我們正處在一個由AI驅動的“文藝復興2.0”時代。從ChatGPT的吉卜力創意熱潮到Veo3生成的爆款短視頻，AI似乎有媲美甚至超越人類的創造力。

我們一直以為，這種能力的覺醒源于更龐大的數據集、更復雜的算法和對人類世界的完美模仿。我們曾堅信，通往更強創造力的道路，是用天量的數據“喂養”出一個靈感涌現不絕的“創新之神”。

但如果真相恰恰相反呢？如果AI的創造力并非源于其“無所不知”，而是源于其“一知半解”？如果那些我們一直試圖修復的“技術缺陷”，恰恰是點燃其創意火花的秘密引擎呢？

最近，一篇發表在《Quanta Magazine》上的重磅研究，顛覆了我的認知。斯坦福大學的研究者梅森坎布（Mason Kamb）和蘇里亞甘古利（Surya Ganguli）的研究成果表明，AI的創造力并非某種高深莫測的“涌現智能”，而是一個令人意外的、由“不完美”設計所催生的必然結果。

揭開創意的面紗：所謂的“靈感涌現”只是美麗的誤會

長期以來，當我們看到AI生成了一幅“宇航員在巴洛克風格的宮殿里騎馬”的圖像時，我們傾向于認為AI“理解”了宇航員、馬和巴洛克風格，并像人類藝術家一樣將它們創造性地結合起來。這是一種令人欣慰的擬人化想象，但研究表明，這是一個美麗的誤會。

真相是，以擴散模型（Diffusion Models）為代表的生成式AI，其創造力的核心并非來自對概念的“高階理解”，而是源于其架構中兩個看似“缺陷”的底層約束。這種對全局的“無知”，恰恰讓AI擺脫了人類思維中的一種經典枷鎖——“功能固著”（Functional fixedness）。

功能固著是一種人類有而AI沒有的認知偏誤，是指人們知道了一些事物的固定的作用和功能之后，就會習慣性的認為這些事物就是用來干這些事情，而忽視了這些事物的其他方面的功能。

在著名心理學家卡爾鄧克爾（Karl Duncker）的“蠟燭問題”實驗中，人們很難想到用裝圖釘的盒子來做燭臺，因為我們對“盒子”的完整知識（它是容器）限制了想象力。AI則沒有這種“知識的詛咒”，它不“理解”盒子，只“看到”其可以支撐物體的局部屬性，因此這種“無知”反而成全了它的創造力。

AI不是一個全知全能的畫家，更像一個技藝高超的馬賽克藝術家，他雖然看不見整幅壁畫的全貌，但憑借手中有限的彩色瓦片和一套嚴格的拼接規則，卻能創造出令人驚嘆的全新圖案。

AI創造力的“黃金鐐銬”：兩大基本原則

那么，這兩副給AI戴上，卻反而讓它舞姿更美的“黃金鐐銬”究竟是什么？

第一副鐐銬：局部性（Locality）。這指的是AI模型在處理信息時，并不是像我們一樣“縱覽全局”，而是一次只能聚焦于一個極小的圖像區塊（patch）。它像一個透過鎖孔看世界的觀察者，視野極其有限。

AI不知道一只完整的貓是什么樣的，但它對“貓的毛發紋理”、“貓耳朵的尖銳輪廓”、“貓眼睛的反光”這些局部特征了如指掌。這種“視野缺陷”迫使它在生成圖像時，無法直接復制一整只記憶中的貓，而必須將無數個它學到的“局部碎片”重新組合。

第二副鐐銬：平移等變性（Translational Equivariance）。這聽起來很專業，但原理卻很直觀。它是一套保證“結構一致性”的鐵律。簡單來說，如果模型在一個局部區塊學會了“磚墻”的紋理，那么當它需要在圖像的另一個位置畫磚墻時，它會運用完全相同的規則和結構。這確保了AI生成的世界不會陷入混亂。

這一思想與AI先驅、圖靈獎得主楊立昆大力倡導的“世界模型”（World Models）不謀而合。 兩者的核心都在于，讓AI學習這個世界可預測、可泛化的基本規律，而不是去死記硬背無窮無盡的表象。正是這種對底層規則的遵循，讓AI的“拼貼”顯得真實可信。

