI システムの能力を評価することです。違いは、チューリング テストの目標は AI システムの知能を評価することであるのに対し、相対創造性の目標は AI システムの創造性を評価することであるという点です。知性と創造性は 2 つの異なる次元であり、重複する部分もあれば、異なる部分もあります。たとえば、AI システムは賢くても必ずしも創造的であるとは限りませんし、その逆も同様です。もう 1 つの違いは、チューリング テストの評価は会話に基づいているのに対し、相対的な創造性の評価は作業に基づいていることです。対話はインタラクティブで動的、リアルタイムのプロセスですが、作業は静的で固定された遅延した結果です。したがって、相対的な創造性の評価は、作品のスタイル、内容、品質、独創性など、より多くの要素を考慮する必要があるため、より困難になる可能性があります。著者は、相対創造性は、AI システムのパフォーマンスだけでなく、人間の創造者の背景や特性も考慮した、創造性を評価するためのより包括的で詳細な方法であると考えています。
相対的創造性の概念は啓発的ですが、運用上の評価方法がまだ不足しています。この欠点を補うために、著者は統計的創造性 (統計的創造性) の概念を導入します。これは次のように定義されます。AI システムは、人間の創造者のグループが与えられた場合に、次のような出力を生成できる場合、統計的に創造的であるとみなされます。グループの創造的な出力と区別できない場合、AI システムはグループと同じくらい創造的であると考えることができます。統計的創造性の「統計的」性質は、抽象的な標準ではなく観察可能なデータに基づいて AI システムの創造性を評価するという事実に反映されています。
写真
著者は、統計的創造性の尺度、すなわち E0(q) を提案しました。これは経験的な尺度であり、 AI モデルと人間のクリエイターのグループの創造的能力との間の区別がつかないことを推定します。 E0(q)の値が低いほど、AIモデルはグループの創造的能力をよりよく模倣できます。著者はまた、統計的創造性の定理を示し、AI モデルが δ 創造性を持つと分類できる条件、つまり E0(q)
自己回帰モデルは、前の記事に基づいた一般的な大規模言語モデル (LLM) テクノロジーです。確率分布を利用して次のトークンを予測し、一貫したテキスト シーケンスを生成します。自己回帰モデルは、詩、物語、コードなどの新しいテキストを生成する能力があるため、ある程度の創造性があると考えられています。ただし、自己回帰モデルの創造性をどのように評価して改善するかはまだ未解決の問題です。著者らは、統計的創造性の概念を自己回帰モデルに適用し、次のトークンを予測するための統計的創造性の尺度、すなわち E1(q) を提案します。これは、自己回帰モデルと、複数のグループの創造的能力間の識別不能性を推定するために使用される経験的尺度です。人間の創造者たち。 E1(q) の値が低いほど、自己回帰モデルはグループの創造的能力をよりよく模倣できます。
写真
著者はまた、自己回帰モデルの統計的創造性に関する定理を提示し、自己回帰モデルの条件を明らかにしました。 δ 創造性があると分類できるのは、E1(q)
次のトークン予測は自己回帰モデルの中核テクノロジーであり、モデルによって生成されるテキスト シーケンスの品質と多様性を決定します。次のトークンの予測の難易度は、与えられたコンテキストとターゲットのトークンの可能性によって異なります。コンテキストが明確で具体的であれば、一部のトークンはより合理的で一般的であるため、次のトークンの予測が容易になります。たとえば、コンテキストが「食べるのが好き」の場合、次のタグは「リンゴ」、「パン」、「餃子」などになります。ただし、コンテキストが曖昧で抽象的な場合、明確な利点がないトークンが多数存在する可能性があるため、次のトークンの予測はより困難になります。たとえば、コンテキストが「欲しい」の場合、次のタグは「旅行」、「勉強」、「睡眠」などになります。この場合、自己回帰モデルでは、意味のある興味深いテキスト シーケンスを生成するために、より大きな創造性が必要になります。
次のマーク予測の重要性は、自己回帰モデルの創造性のレベルと人間の作成者の創造性との類似性を反映していることです。自己回帰モデルは、別のコンテキストで人間の作成者の作品と区別できない次のトークンを生成できる場合、人間の作成者と同じ創造性を示します。この創造性の評価は、E1(q) などの統計的な創造性の尺度を通じて実行できます。この評価方法は、人間の主観的な判断に依存せず、データと確率の計算に基づいた、より客観的で科学的な方法であると著者は考えています。著者の研究は、自己回帰モデルの創造性に対する新しい視点と方法を提供し、モデルの生成能力と品質の向上に役立ちます。
プロンプト条件付き大規模言語モデル (LLM) は、以下を使用する最先端のモデリング パラダイムです。モデルの潜在的な機能を解放するよう求めます。ヒントはモデルに入力および出力形式を提供する方法であり、テキスト分類、テキスト生成、テキスト要約などのさまざまなタスクを完了するようにモデルをガイドするために使用できます。プロンプトは人間のヒューリスティックと同様に機能し、モデルの創造性と柔軟性を刺激します。ただし、プロンプトベースの LLM の創造性をどのように評価して強化するかは未解決の問題のままです。著者らは、統計的創造性の概念をキューベースの LLM に適用し、さまざまな文脈上のキューに対する統計的創造性の尺度、すなわち E2(q) を提案します。これは、キューベースの LLM を推定するために使用される経験的尺度です。人間のクリエイターのコミュニティの創造的能力。 E2(q) の値が低いほど、プロンプトベースの LLM はグループの創造的能力を模倣することができます。著者はまた、プロンプトベースの LLM の統計的創造性に関する推論を提供し、プロンプトベースの LLM が δ 創造性、つまり E2(q)
