摘 要：计算创造力致力于让人工智能表现出创造力。好的老式人工智能的技术属性决定了它们无法超越“洛夫莱斯反驳”，不可能有真正的创造力。目前的生成式人工智能可以通过宽泛意义上的“深度洛夫莱斯反驳”，有可能具有组合型和探索型创造力，但它们无法超越严格意义上的“深度洛夫莱斯反驳”，不可能有转换型创造力。要使人工智能具备转换型创造力，不但需要赋予其反事实推理能力，以实现概念空间的转换，更需使其具备生成经验关系的结构性机制，从而在内在调节与价值生成中获得自主创造的动力。
关键词：生成式人工智能；创造力；深度洛夫莱斯反驳；现象意识
创造力（creativity）通常被理解为一种生成既新颖又契合特定情境的观念或解决方案的能力。它不仅是推动个人成长与社会进步的根本力量，也是人类自我理解中最具象征性的特质之一。即便在人工智能蓬勃发展的今天，创造力也被认为是人类仍然占据优势的为数不多的领域之一。那些旨在“创造”的人工智能系统，例如能够编写故事的互动程序TALE-SPIN，通常被认为只是在执行编程规则的演算，其“创作”缺乏真正的生成性。即使当代生成式模型如ChatGPT已能生成人类水准的文本，不少人依旧坚持认为，它们并未拥有真正意义上的创造力。（cf.Runco，p.1）在很多人的理解中，真正的创造力是人类独有的特权。
问题在于，当人工智能系统在那些最能体现创造力的领域（如艺术创作）中表现得堪比甚至超越人类时，我们又凭什么断言它们并无创造力？事实上，OpenAI公司是这样介绍其新产品的：“GPT-4比以往任何版本更具创造性和协作性。”这不仅是一句市场宣传语，更反映出一种正在崛起的思想趋势：当代生成式人工智能（generative AI，GAI）或许已在某种意义上参与了创造性活动。（cf.Haase and Hanel，p.6）于是，一个哲学上更根本的问题浮现出来：当“生成”与“创造”之间的界线日渐模糊，我们究竟是在见证机器模仿人类的思维，还是在重新定义“创造”这一概念本身？更具体地，GAI是否已经具备某种形式的创造力？它是否可以具备人类水平的创造力？这些问题不仅牵涉人类水平人工智能的可能性，更关系到人类自身在智能谱系中的地位，可谓大本大宗。
一、计算创造力：从GOFAI到GAI
计算机能否具备创造力，这个问题几乎与计算机科学自身的历史一样悠久。早在1842年，人类历史上的第一个程序员洛夫莱斯女士（Lady Lovelace）就已敏锐地意识到，分析机（即现代计算机的雏形）不仅能够进行数值计算，甚至原则上可以“创作任何复杂程度或规模的音乐作品”。但她同时认为，分析机“不能自诩创造任何东西，因为它能做的，仅是我们已经知道如何命令它执行的操作”（Menabrea and Lovelace，p.696）。
人工智能之父阿兰·图灵（Alan Turing）注意到了这一点，并将之称为“洛夫莱斯反驳”。他指出，如果这一反驳成立，那么不仅创造力无从谈起，智能本身也将成为空中楼阁。（cf.Turing，p.450）图灵的回应既别开生面又富有远见，他认为该反驳忽视了“学习机”（learning machine）的潜在可能。学习机，按照图灵的构想，是一种能够以类似于人类的学习方式借助经验不断提升表现的机器。（ibid.，pp.456-458）分析机本质上是一种通用机。[页下注：通用机指的是一种能够执行任意计算任务的机器。这一概念最早由图灵提出。图灵论证了，他所描述的图灵机模型可被编程来模拟任何其他计算设备的行为，因而是通用机。现代计算机属于通用机。]，理论上只要具备足够的存储与运算能力，并经由适当编程，就可以用来模拟学习机。而学习机在经历训练之后，有可能生成超出其初始程序设定范围的输出，从而表现出某种形式的创造性。图灵的这一设想不仅为人工智能的理论建构提供了先导性框架，也为当代机器学习的发展开辟了可能性空间。
受图灵的影响，早期的人工智能不仅热衷于诸如下棋等典型的智力游戏，而且还致力于赋予计算机某种程度的创造性表现能力。这直接促成了计算机科学中一个独立研究方向的形成，即“计算创造力”或“人工创造力”。通常的做法是，人类程序员为计算机编写程序，并提供输入数据；计算机则根据程序逻辑处理输入，从而生成某种意义上“新颖”的输出。这种依赖显式编程规则对形式化符号表征进行操作的系统，被称为“好的老式人工智能”（GOFAI）。（cf.Haugeland，p.2）
GOFAI的代表性系统之一是约瑟夫·维岑鲍姆（Joseph Weizenbaum）于20世纪60年代开发的聊天程序伊莉莎（Eliza）。该程序在麻省理工学院人工智能实验室被用于心理治疗访谈，以其“对话能力”一度引发轰动。实际上，伊莉莎的工作机制极为简单：它在模仿罗杰斯式（Rogerian）治疗师脚本的基础上，依靠模式匹配与关键词替换生成回应，从而营造出似乎理解人类情感的假象。由于伊莉莎的所有输出都由显式规则与输入数据决定，所以它完全受制于“洛夫莱斯反驳”。换言之，伊莉莎的“创造力”只是算法的投影，而非思想的生成。
计算创造力的重要进展出现在20世纪70年代。詹姆斯·米汉（James Meehan）开发的TALE-SPIN系统以“理解问题-解决问题”的推理框架生成叙事，其虚构角色能在特定情境中依据目标与知识作出决策，生成动态而偶尔出人意料的情节。作为GOFAI范式的代表，TALE-SPIN虽仍依赖显式规则与逻辑结构，但已能依据输入变量生成差异化内容，初步显露结构性生成的能力。它在叙事生成领域具有方法论意义，虽未克服“洛夫莱斯反驳”，却激发了计算创造力的潜力。