當“局部性”將世界打碎成無限重組的可能，而“平移等變性”則像一根無形的線，將這些碎片以一種和諧、連貫、符合邏輯的方式縫合起來，創造力的奇跡便誕生了。

無獨有偶，近年來AI研究者們開發的“等變局部評分”（Equivariant Local Score, ELS）機，正是一個只優化這兩個核心原則的簡化數學模型，它竟然能高度復現復雜擴散模型的輸出，這再次證明了——約束，而非自由，才是AI創造力的真正源泉。

化“限制”為“催化劑”：系統性提升AI創新力的3個方法

理解了AI創造力的根本原理，我們提升AI創新能力的方向就變得豁然開朗。我們不再是盲目地擴大模型、堆砌數據，而是可以像一位熟練的工程師一樣，通過“設計約束”來主動引導和激發AI的創造潛力。

這種“擁抱限制”的哲學，在人類的創新史上早已屢見不鮮。 史蒂夫喬布斯畢生信奉“至繁歸于至簡（Simplicity is the ultimate sophistication）”，他對iPhone只保留一個Home鍵的極致約束，恰恰成就了一代產品的革命性體驗。

同樣，在AI的世界里，我們也可以通過以下方法，將限制化為創新的催化劑：

方法一：設計“不完美”的架構。 未來的AI模型設計，重點可能不再是單純地追求“更大更強”，而是要戰略性地構建具有特定“創造性缺陷”的架構。我們可以設計出在不同維度上具有不同“局部性”視野的模型，或者引入更多有趣的“等變性”規則（如旋轉、縮放等），就像給樂高玩家提供不同形狀和功能的積木，讓他們能搭建出更富想象力的作品。

方法二：駕馭數據“信息差”。 如果我們想讓AI畫出更有創意的椅子，或許我們不應該只給它看成千上萬張椅子的照片。我們可以嘗試一種“信息差”訓練法：給模型看無數物體的局部紋理（木頭、金屬、織物），再給它看無數種結構（四條腿的、單腿的、懸空的），但就是不給它看一張完整的“椅子”。這將迫使模型在其“局部知識庫”中進行前所未有的探索和組合，從而“發明”出我們從未見過的椅子設計。

方法三：將提示工程提升為“約束的藝術”。 當我們向AI輸入“一只由水晶構成的蝴蝶，棲息在熔巖流上”時，我們正是在讓模型在嚴格的約束下（水晶質感+蝴蝶結構+熔巖環境），去完成一次前所未有的“創作越獄”。

這讓人想起了傳奇音樂家布萊恩伊諾（Brian Eno）著名的“傾斜策略（Oblique Strategies）”卡牌。 當創作陷入僵局時，他會抽出一張寫有“只用一個音符”或“重復一個動作”這類指令的卡牌，通過這種人為的限制來打破思維定勢，激發全新的靈感。

這一方法也讓提示詞的意義變得更加深刻。一個好的提示詞，本質上就是在施加一種巧妙的“創造性約束”。

擁抱“不完美”，我們面臨什么問題？

對AI創造力的研究和探索，或許能讓我們反思對AI“完美”復現人腦的執迷，轉而善用AI的“不完美”。我們手中的創新鑰匙，不再是無窮無盡的數據和算力，而是設計“智慧約束”的能力。

這也引發了兩個更深層次的問題：

既然約束是創造力的引擎，那么是否存在一種“最優約束”的尺度？太多的約束會扼殺創意，太少則會導致混亂，那個激發最大創新的“黃金分割點”在哪里？

如果AI的創造力源于一種與人類截然不同的“認知范式”，那么追求讓AI像人一樣思考的通用人工智能（AGI）道路，是否從一開始就走偏了？

或許這些將是未來AI領域的重點研究方向。

往期精彩：

AI時代，重新理解高效能人士的七個習慣

深度諾獎巨著《國家為什么會失敗》給AI時代的啟示

人的這項能力，AI難以企及

那些被AI替代的人

AI最先取代的不是你，而是你的好友

用AI開“一人公司”真的適合你嗎？

元宇宙已死，AI當立？