当前，各国日益重视对创新人才的培育，创造力作为创新人才的核心特质(林崇德，2024)，是教育、科技领域重点培育的关键能力。长期以来，创造力被视为人类独有的高级认知能力。信息技术发展初期，人们虽然担心技术可能会取代大量机械性劳动，但普遍认为创造性工作因其非重复性、独特性和思维复杂性而不受影响(段伟文、余梦，2024)。然而，ChatGPT、DeepSeek等生成式人工智能逐渐展现出超越普通人类个体的创造水准，使得技术从知识与经验的“存储者”跃升为创造力的“持存者”，深刻改变了人类创造性活动的传统逻辑。以某高校为例，调查研究显示90％以上的研究生使用过生成式人工智能，且不少人将其用于代码生成、头脑风暴、实验设计等创造性场景(李艳等，2025)。但人工智能并非以单一的赋能逻辑加入创造性活动，它虽能支持学生创造性思维的发展，但也或将对其创造力和创造性人格产生负面影响(Habib et al.，2024；王红丽等，2024)，抑制其创造主体性及创造潜能的发挥。当前，人们未能正确认识人工智能在创造中的角色，易陷入人工智能介入下的创造危机，且学生普遍缺乏对人工智能创造逻辑的认识和理解(李艳等，2025)，既难以有效激发自身创造潜能，也难以发挥技术的支持价值。为此，教育亟须审慎思考人工智能介入下学生创造力发展的风险，并积极建构新的创造力范式，引导学生在技术支持的创造性环境中拓展创造潜能。 基于此，本研究在斯蒂格勒技术哲学视角下，关注四大递进命题：首先，基于“代具”理论阐明人工智能何以具备创造力，且为何种创造力；其次，从创造力的“源头—过程—结果”三个层面出发，系统揭示当前创造力范式下可能引发的创造危机；再次，剖析危机发生的深层逻辑，构建适应人工智能时代的创造力新范式；最后，基于“人—技术—世界”四种关系模式，提出如何教育学生规避创造危机，合理运用这种创造力新范式。 一、人工智能持存创造力的技术哲学分析 在分析人工智能时代的创造危机、构建新的创造力范式前，需要先对人工智能本身做出基础性判断，即人工智能是否具备创造力?如果具备，其呈现何种性质?因此，本研究以斯蒂格勒的技术哲学框架为分析工具，剖析人工智能与创造力之间的深层关系，为后续危机分析与范式建构提供逻辑起点。 (一)人类创造力的原始缺陷 在创造力发展过程中，人类不可避免地受其记忆能力、思维模式和生理特征等原始缺陷的限制。贝尔纳·斯蒂格勒(Stiegler，B.)指出：“人类没有过失，有的只是起源的原初缺陷。”(贝尔纳·斯蒂格勒，2010，p.10)“人类之所以是人类，是因为缺失。也就是说，他们的存在是他们的生成。”(贝尔纳·斯蒂格勒，2018，p.69)因此，人与世界的关系从一开始就不是自然适应的，人是通过工具、技术和文化的外部支持来弥补其生存的先天不足，使自身成为一种“未完成的”“不断生成的”存在。 首先，人的创造力受其记忆限度的影响。斯蒂格勒借鉴埃德蒙德·胡塞尔(Hussein，E.)的“持存”(retention)概念，指出人的认知和记忆可以分为三类：第一持存指人的瞬时感知，是有知觉参与和体验性的；第二持存是人的记忆，它构成了个体知识的积累，使人能够回忆、分析、创造新的事物；第三持存则是超越个体记忆的外在化存储，如文字、影像、计算机存储等(贝尔纳·斯蒂格勒，2012b，pp.19-20)。大量研究表明，个体掌握某一领域的知识越多，在该领域的创造力就越强(庞维国，2009)，因此，个体创造力受其“第二持存”丰富性的影响。然而，人的“第二持存”常受限于经验积累，其更新速度缓慢，且容易受遗忘、误记和认知偏差的干扰，这种局限性也决定了人类创造力的边界。其次，人的创造力受其思维模式的束缚。心理学认为，“新颖性”是创造力的核心标准之一(Simonton，2012)，即创造者不仅需要具备丰富的知识储备，还必须能够在原有的知识框架上打破既定模式，生成新的思维路径。然而，人类的创造过程常受限于“思维定式”(张敬威、于伟，2018)，即在思考时倾向于沿用已有的认知结构，因而通常难以在短时间内完成大规模的信息重组和创新突破。最后，人的创造力受其生理特征的限制。创造是一个复杂的认知过程，往往需要长时间的思考、推敲和试验，而人类的精力、注意力和认知负荷有限，个体在长时间的创造过程中，往往会因精力枯竭、思维疲惫等因素而中断思考，进而限制了创造的持续性和高效性。 (二)人工智能技术的代具性补偿 斯蒂格勒的技术哲学中，“代具”(prosthesis)理论是理解人类与技术关系的核心范式。从广义上看，“代具”不仅指假肢、义肢等身体替代物，还包括一切用于扩展和补偿人类能力的技术媒介。这些技术虽源于人类设计，但在使用过程中能够逐步形成自身的发展逻辑(刘宗岱，2024)。随着社会加速发展，创新的复杂性不断提升，个体的创造力愈加难以匹配时代的需求。在这一背景下，人工智能不仅是人类知识库的“第三持存者”，更在大规模信息处理、非线性计算逻辑、稳定地持续创造以及全局优化等方面展现出独特的能力，因而成为人类创造力的“代具”。这标志着技术持存机制从“存储”向“生成”的进化，它不再仅仅是知识的存储载体，还可通过概率建模与深度学习主动生成新内容，从而动摇了以“内在心智”为中心的创造力认知范式。 这一转变也引发了技术哲学领域关于人工智能是否具备创造力的争论。早在19世纪，阿达·洛夫莱斯(Lovelace，A.)就指出：“分析机并不自诩能原创出任何东西。它只能完成我们知道如何命令它完成的任何事情。”(Menabrea & Lovelace，1843)其核心在于：智能技术的创造活动始终受限于预设规则，缺乏自主性和意向性，因此不能突破既定程序产生真正的创造。然而，随着技术的发展，这一观点逐渐受到挑战。艾伦·麦席森·图灵(Turing，A.M.)通过对“机器是否能思考”的讨论回应了这一观点，并提出随着技术进步，人们最终会接受“机器能思考”的观点(Turing，1950)。马格丽特·安·博登(Boden，M.A.)指出，人工智能已在多个领域表现出“探索性创造力”。例如：AARON在生成色彩图像方面被称为“世界级色彩家”，其设计出的某些配色让创作者自己都“不敢使用”；某些作曲系统能在既定风格中自主展开创作；而BACON则可“再发现”传统科学中的经典规律(Boden，2009)。这类成就对“计算机只能执行预设指令”这一立场提出了有力的挑战。近年来，生成式人工智能的发展进一步证明人工智能不仅能够模仿和再现已有作品，还能够从海量数据中提取潜在模式，形成新的组合逻辑，并在某些领域展现出超越个体创造力的特征。因此，学界对“人工智能创造力”的认可度不断提高，有研究将“人工智能创造力”明确定义为“人工智能技术赋能的虚拟主体，在算法驱动下模拟人类的创造性活动时产生新颖性、价值性创造的能力”(胡卫平等，2024)，Science杂志更是将“具有创造性的人工智能”列为2022年度十大科学突破之一(Science，2022)。
