خلاقیت دیگر منحصر به انسان نیست. برخی از اشکال هوش مصنوعی قادر به تولید شعر، مفاهیم کارآفرینی و حتی هنر تجسمی هستند. بسیاری از مردم از مدلهای زبانی بزرگ (LLM) مانند ChatGPT، که بر روی حجم عظیمی از متن آموزش داده شدهاند، برای همکاری در خلق استفاده میکنند: هوش مصنوعی ایدهها و پیشنهاداتی را ارائه میدهد، در حالی که انسان راهنمایی، زمینه و جهتگیری را فراهم میکند.
در حالی که محققان در سالهای اخیر خروجی خلاقانه مدلهای زبانی بزرگ را بررسی کردهاند، فرآیند اساسی تا حد زیادی ناشناخته باقی مانده است. به همین دلیل است که سورابهی اس. نات، محققی در موسسه سایبرنتیک بیولوژیکی ماکس پلانک در توبینگن آلمان، تصمیم گرفت تا بفهمد چگونه خلاقیت در مدلهای زبانی بزرگ به وجود میآید و آیا فرآیند خلاقانه آنها را میتوان با روشی که ذهن انسان ایدهها را پیدا میکند مقایسه کرد یا خیر. این مقاله در سرور پیشانتشار آرشیو منتشر شده است.
رویکردهای خلاقانه انعطافپذیر و پیگیر
بدین منظور، نات بر روی پارامتری از خلاقیت تمرکز کرد که به خوبی در تحقیقات روانشناختی تثبیت شده است: تمایز بین رویکردهای انعطافپذیر و پیگیر. این موضوع شاید به بهترین وجه با مثال نشان داده شود. هنگامی که از افراد خواسته میشود تمام حیواناتی را که میتوانند به آنها فکر کنند فهرست کنند، افرادی که رویکرد پیگیر دارند ممکن است با حیوانات خانگی شروع کنند، و پس از آن حیوانات مزرعه، سپس پرندگان و غیره، در حالی که کسانی که رویکرد انعطافپذیرتری را ترجیح میدهند اغلب از یک دسته به دسته دیگر میپرند.
مصالحه بین جستجوی گسترده و عمیق، بین کاوش در امکانات جدید و بهرهبرداری از ایدههای موجود، برای هر تلاش خلاقانهای اساسی است.
برای آزمایش این استراتژیهای مختلف، نات و همکارانش از شرکتکنندگان انسانی و مدلهای زبانی بزرگ مختلف خواستند تا وظایف استاندارد روانشناختی خلاقیت را انجام دهند، مانند ارائه کاربردهای جایگزین برای یک آجر یا یک گیره کاغذ، به عنوان مثال، استفاده مجدد از آجر به عنوان یک پله یا به عنوان یک وزنه کاغذ. آنها شگفتزده شدند که متوجه شدند افراد و ماشینها به طرز چشمگیری به روشهای مشابهی به این وظیفه نزدیک میشوند و از هر دو استراتژی انعطافپذیر و پیگیر استفاده میکنند.
هر مدل زبانی بزرگ در هر وظیفه ترجیح واضحی برای رویکرد پیگیر یا انعطافپذیر نشان داد، اما هنگام مقایسه در وظایف مختلف، سازگاری کمتری نسبت به انسانها دارند. علاوه بر این، مدلهای زبانی بزرگ انعطافپذیر در مقایسه با مدلهای زبانی بزرگ پیگیر نتایج خلاقانهتری تولید کردند، در حالی که در انسانها، هر دو روش منجر به خروجی مشابهی شدند.
تقویت همکاری بین انسان و هوش مصنوعی
نات پیشنهاد میکند که این نتایج راه را برای همکاری مؤثرتر هموار میکند: افرادی که تمایل به پیگیری دارند ممکن است از انتخاب یک مدل زبانی بزرگ انعطافپذیر به عنوان همکار تمرینی خود در یک وظیفه سود ببرند و بالعکس. او همچنین پیشبینی میکند که تحقیقات بیشتر در مورد فرآیندهای خلاقانه انسانها و ماشینها میتواند بینشهایی را در مورد چگونگی یادگیری خلاقیت ارائه دهد.
اینکه آیا این یافتهها برای انواع دیگر وظایف خلاقانه صادق است یا خیر، هنوز مشخص نیست. نات هشدار میدهد: محیطهای طبیعیتر بسیار پیچیدهتر و دشوارتر برای مطالعه هستند. گام منطقی بعدی میتواند نگاهی به خلاقیت در بازیها باشد. آنها سناریوی غنیتری را ارائه میدهند، اما همچنان قابل کنترل هستند.