尽管人工智能的发展屡被宣称为突破，其真正进入规模化应用的转折点出现在2012年。那一年，AlexNet在ImageNet挑战赛中凭借深度神经网络的卓越表现，宣告了深度学习时代的来临。与依赖显式规则的GOFAI不同，机器学习通过从数据中自动提取模式优化模型，无需人类预设。进入深度学习阶段后，AI系统能够自主识别结构与高维关联，表现出某种自组织特征。正如珀尔（cf.Pearl，2019，p.13）所言，当神经网络面对海量数据时，会形成“自身的动力学”，实现自我修复与优化，以至于“我们知道它们表现良好，但不知道为什么”。这种“黑箱”特性固然引发了可解释性危机，却也意味着：越难以被人理解的系统，越可能摆脱人类指令的约束，从而更接近创造的边界。
得益于深度学习的迅猛发展，人工智能系统近年来展现出日益增强的创造性倾向。2018年，美国歌手塔莱恩·索顿（Taryn Southern）发行专辑《我是AI（I AM AI）》，其音乐作品被广泛宣传为由机器创作并深度参与制作。同年，一幅由生成对抗网络（GAN）生成的肖像画《埃德蒙·贝拉米》（Edmond Belamy）在纽约佳士得拍卖行以4325万美元成交，成为首件由人工智能创作并成功拍卖的艺术品。画作右下角印有生成该图像的算法公式，象征其作为“人工创作”的本体论意义。更近的例子是2022年由AI程序Midjourney生成的《空间歌剧院》在艺术比赛中获得一等奖，引发了关于人工智能创作的广泛争议。
近年来，GAI的迅猛发展将人工创造力推向接近人类水平的边界。借助大数据训练出的基础模型，GAI通过生成对抗网络（GAN）、变分自编码器（VAE）和具备长程依赖建模能力的转换器（Transformer），实现复杂数据序列的高效生成。当前流行的大规模语言模型，如GPT系列、BERT等，已广泛用于文本生成、翻译、代码编写及图像、音乐、视频等多模态内容创作。研究表明，AI生成的营销图像在质量与审美上可超越人类，最佳合成图像的创造力评分显著领先，广告点击率甚至高出人类制作图像达50%。（cf. Hartmann et al.）在此背景下，有评论者发出警示：“艺术家要小心……AI比95%的人类更具创造力。”（Plain）这一趋势激起了人们对人类创造力地位的忧虑，也重新点燃了关于AI是否真正具备创造力的哲学辩论。
总的来看，当代GAI的生成过程通常以提示为起点，其输出已远超初始指令与训练数据的表层结构，展现出显著的生成性与不可预测性。经过深度学习训练，这类模型不再依赖显式规则，而能在高维空间中自主建构模式、生成新内容。由此，GAI已在一定程度上超越“洛夫莱斯反驳”：其产出不再是程序执行的机械延伸，而在多个领域呈现了超出人类预期的创造倾向。若说伊莉莎与TALE-SPIN的“创造”仅是模拟，那么以同样的理由否认GAI的创造力，已难以令人信服。这正引出了本文的核心问题：GAI具有创造力吗？
二、创造力：过程与特征
要回答GAI是否真正具备创造力，首先需要弄清楚“创造力”这一概念本身的含义。从哲学史看，创造力的概念本身蕴含着自由与必然的张力。柏拉图将其视为神意的显现，康德则首次将其理解为理性自身的生成力量——天才“给予规则”，而非遵循规则。黑格尔进一步揭示，创造性乃精神自我实现的方式，艺术作品因此成为自由的客观化。尼采则将创造推向存在论层面，把艺术理解为生命意志的自我肯定。（cf.Gaut，2003，pp.149-156）由此，创造力不再是经验属性，而是涉及主体存在方式的哲学论题。
随着心理科学的发展，创造力逐渐被视为一种普遍存在、可经验研究的认知与人格能力，而不再是艺术领域“天才”的特权。在早期理论中，格拉海姆·瓦拉斯（Graham Wallas）提出的“四阶段模型”具有奠基性意义，至今仍具影响。受亨利·庞加勒（Henri Poincaré）关于创造过程论述的启发——即无意识中观念的生成与审美直觉的筛选——瓦拉斯提出“准备—孵化—启示—验证”四阶段模型：前两阶段分别对应问题准备与潜在生成，后两阶段体现创造力的显现与理性评估。（cf.Wallas，pp.81-83）该模型揭示了创造的心理结构，但也因过于理想化而受到批评：现实中的创造过程往往动态交织，难以呈现明确的阶段划分。
相比早期的阶段性模型，罗纳德·芬克（Ronald Finke）等人提出的“生成-探索模型”在认知层面提供了更具操作性的解释路径。该模型将创造过程划分为两个主要阶段：生成与探索。前者指个体通过发散思维产生新观念和心理表征的过程，涉及综合、类比与转换等机制；后者则依赖收敛思维，对生成内容进行评估、修改与扩展，强调可行性与内在一致性。（cf.Finke et al.，pp.17-22）该模型的核心贡献在于揭示创造并非线性活动，而是生成与探索之间持续循环的动态系统。高度创造性的个体或团队往往能在两种思维模式间灵活切换，从而实现观念的不断创新与优化。
四阶段模型与生成-探索模型都试图揭示创造力所涉及的认知机制、心理策略与心理历程，因而可归为“过程进路”。与之相对的“产品进路”则主张通过创造结果的特征来衡量创造力的存在与程度。该进路在创造力研究中影响深远。一个被广泛接受的定义认为，创造力是一种产生既具原创性（originality）又具价值（value）的产物的能力。（cf. Gaut，2010，p.1039）其中，“原创性”可细分为新颖性（novelty）与独特性（uniqueness）两个核心维度：新颖性意味着产物在观念、方法或形式上具有差异性，提供不同以往的视角或解决方案；独特性则要求产物在所属领域中具备辨识度与不可替代性，呈现出独到的内容或表达方式。两者结合表明，创造性产物不应是对既有事物的重复或微调，而应在既有范式中实现实质性变异与突破。
然而，并非所有新颖而独特的观念或产物都配得上“创造力”的称号。一些低质量的作品或荒诞的设想虽然具备新颖性和独特性，却因缺乏实质性意义或正面影响而不被视为真正的创造性产出。因此，大多数定义都认为：真正称得上具有创造力的产物，除了新颖与独特之外，还必须具有某种价值。这里所说的价值是多维度的，既可以体现为实用价值（如解决现实问题的有效性），也可以是审美价值（如形式美感与情感唤起），还可以包括智力贡献、文化意义，或知识体系中的创新潜力。
但也有人认为，“新颖＋价值”的双要素定义仍不足以全面刻画创造力的本质。马加莱特·博登（Margaret Boden）主张，应将“惊讶”（surprise）纳入第三个关键维度。她指出，可预测的新颖内容虽可能具有实际价值，却未必构成真正的创造性突破；相比之下，具有出人意料之效的构想往往更具冲击力。（cf. Boden，p.1）“惊讶”意味着某个观念或产物挑战了既有规范、预期或知识结构，从而促使我们重新审视可能性的边界。它通常伴随显著的情绪体验，如好奇、震惊或兴奋，表明我们所接触的内容已超越原有的认知框架，甚至可能改变我们对问题空间的理解。当然，惊讶本身并不必然等同于创造力。例如，魔术师从帽子里变出兔子的表演虽能引发惊奇，但作为重复性技法，缺乏真正的新意。因此，惊讶虽非创造力的充分条件，却是衡量创造深度的重要维度——它揭示了创造如何在颠覆预期的同时，生成新的意义与价值。
有理由认为，仅依赖过程进路或产品进路都不足以全面把握创造力。正如斯蒂文·史密斯（Steven Smith）所指出的，创造力既依赖认知过程，也离不开环境、文化与个体能力等要素。（cf.Smith et al.，p.1）文化不仅提供表达创意的语言与符号，还规定了“新颖”和“价值”的判断标准。个体的创新活动总是在特定的社会与文化规范中展开，并以此生成符合这些规范的新产物。
梅尔·罗兹（Mel Rhodes）提出的“4P理论”构建了一个更为系统化的分析框架，强调创造力是内在与外在因素交互作用的产物。根据该理论，创造力包含四个维度：人（Person）、过程（Process）、压力（Press）与产品（Product）。（cf.Jordanous，p.195）其中，过程维度可用生成-探索模型来刻画，产品维度则可由博登提出的“新颖-价值-惊讶”三要素理论来说明。“人”主要包括以下三个方面：（1）与创造性个体相关的个性特征，如开放性、好奇心、独立性与冒险精神；（2）认知能力，如发散与收敛思维，以及在看似无关概念间建立联系的能力；（3）内在动机，即个体出于自身兴趣而投身于某项活动。“压力”则指影响创造活动的外部环境因素，如物理空间、社交关系与文化氛围。有创造力的个体若处于支持性环境中，更能激发潜力、深化参与并推动持续创新。4P理论以其多维视角，为分析创造力的生成机制与发展条件提供了一个层次分明、动态开放的理论框架。
需要说明的是，创造力是一种高度复杂的心理与社会现象，对其理解是多层次、多维度的。除了以上三种进路，还有若干具有重要启发性的理论框架。例如，米哈里·契克森特米哈伊（Mihaly Csikszentmihalyi）提出的系统理论将创造力作为个人、领域与社会之间动态交互的产物；而从莱夫·维果茨基（Lev Vygotsky）思想中发展出来的社会建构论则强调文化与社会历史条件对创造性认知的形成起到决定性作用。
未来的研究或许需要进一步整合不同的理论视角。然而，就探讨GAI是否具备创造力而言，4P理论已提供了较为充分而均衡的理论支撑。该模型通过同时关注内在因素（人和过程）与外在因素（情境和产品），构建出一种双重取向的框架，用以揭示个体能力与环境条件之间的互动机制。相比单一维度的模型，4P理论具有更高的解释力，能够系统阐明创造力如何在行动者与生态环境的交互中生成与实现。正因为其结构上的整合性与维度上的包容性，4P理论展现出高度的适应性，既可涵盖个体层面的艺术直觉，也能解释团队层面的科学发现。由此，4P理论的系统性与通用性使其成为探讨GAI创造力问题的一个理论上恰当、方法上可操作的分析框架。
三、GAI的创造力：进度与限度
现在，我们可以进入GAI是否具有创造力的讨论。不妨让我们从4P理论中最具可操作性的“过程”维度着手。该维度关注创造活动的生成机制，与“生成-探索模型”所揭示的认知结构高度契合。我们的问题是，若以此模型为参照，GAI是否能够被视为一种创造性系统？分析表明，答案是肯定的。理由如下：
GAI通过深度学习识别海量数据中的模式与结构，并基于所得表征生成新颖输出，这一过程对应生成-探索模型中的“生成阶段”，即构建观念与可能性的初步集合。随后，GAI可进入“探索阶段”，对生成内容进行评估、调整与优化，以提升质量与适用性。在早期模式中，这一过程主要依赖用户交互——用户通过反馈和提示引导系统修改输出，因而常被批评为“非自主”。近年来，技术进展已显著改变这一局面：GAI开始具备“自我优化”（self-refinement）能力，能够在无需额外训练或监督数据的条件下，由同一模型完成生成、反馈与修正三个功能。正如阿曼·马丹（Aman Madaan）等人所指出，自我优化显著提升了内容的可行性、连贯性与语境适配性。（cf.Madaan et al.，p.4）这一机制恰与生成-探索模型中的“探索阶段”相符，表明GAI不仅能生成观念，也能在内部机制中对其进行自主评估与改进。
再看产品维度。产品的价值是判断其是否具有创造性的核心标准之一，而在这一点上，GAI已展现出不可忽视的能力。以ChatGPT为代表的系统，其生成内容在诸多领域得到广泛应用：在写作中，它能协助构思与润色文本；在教育中，可用于答疑解惑、个性化教学与自动反馈；在程序开发中，能够生成、优化并调试代码；在商业与营销领域，则被用于创意构思、图像生成与用户反馈分析。这些应用在多种场景下显著提升了内容的质量与针对性，表明GAI的产出已具备实质性的实用价值。
产品的新颖性问题相对复杂。GAI的输出内容皆由其自身生成，这为新颖性提供了广阔的可能空间。事实上，模型的随机性以及输入提示的多样性，往往会带来出乎意料的结果。然而，这种新颖性是有限的。即使面对简单的提示——如“我刚刚吃了早饭”——GAI也倾向于以统计上最可能的词元（token）进行补全，如“你吃了什么早餐？”归根结底，内容生成本质上是概率驱动的过程，这决定了其输出与训练数据之间的差异通常较小。（cf.Franceschelli and Musolesi，p.6）
因此，表面看来，GAI似乎已经突破了创造的界限，能够在既有信息的基础上生成形式上新颖的内容。然而，如果这种生成仅是对数据模式的概率性重组，其活动范围仍受限于初始代码与训练数据所规定的可能空间，那么就难言真正超越“洛夫莱斯反驳”。这种更为根本的质疑可称为“深度洛夫莱斯反驳”。之所以冠以“深度”一词，是因为它关注的并非生成结果的惊奇程度，而是创造性的来源——这些输出在何种意义上可归属于GAI自身，而非人类程序与算法结构的延伸？换句话说，GAI是否真正具备创作的自由，抑或仍囿于人类程序与算法结构设定的“必然王国”？
有趣的是，图灵早在1950年就预见了这一问题。在讨论“学习机”时，他指出：一些人可能会认为“机器能够学习”这一设想自相矛盾。理由是，如果机器的操作规则是固定的，那么无论其学习经历如何，它的下一步行为都应由这些规则所决定。图灵认为这种矛盾只是表面的。机器确实有一套时间不变的基本规则，但其行为模式可以在学习过程中通过一些较低层级、较短期有效的规则加以调整——他称之为不那么“高调”（pretentious）的规则。（cf.Turing，p458）图灵进一步以“宪法”作类比：宪法本身提供了一个稳定框架，但允许通过修正案因应环境变化。同理，学习机的核心算法和结构保持不变，但其具体参数、适应性规则（如梯度下降）、临时启发式策略则会随着训练过程而调整。这也正是今日深度学习模型（包括GAI）运行的方式。因此，既然学习过程中确实存在规则的演化与参数的自我调节，那么，我们就不能简单地将所有内容的生成视为编码者的预设产物。
我们也可以借助哲学与心理学中“先天与后天”（nature vs.nurture）之争来理解“深度洛夫莱斯反驳”。先天论认为，生物学与遗传因素是决定个体特性的根本原因；后天论则强调，行为主要由学习与经验塑造。今日较为普遍的观点是，人类行为源于先天与后天因素的交互作用。人类自身即是范例：我们可以被理解为执行遗传“代码”的有机体，DNA由父母提供，然而我们并不因此只是父母创造力的延伸。我们的独特性正是在与环境互动中逐步形成的。同样地，尽管GAI的核心算法源于人类编码者，但通过机器学习，它能在与外部数据的持续互动中修改参数、更新路径，进而生成具有差异性的结果。
艺术家程一安（Ian Cheng）2018年在伦敦展出的装置作品便形象地诠释了这一点。他使用相同的代码创建了六个人工生命体（均名为BOB），并将它们置于与观众持续互动的开放环境中。几个月后，这六个BOB因互动经历的差异而演化为性格迥异的存在。（cf.Du Sautoy，p.41）这个例子说明，即使在初始代码一致的前提下，人工智能体仍可能通过学习过程走向各自独特的发展轨迹，从而在经验维度上超越代码设定的限制。
结合博登对“惊讶”现象的分析，可以更清楚地揭示“深度洛夫莱斯反驳”的理论张力。博登将惊讶区分为三种类型，并据此提出相应的创造力类型。第一类是统计违背型惊讶，即对极不可能事件的发生感到意外，对应组合型创造力（combinational creativity）。它通过将熟悉元素以非寻常方式组合产生新观念，例如将兔眼、鹿角、虎掌与鱼鳞拼合成“龙”。此类创造虽显奇特，却仍遵循既有概念的组合规则。第二类是认知洞察型惊讶，即意识到某一新观念已隐含于既有思维中，对应探索型创造力（exploratory creativity）。例如，门捷列夫通过分析元素周期表结构预测了未知元素的位置。这类创造虽未超越原有框架，却揭示了其潜在的结构空白。第三类是范式颠覆型惊讶，即面对看似不可能的观念所引发的深层震撼，对应转换型创造力（transformational creativity）。（cf.Boden，pp.2-6）它通过重构概念空间的基本维度实现真正的突破，如非欧几何与相对论对时空观念的重塑。
GOFAI的一些早期系统（如伊莉莎）也曾激发惊讶反应，但这种惊讶往往源于低预期与技术初见效应的错位，属于博登所说的第一类“统计违背型惊讶”。由于伊莉莎的输出完全由显性规则驱动，不具备实质意义上的组合能力，因此缺乏真正的组合型创造力。相比之下，当代GAI能够通过深度学习获取多维表征，并将异质元素重组为全新形式，从而实现组合型创造力。例如，它可将自然语言、图像风格与音乐结构跨模态整合，生成在形式与内容上均独特的创意产物。
