“失败是培养创造性技能必须经历的东西，但我们总想绕过它。不幸的是，我们正在移除这唯一的途径。”—— Mike Cook，伦敦国王学院

从“一键生成”到“共同创造”

当Midjourney、DALL-E和Stable Diffusion等文本生成图像模型出现时，它们引发了创造力的爆发。数百万人现在可以通过点击按钮，以任何风格创作出令人惊叹的图像。文本生成视频模型随后跟进，而Udio等初创公司也在开发类似的音乐创作工具。

然而，对于许多研究人员和艺术家来说，这些工具的热潮扭曲了创造力的真正含义。“如果我让AI为我创造一些东西，那并不是我在发挥创造力，”陶森大学的Jeba Rezwana说，“这是一种单次互动：你点击它，它生成一些东西，就这样了。你不能说‘我喜欢这部分，但也许改一下这里’。”此外，最新版本的某些生成工具甚至默认不会按照你提交的提示词生成图像——软件会在提示词发送给模型之前进行编辑，通常添加几十个隐藏词汇，以使生成的图像看起来更精致。

正如电影制作人Walter Woodman在其艺术团体Shy Kids首次使用OpenAI的文本生成视频模型制作短片后所说：“Sora就像一台老虎机。”

被忽视的风险：对创造力的潜在损害

对于伦敦国王学院的计算创造力研究员Mike Cook来说，长期依赖这类工具实际上可能损害人们的创造力发展。他在去年发表的一篇论文中写道：“尽管许多创意AI系统被宣传为让创造力更容易获得，”但它们反而可能“在限制用户创新、构思和创造能力方面产生不利影响。”

微软研究院剑桥团队二月份发布的一份报告也得出了类似结论：生成式AI工具“可能会抑制对工作的批判性参与，并可能导致长期过度依赖工具以及独立解决问题能力的下降”。Cook担心，生成式工具不让人失败——而失败恰恰是学习新技能的关键部分。我们习惯说艺术家有天赋，但事实上，艺术家是通过反复练习来发展技能的。“失败是痛苦的，我们总想绕过它。但不幸的是，我们正在移除培养创造性技能必须经历的唯一途径，”Cook说。

另一种路径：注入摩擦、挑战和意外

并非全是坏消息。艺术家和研究者正在探索如何利用生成式工具赋能创造者——引导他们走向令人惊讶的新方向，帮助他们避开死胡同。Cook认为，AI的真正前景将是帮助我们更好地做我们想做的事，而不是替我们做。

Lizzie Wilson是一位“即兴编程”表演者，她建立了一个“即兴编程代理”——一个能自己产生节拍和循环的生成式AI模型。这个模型根据更广泛的即兴编程社区共享的公共代码进行训练，其代码片段更接近他人的风格而非Wilson自己的，这使得它更可能产生意想不到的东西。“不是因为你不能自己做出它，”Wilson说，“而是因为人脑的工作方式让你倾向于重复旧的想法。”

在评估这些互动时，参与研究的音乐家们都表示，他们喜欢模型提出令人惊讶的建议，即使这些建议是故障或错误的结果。但也有人难以放弃控制权——很难让模型产生特定的结果或重复他们喜欢的结果。“在某种程度上，这和在乐队里是一样的，”研究员Nick Bryan-Kinns说，“你需要有一种冒险感和惊喜感，但你又不想让它完全随机。”

Cook通过共同开发游戏的方式获得意外的见解。他的工具Puck和Pixie可以读取游戏的计算机代码，并调整某些行以提出替代设计。当他要求Pixie为Disc Room游戏设计一个让熟练和不熟练玩家都觉得同样困难的关卡时，Pixie设计了一个所有圆盘都不移动的房间。“它基本上把房间变成了一个雷区，”Cook笑道，“但我之前从没想过这一点。”

挑战偏见与增强反思

代尔夫特理工大学的研究员Anne Arzberger开发了两个实验性AI工具，帮助设计师发现设计中的隐藏偏见。她和同事训练了一个机器学习模型来识别玩具设计的性别——从男性化到女性化到中性。她发现，即使她尝试设计中性的玩具，仍有相当多的设计被模型判定为女性化。她感觉到自己对世界的看法——她自己的隐藏偏见——正在被暴露出来。“我们可以真正学到一些东西，”她说。

对于Bryan-Kinns来说，问题在于“商业化生成工具产生超高质量的输出，但你对它们的控制非常有限——而另一端，你可以完全控制它们做什么，但使用门槛很高，你需要是一个喜欢窥探计算机内部的人。”找到惊喜和控制之间的适当平衡是困难的，但值得追求。

关键在于，AI增强创造力的未来不是一键生成瞬间满足的工具，而是能够反馈、反驳、建议、制造意外、甚至“故意作对”的创造性伙伴。正如即兴编程表演者Wilson所述，AI有时会“搞砸”，但那是创作过程的一部分。“如果有一个在表演中完全对抗你的东西，你几乎要和它争论起来——那会很有趣，至少会很好看。”

关键术语表

——本文基于 MIT Technology Review 专题报道编译，呈现人机协同创造力的前沿探索与思辨，不代表编译者立场