統計的創造性損失 (Statistical Creativity Loss) は、学習に使用される最適化可能な目的関数です。クリエイティブな AI モデル。これは、E0(q)、E1(q)、E2(q) などの統計的創造性の尺度に基づいて定義されます。統計的な創造性損失の値が低いほど、AI モデルは人間のクリエイターのグループの創造的能力を模倣することができます。著者らは、統計的創造性損失の上限である式(2)と、ラーデマッハ複雑度、相互情報量、εカバー数(εカバー数)などの深層学習における一般化に関連する概念を提案しています。著者らは、統計的創造性の損失の上限を、次のトークン予測の対数尤度および統計的創造性を達成するために必要なクリエイターと制作データの量の関数として分析しています。著者らの調査結果は、単に大量の創作データを保有することよりも、クリエイターと作品のペアにおける多様性の重要性を強調している。この洞察により、統計的創造性の概念は、ネクストマーク予測に基づく現在の AI フレームワークに特に適用できるようになります。著者の研究は、理論的な観点を提供するだけでなく、AI の創造性に関する議論を導き、実証研究を促進するために相対評価の使用を提唱し、AI モデルの創造性能力を評価および改善するためのフレームワークを確立します。
著者は最後に、主に視覚と言語に関する創造性の定義と応用に関するこれまでの関連作品をレビューします。著者らは、創造性の要素を生成モデルに適用しようとする研究は数多くあるものの、創造性を直接定義したり、それを直接最適化したりする研究はないと指摘しています。むしろ、著者らの研究は、創造性の理論的基盤、つまり世代の多様性と質についての以前の洞察を自然に組み込む枠組みを構築することを目的としています。著者らは、彼らの貢献が将来の研究の基礎を築き、モデルの創造性の向上を導くことを期待しています。
視覚の分野では、創造的な画像生成モデルが大幅に進歩し、機械が創造的な芸術を生み出すことができるかどうかという疑問が生じています。 Hertzmann (2018) はこの問題を深く調査し、コンピューター グラフィックスと芸術的革新の交差点を強調しています。 Xu et al. (2012a) は、ユーザーの好みに応じて多様なモデルを生成できる創造的な 3 次元モデリング手法を提案しました。 Elgammal et al. (2017) は、敵対的生成ネットワーク (GAN) (Goodfellow et al., 2014) を使用して、既知のスタイルからの逸脱を最大化することで独自の芸術スタイルの作成を推進しました。 Sbai et al. (2018) はこのバイアスをさらに増大させ、モデルがトレーニング セットとは異なるスタイルになることを奨励しています。 Ge et al. (2021) および Ranaweera (2016) は、詳細な要素の統合の重要性を強調しており、クリエイティブの生成は組み合わせプロセスとみなすこともできます。これに基づいて、Vinker et al. (2023) は、パーソナライゼーションの概念を革新的な再編成のための視覚要素に分解し、創造的な成果を豊かにしました。
言語の分野では、言語モデルの開発により、研究者はさまざまな分野、タスク、言語でのモデルの適応性を向上させるためにデータの使用を最適化する方法を模索するようになりました(Gururangan et al. 、2020; Devlin et al.、2019; Conneau et al.、2020）。研究者らは、人間のコミュニケーションにおけるニュアンスを解釈するために言語モデルを使用する傾向も示しています (Schwartz et al., 2013; Wu et al., 2022)。この洞察は、分類モデルの改善にも使用されています (Hovy、2015; Flek、2020)。生成モデルの人気が高まるにつれて、人々は制御可能なテキスト生成にも関心を持っています。つまり、モデルの出力は礼儀正しさ (Saha et al., 2022; Sennrich et al., 2016)、感情などのいくつかの制約を満たさなければなりません。 (Liu et al., 2016) al., 2021; Dathahri et al., 2019; He et al., 2020) またはその他のスタイル制約。最後に、入力テキストのスタイルを設定されたターゲット スタイルに変換するテキスト スタイル転送 (TST) も、一般的なタスクになっています。スタイルは、礼儀正しさ (Madaan et al., 2020)、形式主義 (Rao and Tetreault, 2018; Briakou et al., 2021)、簡潔さ (Zhu et al., 2021) など、さまざまなテキストおよび著者固有の特性を指す場合があります。 、2021) 2010; van den Bercken et al., 2019; Weng et al., 2019; Cao et al., 2020)、著者 (Xu et al., 2012b; Carlson et al., 2018)、著者の性別 (Prabhumoye) et al.、2018）など（Jin et al.、2022）。これらのアプリケーションはすべて、創造性の要素を生成モデルに適用しようとしていますが、創造性を直接定義したり、それを直接最適化したりするものはありません。代わりに、創造性の代理として、事前定義されたタスクにおけるモデルのパフォーマンスを向上させることに重点を置いています。対照的に、著者らの研究は創造性の理論的基盤を確立することを目的としています。この枠組みには、世代の多様性と質に関するこれまでの洞察が自然に組み込まれています。著者らは、彼らの貢献が将来の研究の基礎を築き、モデルの創造性の向上を導くことを期待しています。
参考: https://arxiv.org/abs/2401.01623
以上が人工知能は人間と同じように創造性を発揮できるのでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
