生成式人工智能、人类创造力与艺术
Generative artificial intelligence, human creativity, and art
Eric Zhou, Dokyun Lee
PNAS Nexus · 2024-02-29
开放获取艺术理论被引 446被引前 10%影响因子 ≈7.1
摘要
近期的人工智能（AI）工具已展现出生成传统上被视为具有创造性成果的能力。其中一类典型系统便是文本转图像的生成式人工智能（如Midjourney、Stable Diffusion、DALL-E），这类技术能够自动化人类的艺术创作流程以生成数字艺术品。本研究基于来自超过5万名独立用户的400余万件艺术品数据集展开分析，结果表明：随着时间的推移，文本转图像AI可使人类的创意产出效率提升25%，同时以作品被收藏的概率衡量的价值也会提高50%。尽管作品中核心主题与关联关系的“内容新颖度”峰值会随时间上升，但平均内容新颖度却呈下降趋势，这反映出创意空间虽不断扩张，但利用效率却有所降低。此外，无论是以像素级风格元素为衡量标准的视觉新颖度，其峰值与平均值均呈现持续下降态势。值得注意的是，那些能够借助AI成功探索更多新颖创意的艺术家，无论其先前的原创性水平如何，其作品往往更能获得同行的青睐。最后，AI的应用还降低了采用者之间作品价值获取（即被收藏量）的集中程度。研究结果表明，在文本转图像创作过程中，构思与筛选能力很可能是不可或缺的技能，由此便催生了“生成式联觉”——即人类探索与AI赋能的和谐融合，进而催生出全新的创意工作流程。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 该研究指出文本到图像生成式AI的应用能显著提升艺术家的创作生产力及作品的同行评价价值，但同时也导致了视觉风格与平均内容主题的同质化倾向。研究发现，尽管整体新颖度有所下降，但AI辅助拓展了创意边界，使得顶尖的内容新颖度反而呈现上升趋势。在这种人机协作模式下，成功的核心在于人类探索新颖概念的能力以及对AI产出的筛选技巧，这种融合被定义为“生成通感”。
- 研究方法
- 研究基于包含超过400万幅作品和5万名用户的大型艺术社区数据集，综合运用了多种计量经济学与机器学习方法。作者主要采用事件研究双重差分法（Event Study DiD）来识别采用AI对创作结果的因果效应，并利用双向固定效应模型分析个体既往原创性对AI增益的调节作用。此外，研究还引入广义随机森林（GRF）与SHAP值评估特征重要性，并通过基尼系数与置换检验分析了AI采用对平台价值分配集中度的影响。
- 学术贡献
- 该研究实证了生成式AI在艺术领域不仅能自动化执行，更能通过“探索-利用”机制实质性地提升创作质量与效率，丰富了人机协作创造力的理论视角。通过区分“内容新颖性”与“视觉新颖性”，揭示了技术进步可能伴随的审美趋同与创意前沿扩张并存的复杂现象。此外，研究提出的“生成通感”概念界定了未来创意工作的核心技能转型，并发现了AI技术有助于降低创作领域价值获取垄断的民主化效应。
- 存在局限
- 由于数据可观测性的限制，研究无法直接捕捉用户在提示词工程、迭代修改及结果筛选过程中的具体微观行为，导致部分关于创作机制的讨论带有推测性质。尽管研究使用了广义合成控制法（GSCM）和虚假检验来缓解内生性问题，但仍难以完全剔除如个人“灵感突发”等不可观测因素对AI采用决策及创作产出的潜在混杂影响。研究样本仅限于特定的文本到图像生成工具及单一平台，结论的外部效度可能受限。
- 进一步研究方向
- 材料中未明确列出具体的后续研究计划，但在讨论部分强调了追踪生成式AI长期普及后，创意领域是否会陷入低质内容自我强化的“长期均衡”状态的重要性。同时，文章呼吁针对此类技术对艺术生态及社会的深层后果开展更多政策层面的研究与探讨。此外，对比分析AI在不同类型创造性任务（如写作、编程与视觉艺术）中作用机制的差异也是文中隐含的学术关切。
本综述由 AI（GLM-5V-Turbo）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Aesthetic Perception and Analysis