人工智能创造力的艺术科学视角：从问题发现到物质性与具身认知的探索

本文探讨了AI系统在模拟人类创造力方面的局限性，聚焦问题发现、物质交互与认知机制。研究者通过艺术与科学交叉案例（如Lejaren Hiller的音乐算法、Abbott Thayer的伪装理论），揭示了AI缺乏自主问题生成、情感标记（tagging/untagging）及具身认知等核心能力。研究提出“标记重构”模型，指出人类创造力源于多模态思维工具（如类比、身体思维），而当前AI仅能实现模式识别。该成果发表于《Journal of Creativity》，为AI创造力开发提供了理论框架，对跨学科创新研究具有启示意义。

　　

在人工智能(AI)技术迅猛发展的今天，ChatGPT等大语言模型和DALL·E等图像生成器的出现引发了“AI是否会取代人类创造力”的激烈争论。然而，当我们深入剖析AI系统的底层逻辑时，会发现它们与人类创造力存在本质差异——就像一台精密的钢琴永远无法理解肖邦夜曲中的乡愁。这种差异究竟在哪里？这正是《Journal of Creativity》最新刊发的研究试图解答的核心问题。

传统观点认为，AI可以通过海量数据训练实现“创造性”输出，但这项研究通过艺术与科学交叉的独特视角，揭示了当前AI系统的根本局限。研究指出，人类创造力的起点是发现或识别新问题，而AI只能解决人类预设的问题。更关键的是，人类创造过程充满物质性的身体互动和情感标记，这些恰恰是AI系统完全缺失的维度。

为了系统论证这一观点，研究者采用了多学科交叉的案例分析策略。选取了计算机音乐先驱Lejaren Hiller、抽象艺术创始人Wassily Kandinsky、AI伦理研究者Joy Buolamwini以及伪装理论发现者Abbott Thayer等典型案例，通过历史文献分析和认知理论构建，提出了“标记-解标记-再标记”(tagging-untagging-retagging)的创造力模型。研究特别关注了艺术与科学创新中的具身认知(embodied cognition)现象，即身体感知与物质交互如何塑造创造性思维。

在方法学层面，研究主要运用了三种关键技术：首先是历史案例的认知过程重构，通过原始文献追溯创新者的思维轨迹；其次是跨领域比较分析，将艺术创作与科学发现中的认知模式进行类比；第三是理论建模，将观察到的创造机制抽象为可验证的认知框架。

研究结果部分通过层层递进的小标题体系，揭示了AI创造力的多重局限：

《1. The origins of artificial intelligence》
开篇颠覆性地指出，首个AI程序并非来自计算机科学家，而是音乐家Lejaren Hiller 1956年创作的《Illiac Suite》。这个被主流AI史忽略的事实暗示：艺术创新早于符号逻辑的AI范式，而当前AI发展过度侧重后者。

《2. Lejaren Hiller's analogical route to computer musical composition》
Hiller将橡胶分子合成程序改造成音乐创作算法，展现了跨领域类比的关键作用。这种需要打破化学与音乐“认知标签”的思维跃迁，是当前AI无法实现的创造性突破。

《3. How AI systems work》
通过对比Thayer的进化式绘画方法与现代神经网络，指出两者都采用“生成-选择”循环。但Thayer能主动识别并解决伪装问题，而AI仅能优化预设目标，缺乏问题发现能力。

《3.1. Creating is a process that starts with novel questions》
爱因斯坦和Wald的引言强调“提出新问题比解决问题更重要”。案例显示：Kandinsky因偶然看到倒置画作而发现抽象艺术；Buolamwini在艺术装置中意外揭露AI的种族偏见——这些“问题发现”都源于对异常现象的敏感捕捉。

《3.1.1. Problem Generation Through Tagging, Untagging and Retagging》
提出核心理论：神经元通过“标记”(tagging)关联刺激与意义，而创造力需要“解标记”(untagging)既有关联并“再标记”(retagging)。AI系统无法像人类那样主动打破数据中的固有模式。

《3.1.2. Rethinking the creative process within integrated networks of enterprise》
引用Gruber的“事业网络”理论，指出达尔文等创新者能将多领域知识整合为新范式。这种跨范式整合需要情感驱动的主观判断，远超当前AI的模式识别能力。

《3.1.3. Case Study: Abbott Thayer's Discovery of Camouflage》
详细分析画家Thayer如何通过狩猎经验、野外写生和进化论知识，发现动物伪装原理。他设计的反阴影(counter-shading)实验证明：物质互动对科学发现至关重要，而AI缺乏这种具身认知。

《3.2. The sensual, material basis of tagging, untagging and retagging》
Jasper Johns的视觉残留作品《Flag》证明艺术创新依赖生理感知。科学家如Waddington同样强调“肌肉记忆”对实验直觉的影响，这些物质性体验是AI无法模拟的。

《3.2.1. From materiality to creative tools for thinking》
系统归纳13种人类思维工具，包括观察(observing)、成像(imaging)、身体思维(body thinking)等。当前AI仅实现其中2种（模式识别与形成），在类比、游戏等关键维度仍空白。

在结论部分，研究明确指出：当前AI创造力存在三大天花板。首先，AI无法自主发现问题，其“创造性”输出完全依赖人类设定的问题框架。其次，AI缺乏“标记重构”能力，无法像人类那样打破常规联想。最重要的是，AI没有具身认知，无法通过物质交互获得直觉洞察。正如爱因斯坦所言，相对论的突破源于音乐激发的直觉而非公式推导——这种前符号化的认知过程，正是AI与人类创造力的本质分野。

该研究的理论价值在于构建了“艺术-科学”双镜模型，首次将物质性、具身认知与标记理论整合到AI创造力评估框架中。在应用层面，研究为AI开发指明新方向：未来系统可能需要模拟多模态感知和情感标记机制，才能真正逼近人类创造力。正如研究者强调的，当AI能像Kandinsky那样“看”见倒置画作中的美学革命，或是像Thayer那样从颜料实验中“悟”出科学原理时，才是真正创造性AI诞生的黎明。