論文の概要: Can AI Be as Creative as Humans?

• arxiv url: http://arxiv.org/abs/2401.01623v4
• Date: Thu, 25 Jan 2024 13:10:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 17:12:29.726543
• Title: Can AI Be as Creative as Humans?
• Title（参考訳）: AIは人間と同じくらい創造的か?
• Authors: Haonan Wang, James Zou, Michael Mozer, Anirudh Goyal, Alex Lamb, Linjun Zhang, Weijie J Su, Zhun Deng, Michael Qizhe Xie, Hannah Brown, Kenji Kawaguchi
• Abstract要約: 理論的には、AIは人間の創造者によって生成されたデータに適切に適合できるという条件の下で、人間と同じくらい創造的になれることを証明しています。 AIの創造性に関する議論は、十分な量のデータに適合する能力の問題に縮小されている。
• 参考スコア（独自算出の注目度）: 84.43873277557852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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 prove in theory that AI can be as creative as humans under the condition that it can properly fit the data generated by human creators. Therefore, the debate on AI's creativity is reduced into the question of its ability to fit a sufficient 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. Rather than attempting to define creativity universally, we shift the focus to whether AI can match the creative abilities of a hypothetical human. The methodological shift leads to a statistically quantifiable assessment of AI's creativity, term Statistical Creativity. This concept, statistically comparing the creative abilities of AI with those of specific human groups, facilitates theoretical exploration of AI's creative potential. Our analysis reveals that by fitting extensive conditional data without marginalizing out the generative conditions, AI can emerge as a hypothetical new creator. The creator possesses the same creative abilities on par with the human creators it was trained on. Building on theoretical findings, we discuss the application in prompt-conditioned autoregressive models, providing a practical means for evaluating creative abilities of generative AI models, such as Large Language Models (LLMs). Additionally, this study provides an actionable training guideline, bridging the theoretical quantification of creativity with practical model training.
• Abstract（参考訳）: 創造性は社会的進歩とイノベーションの基盤となる。 人間の創造性に留まったタスクが可能な高度な生成型aiモデルの台頭に伴い、aiの創造性の研究は、その責任ある開発と応用に不可欠となる。 本稿では,人間が生成したデータに適切に適合できるという条件の下で,AIが人間と同じくらい創造的になれることを理論的に証明する。 したがって、AIの創造性に関する議論は、十分な量のデータに適合する能力の問題に還元される。 この結論に到達するために,本稿では,創造性の定義における複雑さについて,相対的創造性という新しい概念を導入することで論じる。 創造性を普遍的に定義するのではなく、aiが仮想人間の創造能力にマッチするかどうかに焦点を移す。 方法論的なシフトは、統計的に定量化されたAIの創造性、すなわち統計的創造性の評価につながる。 この概念は、AIの創造的能力と特定の人間グループの能力とを統計的に比較し、AIの創造的ポテンシャルの理論的な探索を促進する。 我々の分析は、生成条件を疎外することなく広範な条件データを適合させることで、AIが仮説上の新しい創造者として現れることを明らかにしている。 クリエーターは、訓練された人間のクリエーターと同等のクリエイティブな能力を持っている。 理論的な知見に基づいて,我々は,Large Language Models (LLMs) などの生成AIモデルの創造的能力を評価する実践的な手段として,即時条件付き自己回帰モデルの適用について論じる。 さらに本研究は,実践的モデル学習による創造性の理論的定量化を橋渡しし,実践可能なトレーニングガイドラインを提供する。

関連論文リスト

• Can AI Enhance its Creativity to Beat Humans ? [0.0]
  本研究では,人間に対する人工知能(AI)の創造的性能について検討した。 人間の外部評価者は、人間とAIによって生成された創造的なアウトプットを収集した。 結果は、AIの創造的ポテンシャルを最大化するために、人間のフィードバックを統合することが重要であることを示唆している。
  論文  参考訳（メタデータ） (2024-09-27T14:19:07Z)
• On the stochastics of human and artificial creativity [0.0]
  コンピュータにおける人間レベルの知性を達成するためには、人間レベルの創造性も必要である、と我々は主張する。 我々は、理論、心理学、哲学、神経科学、カオス理論からの事前の洞察を取り入れて、人間の創造性を統計的に表現する。 私たちの分析には、強化学習や拡散モデル、大規模言語モデルといった最新のAIアルゴリズムが含まれています。
  論文  参考訳（メタデータ） (2024-03-03T10:38:57Z)
• The Generative AI Paradox: "What It Can Create, It May Not Understand" [81.89252713236746]
  生成AIの最近の波は、潜在的に超人的な人工知能レベルに対する興奮と懸念を引き起こしている。 同時に、モデルは、専門家でない人でも期待できないような理解の基本的な誤りを示している。 一見超人的な能力と、ごく少数の人間が起こすエラーの持続性を、どうやって再現すればよいのか?
  論文  参考訳（メタデータ） (2023-10-31T18:07:07Z)
• Exploration with Principles for Diverse AI Supervision [88.61687950039662]
  次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。 この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。 この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。 本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:03:39Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• AI and the creative realm: A short review of current and future applications [2.1320960069210484]
  本研究は創造性と人工知能(AI)の概念を探求する。 より洗練されたAIモデルの開発と人間とコンピュータの相互作用ツールの普及により、芸術的創造におけるAIの新たな可能性が高まっている。
  論文  参考訳（メタデータ） (2023-06-01T12:28:08Z)
• Designing Participatory AI: Creative Professionals' Worries and Expectations about Generative AI [8.379286663107845]
  生成AI(英: Generative AI)とは、テキストのプロンプトに基づいて視覚的または書き起こされたコンテンツを自動生成する一連の技術で、複雑さが飛躍的に増加し、わずか数年で広く利用できるようになる技術である。 本稿では,創造的プロフェッショナルが生成AIをどのように考えるかに関する質的研究の結果を報告する。
  論文  参考訳（メタデータ） (2023-03-15T20:57:03Z)
• World Models and Predictive Coding for Cognitive and Developmental Robotics: Frontiers and Challenges [51.92834011423463]
  我々は世界モデルと予測符号化の2つの概念に焦点を当てる。 神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
  論文  参考訳（メタデータ） (2023-01-14T06:38:14Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)
• The societal and ethical relevance of computational creativity [0.4297070083645048]
  我々は創造性を、自然的、実在的、社会的創造的なプロセスを含む、非常に広い哲学的な用語で特徴づける。 創造性は、長期的に人間の幸福を促進するのに欠かせない理由を説明する。 倫理は、創造性をもたらすAIに対してよりホスピタブルである、という議論がある。
  論文  参考訳（メタデータ） (2020-07-23T12:39:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。