Can AI Be as Creative as Humans?

要約

創造性は社会の進歩と革新の基礎となります。
かつては人間の創造性のために取られていたタスクを実行できる高度な生成 AI モデルの台頭により、AI の責任ある開発と応用のためには、AI の創造的可能性の研究が不可欠になっています。
この論文では、AI は創造的になることができるかどうかという質問に対する理論的な答えを提供します。
私たちは、AI が人間の作成者によって生成された既存のデータに適合できるという条件下では、AI が人間と同じくらい創造的であることを理論的に証明します。
したがって、AI の創造性に関する議論は、AI が大量のデータを適合させる能力の問題に帰着します。
この結論に達するために、この論文ではまず、相対的創造性と呼ばれる新しい概念を導入することによって、創造性を定義する際の複雑さに対処します。
創造性を普遍的に定義しようとするのではなく、AI が仮想の人間の創造的能力に匹敵するかどうかに焦点を移します。
この視点はチューリング テストからインスピレーションを得て、それを拡張して創造性の評価に固有の課題と主観性に対処します。
この方法論の変化は、AI の創造性を統計的に定量化できる評価につながり、これを統計的創造性と呼んでいます。
この概念により、AI の創造的能力と特定の人間グループの創造的能力の比較が可能になり、AI の創造的可能性の理論的発見が容易になります。
この基盤に基づいて、プロンプト条件付き自己回帰モデルにおける統計的創造性の適用について説明し、大規模言語モデル (LLM) などの現代の AI モデルの創造的能力を評価するための実用的な手段を提供します。
創造性の定義と分析に加えて、創造性の理論的な定量化と実践的なモデル トレーニングの間のギャップを効果的に埋める、実用的なトレーニング ガイドラインを導入します。

要約(オリジナル)

Creativity serves as a cornerstone for societal progress and innovation. 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. In this paper, we provide a theoretical answer to the question of whether AI can be creative. We prove in theory that AI can be as creative as humans under the condition that AI can fit the existing data generated by human creators. Therefore, the debate on AI’s creativity is reduced into the question of its ability of fitting a massive amount of data. To arrive at this conclusion, this paper first addresses the complexities in defining 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 assessing creativity. This methodological shift leads to a statistically quantifiable assessment of AI’s creativity, which we term Statistical Creativity. This concept allows for comparisons of AI’s creative abilities with those of specific human groups, and facilitates the theoretical findings of AI’s creative potential. Building on this foundation, we discuss the application of statistical creativity in prompt-conditioned autoregressive models, providing a practical means for evaluating creative abilities of contemporary AI models, such as Large Language Models (LLMs). In addition to defining and analyzing creativity, we introduce an actionable training guideline, effectively bridging the gap between theoretical quantification of creativity and practical model training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google