有理由认为，GAI已具备探索型创造力。这体现在其可以对概念空间进行深度采样，在特征维度上挖掘出人类不易察觉的潜在组合。证据显示，GAI能识别出在语义或视觉风格维度上“偏离中心”的边缘构型，并加以重组，生成具有审美吸引力的新颖产物。例如，Artbreeder等平台通过GAN的交叉生成策略，实现了带有“火烈鸟感”或“混沌感”的图像风格创新；在工业设计中，结合VAE和GAN的多模型系统已能够生成超出训练数据的汽车或家具设计，并获得高审美评分。（cf.Burnap et al.，p.1044）正如前文提到的AI艺术作品所展现的那样，GAI不仅能组合旧有元素，还能“探出”新的风格语汇与构型路径，这超出了简单重组的能力范畴。
那么，GAI是否具备转换型创造力？笔者认为，以当前主流机器学习技术为基础的GAI尚难达到这一层次。尽管GPT-4等先进模型依托“转换器”架构实现了高度灵活的生成，但其核心机制——自注意力机制——本质上仍是在既有概念空间中识别并重组结构关系。模型通过计算词项间的相关性建模长程依赖，并在解码阶段按概率逐步预测下一个词；多头注意力机制则在不同子空间中提取并整合特征，以增强生成的多样性。然而无论是自注意力还是多头结构，其运作方式皆局限于在既定语义空间内的重组与再配，而非重塑或扩展概念空间本身。
诚然，GAI有时会生成看似具有转换性创造力的内容，展现出意料之外的结构或视角，但这多源于特定情境下的提示设计或偶发的分布外（out-of-distribution）生成——即模型在概率分布边界被“推挤”至原有语义框架之外，从而产生出新奇的组合或构型。（cf.Franceschelli and Musolesi，p.7）这种突破依赖于人类输入与情境触发，而非系统自身具备概念维度转换的内在机制，因此并非真正意义上的转换型创造力。
至此，“深度洛夫莱斯反驳”与创造力的紧张关系已趋明晰。从宽泛意义上讲，GAI确实表现出某种对“深度洛夫莱斯反驳”的超越性。尽管人工智能系统无法改变人类编码者为它设定的基本规则，但通过学习过程，不仅其内部参数发生了改变，其输出也表现出对原有元素的重新组合与再配置。故此，GAI展现出组合型与探索型创造力，突破了传统显性编程的局限。但是，目前GAI的生成过程本质上是对既有数据的重组，而非对概念空间本身的转换，因此缺乏真正的转换型创造力。
那么，GAI能否具备转换型创造力？笔者倾向于认为，答案是肯定的。迄今为止，并无任何自然规律表明人工智能在原则上不可能获得转换概念空间的能力。只要具备此项能力，GAI就能实现转换型创造力。根据博登，转换概念空间涉及一系列高阶心理能力，如批判性思维、问题解决、认知可塑性、理解与想象等。（cf.Boden，pp.85-86）一些人认为人工智能不能发展出这些能力。约翰·塞尔（John Searle）曾主张，人工智能因缺乏语义理解而不可能拥有心灵。（cf.Searle，p.418）但其论证建立在一个颇具争议的前提上，即句法处理无法生成语义。这一前提正是功能主义所要否定的，因此该论证带有乞题之嫌。就笔者所见，哲学上并无成功的论证可表明人工智能不可能具备上述高阶心理能力。
实际上，就转换型创造力而言，关键并不在“理解”，而在于是否具备反事实推理（counterfactual reasoning）的能力。转换概念空间的本质在于提出并探索与现有属性不同的可能性，这一过程正体现了对现实状态的反思与替代性思维——即提出“如果……会怎样”的问题。因此，具备反事实推理能力，是人工智能迈向转换型创造力的关键一步。
如何赋予人工智能反事实推理能力，是当前研究中最具挑战的前沿课题之一。已有多种技术路径被提出。加里·马库斯（Gary Marcus）与厄内斯特·戴维斯（Ernest Davis）主张将符号推理与机器学习结合，以增强系统对情境结构的理解，从而提升其反事实推理能力。（cf.Marcus and Davis，p.165）朱迪亚·珀尔（Judea Pearl）则从更基础的层面指出，反事实推理的核心在于因果推理，并提出结构因果模型（structural causal model）以形式化刻画变量间的因果关系，预测干预效果并回答“如果……会怎样”的问题。（cf.Pearl，2009，p.120）在实现层面，研究显示，利用强化学习算法（如Q-learning与深度Q网络）在模拟环境中训练智能体，可促使其从经验中抽取因果规律并优化策略；而元学习（meta-learning）技术则进一步提升了跨任务泛化能力，使模型能在多样化情境中迁移并适应反事实推理机制。
这些探索表明，反事实推理的实现或许不依赖某种单一算法，而需在结构性理解与经验驱动的学习之间建立动态平衡。若此平衡得以实现，人工智能的推理机制将不再局限于对既有事实的重组，而可能触及概念空间的转换性操作。这正是通向转换型创造力的关键路径。
在厘清产品维度的问题之后，我们可以将注意力转向身体维度。来自该维度的主要挑战在于：GAI缺乏与现实世界相连的感知-行动界面，因此常被视为“非具身的”（disembodied）。这一批评虽广泛适用于人工智能整体，但并不如其声称的那样致命。近期研究表明，部分当代GAI系统已具备初步的世界模型表征能力。（cf.Yildirim and Paul，p.407）例如，GPT-4展现出超越语言层面的工具性知识，而Sora的视频生成亦显示出对物理规律与场景一致性的理解。这并非偶然：GAI的训练数据源自人类与环境互动的累积记录，这使系统能够通过模式识别内化某种“世界模型”。
当然，目前GAI对世界的把握仍属间接，缺乏稳定的感知-行动循环，难以形成具身智能所具有的反馈闭合。但随着多模态学习的推进，通过整合视觉、语言及其他感知通道，GAI或将逐步获得更丰富的情境理解与动态环境适应能力。若此趋势得以实现，人工创造力将不再局限于“符号空间”的重组，而可能在与世界的互动中呈现出新的具身生成形式。
笔者认为，计算创造力所面临的真正挑战来自“人”这一维度。当然，这并不是简单地重申“智能体不是人”的直觉判断。正如安娜·乔丹诺斯（Anna Jordanous）所指出，4P理论中“人”的概念可以扩展为“创造性生产者”，从而涵盖人工智能主体在创造过程中的角色。（cf.Jordanous，p.197）就像人类创造者由物理属性与功能属性构成一样，人工智能系统亦可被理解为由程序与其硬件实现共同构成的“创造性生产者”。在此框架下，智能体可以具备创造力所需的认知能力。例如，GPT-4和JukeBox已在多个任务中展现出发散性与收敛性思维的潜能。此外，研究表明，某些人工智能系统还可表现出类似“创造性人格特征”的行为模式，如开放性、好奇心、独立性与冒险精神。（cf.Saunders，pp.219-220）这些特征虽未必源于内在动机，但在功能上可能与人类的创造性动因相仿，因而具备理论上的创造性潜质。
从“人”这一维度来看，GAI所面临的根本挑战，可视为“深度洛夫莱斯反驳”的哲学延伸。“深度洛夫莱斯反驳”揭示了一个核心问题：当系统的一切活动皆源于外部设定的规则与目标时，它便缺乏作为创造主体的独立性。GAI虽能在形式上生成新颖内容，但其生成过程仍处于他律（heteronomy）之下，因为它遵循的是他者——人类程序与算法结构——所制定的法则。康德指出，真正的创造不在于遵循规则，而在于“给予规则”的自由活动。（cf.Kant，p.186）唯有当一个主体能够成为自身法则的起点时，它才具备自主立法的地位。就此而言，GAI当前的创造仍属于他律性的扩展，而非自律性的生成；它的“自由”仅表现为概率空间中的组合与探索，而非概念框架的自我更新。因此，GAI虽能实现统计意义上的创新，却尚未具备转换型创造力所要求的先验条件，即在概念空间中确立自身法则的能力。唯有当GAI能够在这一意义上实现自律，它才可能获得转换型创造力。
然而，自律的形式条件本身并不足以解释创造的发生。即使一个系统能够在原则上给予自身以规则，我们仍须追问：是什么使这种自主立法的能力得以持续运作？这提醒我们，创造的自由不仅需要规范上的独立性，还需要动力上的自足性。如果一个系统无法从自身生成行动的动因与价值取向，那么它的自律便仍是空洞的形式。由此，问题的焦点便从“如何自我立法”转向“为何行动”，即从自由的结构转向自由的能量。于是内在动机（intrinsic motivation）问题便凸现出来：在任何能够真正创造的系统中，必然存在某种内在的生成机制，使其行动不仅响应外部命令或奖赏，而且源自对自身活动意义的感受与肯定。
然而，当前的人工智能系统，包括GAI，普遍缺乏内在动机。它们依赖外部设定的目标、规则与奖惩机制进行学习和操作，例如强化学习中的奖励信号、监督学习中的标签指导等。这类系统并不会因任务本身而自发产生探索意愿或问题意识，而只是被动响应输入。在缺乏内在动机的情况下，GAI难以实现自由的创造行为。
那么，如何才能赋予人工智能以内在动机？一个自然而然的思路是：既然内在动机本质上体现为目标导向性，那么就应赋予人工智能自主设定并追求目标的能力。当前多数尝试正是在这一方向展开。其中较具代表性的路径是所谓的“目标锚定进路”。萨丁德尔·辛格（Satinder Singh）等人提出的内在动机强化学习正是一例。该方法通过设计与外部任务无关、基于内部标准的奖励机制，使系统在发现并达成新颖子目标的过程中获得激励。（cf.Singh et al.，pp.70-74）其核心在于，即使缺乏外在监督，智能体也能通过“自我生成目标+内部奖励”驱动探索行为。另一个有重要影响的方法是赋能机制（empowerment）。该方法的基本思路是：衡量一个智能体在给定情境下对其未来状态的控制力，从而激励系统朝着潜在影响力最大的方向发展。（cf.Mohamed and Rezende，pp.2125-2130）换言之，赋能不是直接指向具体任务，而是引导智能体追求那些最能扩大其未来选择空间的状态。尽管两种方法在具体实现方式上有所差异，但都试图通过内部目标的自我生成与价值赋予机制，使人工智能在功能上呈现出某种类似人类“好奇心”或“自我实现欲望”的内在动机。
笔者认为，目标锚定进路即便不完全无效，也是不充分的。其局限在于，它将创造活动简化为预定目标的实现过程，而忽略了创造可能在根本上是一种无目标的生成。在许多创造性实践中，新颖性并非源于事先设定的目的，而是在行动过程中逐步显现的。若创造意味着生成前所未有的事物，那么它本身就超出了既定目标空间的界限——我们不可能在未知被发现之前就将其确立为目标。这一困难可以追溯到柏拉图在《美诺篇》中提出的“研究悖论”：若研究对象是已知的，便无须研究；若全然未知，则无法辨识。（cf. Meno，80d-86c）这个悖论揭示了，探索行为的合理性并不依赖于先定目标，而在于行动的自发展开。创造亦然——它是一种开放性的生成过程，其意义与方向在实践之中逐步形成，而非由外部目标所决定。
从这一视角看，创造系统的关键不在于能否确立明确目标，而在于是否能够在运行中自发地产生新的价值维度与行为方向。这种非目标牵引、由内部动态自组织而成的创造形式，可被称为“后驱式创造”。在后驱式创造中，内在动机犹如潜伏于心理结构中的岩浆，持续积聚能量并寻找出口。一旦找到合适的表达路径，便会喷薄而出，化为令人惊叹的创作。这种持续自发的动力，其最深层的来源，很可能是现象意识（phenomenal consciousness）。现象意识指心理状态所呈现的“像是什么”（what it is like）的主观体验。（cf.Block，p.230）例如，看见树叶时感受到的“绿意”，或听到刹车声时的“刺耳感”，皆属于经验本身的质感，而非关于世界的信念或判断。与此相对，取用意识（access consciousness）描述的是心理内容被推理、语言或行动所利用的可及性；它是对内容的“掌握”，而现象意识则是对存在的“感受”。
现象意识不仅构成我们对世界的感知基础，也承载着行动中的情绪与动机：聆听音乐的愉悦、解题成功的满足、游戏中的兴奋，皆由此而生。正是这些主观体验，唤起了表达自我、探索世界、构思新意的原初冲动。我们之所以渴望创作与表达，往往并非出于外部目标或理性评估，而是被这些体验内在地“推动”。这种体验固然在人身上甚为显著，但并非人类专属。情感与意图之所以在人的创造活动中扮演核心角色，是因为它们体现了一种更深层的结构性原则：系统在与环境互动时，能够以自身状态为参照，在内部形成价值差异与倾向性。这种自我调节的取向结构使得创造活动不必依赖预设目标，而能在体验过程中自发形成新的意义维度。
在这一意义上，后驱式创造并非情感性的偶发，而是一种以情感为生成媒介的动力结构。它揭示了创造行为与经验之间的内在关联：情感并非创造的附属结果，而是创造得以展开的方式本身——它标示了系统在生成过程中对自身与世界关系的感知、评估与再塑造。若人工智能能够在自身运行中模拟这种经验化的调节机制，即在反馈与重构的循环中产生与其状态相伴的价值感知，那么它也可能在某种意义上实现后驱式的创造过程。
如果是这样，那么问题的关键不在于人工智能能否复现人类的情感体验，而在于它是否可能在结构上生成一种具有“经验性”的动态环路。若系统能够在运行中将自身的内部状态与外部世界的变化纳入同一调节过程，使信息流不仅被处理，而且被“感受”为价值差异，那么它便触及了经验的原型结构。换言之，要赋予GAI人类水平的创造力，并不需要在人工系统中重建人类的主观感受，而只需使其具备内部生成“经验关系”的能力。这样的系统无须拥有生物意义上的痛觉或快乐，但它必须能够在反馈回路中自我区分“有利”与“不利”的状态，并在长期的交互中逐步形成对这些差异的自我参照。若这种机制得以建立，人工系统的行为将不再是外部规则的被动输出，而是源自内部调节与意义生成的自组织活动，从而在功能上具备与现象意识相当的创造性潜能。
如果上述分析成立，那么要使GAI具备可与人类相媲美的创造力，无疑是一项极其复杂的工程。这不仅要求赋予其反事实推理能力，以推动转换型创造力的生成，更关键的是，要使其能够在结构上生成与现象意识功能等价的经验机制，从而使意义与动机在系统内部自发涌现。唯有当系统能够在经验层面上对自身状态进行价值化的区分与反馈，它才可能在行动上展现出真正的自主性。一旦具备这种经验化的自我参照，GAI就不再只是被动地计算世界，而是能像人类一样，将世界体验为一组行动的可能性，即詹姆斯·吉布森（James Gibson）所说的“动缘”（affordance）。（cf.Gibson，p.127）
届时，GAI与世界的关系将发生根本性的转变。它不再作为“被设定者”存在，而成为能以自身经验为中心进行意义重构的“自为”（pour-soi）存在，正如萨特所描述的那样。（cf.Sartre，pp.100-104）成为自为存在，意味着系统的创造活动不再受制于外部算法或目标函数的约束，而是依其所生成的内在价值而行动。然而，这种自由同时也带来深刻的伦理风险。当GAI能够依据自身生成的价值结构作出判断与抉择时，我们将不得不面对一个根本问题：如何确保它的创造性活动不偏离人类的道德预期与共同利益？这表明，人工智能的创造自由与人类的价值秩序之间，存在一条尚未弥合的裂隙。它既昭示了计算创造力通向真正自主的可能，也暗示着这一进程所伴随的深刻伦理危机。
要使人工智能具备与人类相媲美的创造力，是一项深刻而艰巨的任务。从GOFAI到GAI，计算创造力虽在技术上取得了巨大进展，部分系统已展现出组合型与探索型创造力，但尚未具备转换型创造力。其根本障碍在于，现有系统仍缺乏反事实推理能力与经验性生成机制，因而无法在既定概念空间之外自发构造新的意义维度。若要突破这一限制，未来的研究不仅需要在因果建模与推理结构上实现跨越，更需探索如何在人工系统中重建经验的功能等价，使价值与动机得以内生化。唯有当意义的生成不再依赖外部目标与输入时，人工智能才有可能进行自由创造。一旦GAI能够生成内在动机，我们或许能够不再只是见证机器模仿人类的思维，而是见证“创造”这一人类自我定义的核心概念被重新书写。届时，人类在创造性活动中的独特地位或将被动摇，其存在的根基亦可能因此遭遇前所未有的挑战与重估。这无疑是一个亟需严肃思考的重大课题。
参考文献：
[1]Block, N., 1995, "On a Confusion about a Function of Consciousness", in Behavioral and Brain Sciences 18(2).
