《Current Opinion in Behavioral Sciences》：From individual gains to collective risks in human–AI co-creativity
编辑推荐：
人类与人工智能（AI）的共同创造力已成为行为科学的一个主要议题，因为生成式AI系统越来越多地作为协作伙伴参与写作、设计和构思。尽管早期研究表明AI可以提升短期创造性表现，但这些收益并未完全反映共同创造力如何改变人类创造力的发展及其更广泛的社会后果。我们围绕个人层面的收益与群体层面
人类与人工智能（AI）的共同创造力已成为行为科学的一个主要议题，因为生成式AI系统越来越多地作为协作伙伴参与写作、设计和构思。尽管早期研究表明AI可以提升短期创造性表现，但这些收益并未完全反映共同创造力如何改变人类创造力的发展及其更广泛的社会后果。我们围绕个人层面的收益与群体层面的风险之间的张力来组织近期证据。在个人层面，AI可以提升短期创造性表现，同时将认知需求转向评估，改变创造性自我信念，并可能减少对长期发展至关重要的投入性参与。在群体层面，对AI系统的广泛依赖可能缩小观念多样性并改变评估标准，即用于判断什么才算原创和有价值的准则。我们认为，人类与AI的共同创造力不仅应通过其对创造性表现的影响来评估，还应考虑其对人类能动性、自我信念、发展和集体观念多样性的影响。
引言
人类与人工智能（AI）的共同创造力，即人类和AI共同参与创造性工作，已迅速成为行为科学的主流议题。生成式AI现在常被用作创造性构思和评估的协作伙伴[1]。关于共同创造力的早期研究表明，大型语言模型（LLMs）可以在质量和流畅性上支持创造性表现2••、3。由于创造力和创新驱动经济生产力、文化活力以及解决新问题的能力4、5，这些系统的作用远不止于个体用户。此外，群体中流通的观念多样性在功能上是探索性变异所必需的，这种变异推动艺术和科学中的突破性思维[6]。
因此，我们围绕个人层面与群体层面效应之间的张力来组织近期工作。在个人层面，LLMs通常能提升创造性工作的便捷性、速度和质量。然而，在群体层面，这些相同的系统可能产生同质化输出[2]，改变作者身份感知[7]，并转移评估标准[8]。共同创造过程将两者联系起来，因为个体用户在与AI合作时所做的选择会汇聚成集体结果。这种组织方式遵循经典的创造力4P模型——人、过程、产品、和压力（社会情境）[9]。人类与AI的共同创造力使每个维度都变得复杂，因为AI可以影响创造者的能力和自我信念，改变过程，塑造产品，并转移评估创造力的规范。此外，虽然LLMs使观念生成更便宜，但它们增加了人类评估和指导的重要性，因为用户必须判断模型生成的观念是否真正新颖、与领域相关且值得追求。这种转变有助于解释为什么生成式AI可以同时提升个体表现，同时产生与过度依赖、所有权削弱和集体同质化相关的风险。我们涵盖跨模态的生成系统，尽管实验文献仍以文本为主，我们也会指出证据来自图像、视频或音频生成的地方。图1展示了本综述的组织框架。
章节片段
个人层面的收益与限制
个人层面收益的大多数证据来自小c创造力——简短的构思和写作任务——而非专业或卓越创造性工作中的Pro-c或大C创造力[10]。
小c创造力的研究涉及短时间跨度、外部提供的问题，并且没有累积的先前工作。此外，Pro-c创造者具有领域特定的专业知识和知识，这可能改变他们与AI互动的方式。因此，这些任务和群体限制了文献所能提供的
共同创造过程
个人层面的收益是一致的，但其重要性取决于协作如何展开。经典的创造性过程模型区分问题框架、观念生成、评估和选择。AI可能作为头脑风暴伙伴、编辑、评估者、风格模型或人类生成的替代者进入任何阶段。这些不同角色可以产生相似的产品，同时对能动性、所有权和发展具有不同的影响。因此，核心的过程层面
群体层面的后果
鉴于观念多样性对经济、科学和文化进步具有功能价值5、6、15，关键问题不是AI是否在某一时刻帮助某个人，而是对类似系统的广泛依赖是否改变社区、机构和创造性领域中观念的多样性和分布。
对共同创造力研究和实践的意义
个人层面的收益和群体层面的风险反映了在不同尺度上观察到的相同共同创造行为。虽然接受一个流畅、高质量的模型建议在个体层面是合理的，但当许多人在大规模上这样做时，它会产生趋同。因此，仅凭个人层面的证据无法确定共同创造力是否有利，而群体层面的成本不太可能由用户出于自身利益来纠正。
群体层面成本的程度取决于
结论
生成式AI可以提升个体创造性表现，尽管这些收益并不自动转化为更强的人类创造力发展或群体层面更大的观念多样性。一个重要优先事项是将共同创造结果视为多维度的，并且不要将产品质量视为人类利益的替代品，因为更好的输出并不意味着更强的人类贡献、更准确的评估或长期发展。未来工作应考察这些
利益冲突声明
作者声明对本文章的研究、作者身份和/或出版没有竞争利益。
致谢
R.E.B. 由亚马逊和国家科学基金会资助，资助号为 DRL-2400782 和 DUE-2155070。P.V.D. 由国家科学基金会资助，资助号为 DGE-NRT-2125865。
Paul V DiStefano|Roger E Beaty
宾夕法尼亚州立大学，美国
