生成式人工智能具有创造力吗?

　　创造力(creativity)通常被理解为一种生成既新颖又契合特定情境的观念或解决方案的能力。它不仅是推动个人成长与社会进步的根本力量，也是人类自我理解中最具象征性的特质之一。即便在人工智能蓬勃发展的今天，创造力也被认为是人类仍然占据优势的为数不多的领域之一。那些旨在“创造”的人工智能系统，例如能够编写故事的互动程序TALE-SPIN，通常被认为只是在执行编程规则的演算，其“创作”缺乏真正的生成性。即使当代生成式模型如ChatGPT已能生成人类水准的文本，不少人依旧坚持认为，它们并未拥有真正意义上的创造力。(cf.Runco，p.1)在很多人的理解中，真正的创造力是人类独有的特权。

　　问题在于，当人工智能系统在那些最能体现创造力的领域(如艺术创作)中表现得堪比甚至超越人类时，我们又凭什么断言它们并无创造力?事实上，OpenAI公司是这样介绍其新产品的：“GPT-4比以往任何版本更具创造性和协作性。”这不仅是一句市场宣传语，更反映出一种正在崛起的思想趋势：当代生成式人工智能(generative AI，GAI)或许已在某种意义上参与了创造性活动。(cf.Haase and Hanel，p.6)于是，一个哲学上更根本的问题浮现出来：当“生成”与“创造”之间的界线日渐模糊，我们究竟是在见证机器模仿人类的思维，还是在重新定义“创造”这一概念本身?更具体地，GAI是否已经具备某种形式的创造力?它是否可以具备人类水平的创造力?这些问题不仅牵涉人类水平人工智能的可能性，更关系到人类自身在智能谱系中的地位，可谓大本大宗。

　　一、计算创造力：从GOFAI到GAI

　　计算机能否具备创造力，这个问题几乎与计算机科学自身的历史一样悠久。早在1842年，人类历史上的第一个程序员洛夫莱斯女士(Lady Lovelace)就已敏锐地意识到，分析机(即现代计算机的雏形)不仅能够进行数值计算，甚至原则上可以“创作任何复杂程度或规模的音乐作品”。但她同时认为，分析机“不能自诩创造任何东西，因为它能做的，仅是我们已经知道如何命令它执行的操作”(Menabrea and Lovelace，p.696)。

　　人工智能之父阿兰·图灵(Alan Turing)注意到了这一点，并将之称为“洛夫莱斯反驳”。他指出，如果这一反驳成立，那么不仅创造力无从谈起，智能本身也将成为空中楼阁。(cf.Turing，p.450)图灵的回应既别开生面又富有远见，他认为该反驳忽视了“学习机”(learning machine)的潜在可能。学习机，按照图灵的构想，是一种能够以类似于人类的学习方式借助经验不断提升表现的机器。(ibid.，pp.456-458)分析机本质上是一种通用机①，理论上只要具备足够的存储与运算能力，并经由适当编程，就可以用来模拟学习机。而学习机在经历训练之后，有可能生成超出其初始程序设定范围的输出，从而表现出某种形式的创造性。图灵的这一设想不仅为人工智能的理论建构提供了先导性框架，也为当代机器学习的发展开辟了可能性空间。

　　受图灵的影响，早期的人工智能不仅热衷于诸如下棋等典型的智力游戏，而且还致力于赋予计算机某种程度的创造性表现能力。这直接促成了计算机科学中一个独立研究方向的形成，即“计算创造力”或“人工创造力”。通常的做法是，人类程序员为计算机编写程序，并提供输入数据；计算机则根据程序逻辑处理输入，从而生成某种意义上“新颖”的输出。这种依赖显式编程规则对形式化符号表征进行操作的系统，被称为“好的老式人工智能”(GOFAI)。(cf.Haugeland，p.2)

　　GOFAI的代表性系统之一是约瑟夫·维岑鲍姆(Joseph Weizenbaum)于20世纪60年代开发的聊天程序伊莉莎(Eliza)。该程序在麻省理工学院人工智能实验室被用于心理治疗访谈，以其“对话能力”一度引发轰动。实际上，伊莉莎的工作机制极为简单：它在模仿罗杰斯式(Rogerian)治疗师脚本的基础上，依靠模式匹配与关键词替换生成回应，从而营造出似乎理解人类情感的假象。由于伊莉莎的所有输出都由显式规则与输入数据决定，所以它完全受制于“洛夫莱斯反驳”。换言之，伊莉莎的“创造力”只是算法的投影，而非思想的生成。

　　计算创造力的重要进展出现在20世纪70年代。詹姆斯·米汉(James Meehan)开发的TALE-SPIN系统以“理解问题-解决问题”的推理框架生成叙事，其虚构角色能在特定情境中依据目标与知识作出决策，生成动态而偶尔出人意料的情节。作为GOFAI范式的代表，TALE-SPIN虽仍依赖显式规则与逻辑结构，但已能依据输入变量生成差异化内容，初步显露结构性生成的能力。它在叙事生成领域具有方法论意义，虽未克服“洛夫莱斯反驳”，却激发了计算创造力的潜力。

　　尽管人工智能的发展屡被宣称为突破，其真正进入规模化应用的转折点出现在2012年。那一年，AlexNet在ImageNet挑战赛中凭借深度神经网络的卓越表现，宣告了深度学习时代的来临。与依赖显式规则的GOFAI不同，机器学习通过从数据中自动提取模式优化模型，无需人类预设。进入深度学习阶段后，AI系统能够自主识别结构与高维关联，表现出某种自组织特征。正如珀尔(cf.Pearl，2019，p.13)所言，当神经网络面对海量数据时，会形成“自身的动力学”，实现自我修复与优化，以至于“我们知道它们表现良好，但不知道为什么”。这种“黑箱”特性固然引发了可解释性危机，却也意味着：越难以被人理解的系统，越可能摆脱人类指令的约束，从而更接近创造的边界。