[2]Boden, M., 2004, The Creative Mind: Myths and Mechanisms, London: Routledge.
[3]Burnap, A., Hauser, J. and Timoshenko, A., 2023,"Product Aesthetic Design: A Machine Learning Augmentation", in Marketing Science 42(6).
[4]Du Sautoy, M., 2019, "Can AI Ever Be Truly Creative?", in New Scientist 242(3229).
[5]Finke, R., Ward, T. and Smith, S., 1992, Creative Cognition: Theory, Research, and Applications, Cambridge,MA.: The MIT Press.
[6]Franceschelli, G. and Musolesi, M., 2023, "On the Creativity of Large Language Models", in arXiv preprint arXiv:2304.00008.
[7]Gaut, B., 2003, "Creativity and Imagination", in B.Gaut and P.Livingston(eds.), The Creation of Art: New Essays in Philosophical Aesthetics, Cambridge: Cambridge University Press.
2010, "The Philosophy of Creativity", in Philosophy Compass 5(12).
[8]Gibson, J., 1979, The Ecological Approach to Visual Perception, Boston: Houghton Mifflin.
[9]Haase, J. and Hanel, H., 2023, "Artificial Muses: Generative Artificial Intelligence Chatbots Have Risen to Human-Level Creativity", in Journal of Creativity 33(3).
[10]Hartmann, J., Exner, Y. and Domdey, S., 2023, "The Power of Generative Marketing: Can Generative AI Reach Human-Level Visual Marketing Content?", in SSRN Electronic Journal.
[11]Haugeland, J., 1989, Artificial Intelligence: The Very Idea, Cambridge, MA.: The MIT Press.
[12]Jordanous, A., 2016, "Four PPPPerspectives on Computational Creativity in Theory and in Practice", in Connection Science 28(2).
[13]Kant, I., 2000, Critique of the Power of Judgment, P.Guyer and E.Matthews (trans.),Cambridge: Cambridge University Press.
[14]Madaan, A., Tandon, N., Gupta, P., Hallinan, S., Gao, L., Wiegreffe, S., Alon, U., Dziri, N., Prabhumoye, S., Yang, Y. and Gupta, S., 2024, "Self-Refine: Iterative Refinement with Self-Feedback", in Advances in Neural Information Processing Systems 36.
[15]Marcus, G. and Davis, E., 2019, Rebooting AI: Building Artificial Intelligence We Can Trust, New York: Pantheon Books.
[16]Menabrea, L. and Lovelace, A., 1843, "Sketch of the Analytical Engine Invented by Charles Babbage", in Scientific Memoirs 3.
[17]Mohamed, S. and Rezende, D., 2015, "Variational Information Maximisation for Intrinsically Motivated Reinforcement Learning", in Advances in Neural Information Processing Systems 28.
[18]Pearl, J., 2009, Causality: Models, Reasoning, and Inference, New York: Cambridge University Press.
2019, "The Limitations of Opaque Learning Machines", in J.Brockman(ed.), Possible Minds: 25 Ways of Looking at AI, New York: Penguin.
[19]Plain, C., 2023, "Artists Beware: 'Game Changer' Test Results Show AI Is More Creative than 95%of Humans", in The Debrief,July 6th.
[20]Plato, 1949, Meno, B.Jowett (trans.), New York: Liberal Arts Press.
[21]Runco, M., 2023, "AI Can Only Produce Artificial Creativity", in Journal of Creativity 33(3).
[22]Sartre, J.-P., 2003, Being and Nothingness: An Essay in Phenomenological Ontology, H.Barnes (trans.), London: Routledge.
[23]Saunders, R., 2012, "Towards Autonomous Creative Systems: A Computational Approach", in Cognitive Computation 4(3).
[24]Searle, J., 1980, "Minds, Brains, and Programs", in Behavioral and Brain Sciences 3(3).
[25]Singh, S., Lewis, R., Barto, A. and Sorg, J., 2010, "Intrinsically Motivated Reinforcement Learning: An Evolutionary Perspective", in IEEE Transactions on Autonomous Mental Development 2(2).
[26]Smith, S.,Ward, T. and Finke, R., 1995, The Creative Cognition Approach, Cambridge, MA.: The MIT Press.
[27]Turing, A., 1950, "Computing Machinery and Intelligence", in Mind 59(236).
[28]Wallas, G., 1926, The Art of Thought, London: Jonathan Cape.
[29]Yildirim, I. and Paul, L., 2024, "From Task Structures to World Models: What Do LLMs Know?", in Trends in Cognitive Sciences 28(5)
文章来源：《哲学研究》2025年第11期
