Can AI Be as Creative as Humans?

要約

創造性は、社会の進歩やイノベーションの礎石として機能するが、その評価は依然として複雑で、しばしば主観的な試みである。かつては人間の創造性に委ねられていたタスクをこなす高度な生成AIモデルの台頭により、AIの創造的可能性の研究は、その責任ある発展と応用にとって不可欠なものとなっている。本稿では、相対的創造性と呼ばれる新しい概念を導入することで、創造性の定義と評価における複雑さに対処する。創造性を普遍的に定義しようとするのではなく、AIが仮想的な人間の創造的能力に匹敵できるかどうかに焦点を移す。この視点はチューリング・テストから着想を得ており、創造性を評価する際に内在する課題や主観性に対処するためにチューリング・テストを発展させたものである。この方法論の転換により、統計的に定量化可能なAIの創造性の評価が容易になり、私たちはこれを統計的創造性と呼んでいる。このアプローチにより、AIの創造的能力を特定の人間集団のそれと直接比較することが可能になる。この基礎の上に立って、現代の即応条件付き自己回帰モデルにおける統計的創造性の応用について議論する。創造性の尺度の定義と分析に加えて、実用的なトレーニングガイドラインを紹介し、創造性の理論的定量化と実用的なモデルトレーニングのギャップを効果的に埋める。これらの多面的な貢献を通じて、本論文は、AIモデルにおける統計的創造性を評価し、育成するための、まとまりのある、継続的に進化する、変革的な枠組みを確立する。

要約(オリジナル)

Creativity serves as a cornerstone for societal progress and innovation, but its assessment remains a complex and often subjective endeavor. With the rise of advanced generative AI models capable of tasks once reserved for human creativity, the study of AI’s creative potential becomes imperative for its responsible development and application. This paper addresses the complexities in defining and evaluating creativity by introducing a new concept called Relative Creativity. Instead of trying to define creativity universally, we shift the focus to whether AI can match the creative abilities of a hypothetical human. This perspective draws inspiration from the Turing Test, expanding upon it to address the challenges and subjectivities inherent in evaluating creativity. This methodological shift facilitates a statistically quantifiable evaluation of AI’s creativity, which we term Statistical Creativity. This approach allows for direct comparisons of AI’s creative abilities with those of specific human groups. Building on this foundation, we discuss the application of statistical creativity in contemporary prompt-conditioned autoregressive models. In addition to defining and analyzing a measure of creativity, we introduce an actionable training guideline, effectively bridging the gap between theoretical quantification of creativity and practical model training. Through these multifaceted contributions, the paper establishes a cohesive, continuously evolving, and transformative framework for assessing and fostering statistical creativity in AI models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL