Обчислювальна творчість (також відома як штучна творчість, механічна творчість або креативні обчислення) — міждисциплінарна галузь, що лежить на перетині галузей штучного інтелекту, когнітивної психології, філософії та мистецтва (наприклад, обчислювальне мистецтво як частина обчислювальної культури).
Полягає в застосувані комп'ютерних систем для імітації людських творчих процесів, що веде до створення художніх та дизайнерських творів, які імітують інноваційність та оригінальність.
Мета обчислювальної творчості полягає в моделюванні, імітації або відтворенні творчого процесу за допомогою комп'ютера для досягнення однієї з кількох цілей:
Створити програму або комп'ютер, здатний до творчості людського рівня. Краще зрозуміти людську творчість та сформулювати алгоритмічний погляд на творчу поведінку людей. Розробити програми, які не є творцями, але можуть покращити людську творчість.
Галузь обчислювальної творчості охоплює теоретичні та практичні питання вивчення креативності. Теоретична робота над природою та правильним визначенням творчості виконується паралельно з практичною роботою зі впровадження систем, які демонструють творчість, причому один напрямок роботи взаємопов'язаний з іншим.
Прикладна форма обчислювальної творчості відома як .
Теоретичні питання Теоретичні підходи стосуються сутності творчості. Зокрема того, за яких обставин можна назвати модель «творчою», якщо видатна творчість полягає в порушенні правил або запереченні умовностей. Це варіант заперечення Ади Лавлейс проти машинного інтелекту, як його підсумували сучасні теоретики, як от . Якщо машина може робити лише те, на що її запрограмовано, то як її поведінку взагалі можна назвати творчою?
Насправді, не всі комп'ютерні теоретики погодяться з передумовою, що комп'ютери можуть робити лише те, на що вони запрограмовані, що є ключовим аргументом на користь обчислювальної творчості.
Визначення творчості в обчислювальних термінах Оскільки жодна окрема точка зору чи визначення не дають повного уявлення про творчість, дослідники штучного інтелекту Ньюелл, та Саймон розробили багатоаспектний погляд на творчість на основі комбінації новизни та корисності, який для класифікації певної відповіді чи рішення як творчого використовує такі чотири критерії:
Відповідь нова та корисна (як для окремої людини, так і для суспільства) Відповідь вимагає, щоб ми відкинули ідеї, які раніше приймали Відповідь є результатом сильної мотивації та наполегливості Відповідь є результатом прояснення проблеми, яка спочатку була нечіткою
Маргарет Боден зосередилася на перших двох із цих критеріїв, стверджуючи натомість, що творчість (принаймні, коли йдеться про те, чи можуть комп'ютери бути творчими) слід визначати як «здатність генерувати ідеї чи артефакти, які є новими, дивовижними та цінними».
Мігай Чиксентмігаї стверджував, що творчість слід розглядати в соціальному контексті, і його концепція ВДІП (взаємодія домен-індивід-поле; ) відтоді сильно вплинула на цю галузь. У ВДІС людина створює твори, новизну та цінність яких оцінює поле — інші люди в суспільстві — надаючи зворотний зв'язок і зрештою додаючи роботу, яка тепер вважається творчою, до домену суспільних творів, з якого люди можуть пізніше зазнати впливу.
Хоча вищезазначене відображає низхідний підхід до обчислювальної творчості, серед , які досліджують штучні нейронні мережі, розвинувся альтернативний підхід розгляду знизу вгору. Наприклад, наприкінці 1980-х та на початку 1990-х років такі генеративні нейронні системи керувалися генетичними алгоритмами.Gibson, P. M. (1991) NEUROGEN, musical composition using genetic algorithms and cooperating neural networks, Second International Conference on Artificial Neural Networks: 309—313. Експерименти з рекурентними мережами успішно гібридизували прості музичні мелодії та прогнозували очікування слухача.
Історична еволюція обчислювальної творчості Спроби використати обчислювальні процеси для створення творів мистецтва відомі віддавна. Наприкінці 1800-х років, за участю таких видатних діячів, як Моцарт, Бах, Гайдн і Кірнбергер, досліджувалися методи комбінаторного створення музики. Цей підхід поширився на аналітичні дослідження ще 1934 року, коли побудовано прості механічні моделі для дослідження математичних задач. Професійний інтерес до творчого аспекту обчислень також часто виявлявся в ранніх обговореннях штучного інтелекту. На Дартмутській конференції 1956 року творчість, винахідливість та відкриття названо ключовими цілями штучного інтелекту.
Оскільки розвиток комп'ютерів дозволив створювати системи більшої складності, в 1970-1980-х роках винайдено ранні системи, які моделювали творчість за допомогою символьних або заснованих на правилах підходів. У галузі творчого сторітеллінгу досліджувалося кілька таких моделей. У TALE-SPIN (1977) Міхана наративи генерувалися шляхом моделювання цілей персонажів та дерев рішень. В AUTHOR (1981) Дена до генерації наративів застосовано моделювання процесу створення оповіді автором. Окрім генерування наративів, обчислювальна творчість поширилася на художню та наукову сфери.
Створення художніх зображень — одна з дисциплін, у якій рано виявлено потенціал генерування творів за допомогою обчислювальної творчості. Яскравим прикладом була система Гарольда Коена, яка створювала мистецькі твори шляхом компонування та адаптації фігур на основі великого набору символьних правил та евристик для візуальної композиції. Деякі системи також орієнтувалися на творчість у науковій діяльності. Кажуть, що BACON відкрив заново природні закони, як от закон Бойля та закони Кеплера, методом перевірки гіпотез в обмежених просторах.
До 1990-х років методи моделювання стали більш адаптивними, робилися спроби впровадити когнітивно-творчі правила генерування. У MINSTREL Тернера (1993) представлено методи TRAM (Transform Recall Adapt Methods) моделювання творчого повторного використання матеріалу для генерування оповіді. Разом з тим у MEXICA (1999) Перес-і-Переса процес творчого письма змодельовано за допомогою циклів залучення та рефлексії. Оскільки системи все частіше включали моделі внутрішньої оцінки, з'явився ще один підхід, який поєднував символьне генерування з метриками оцінки, специфічними для предметної галузі, моделюючи генеративні та вибіркові кроки до творчості.
У напрямку генеративного гумору система JAPE (1994) за допомогою Prolog та WordNet генерувала загадки на основі каламбурів та гри слів, застосовуючи правила символьного зіставлення зі зразками та велику лексичну базу даних (WordNet). Систему WordNet розробили в Принстоні Джордж Міллер та його команда, її платформа та структури відображення слів стали основою кількох синтаксичних та семантичних програм штучного інтелекту. Помітною системою для генерування музики була EMI ( — Експерименти з музичного інтелекту) або Emmy Девіда Коупа, навчена стилям різних виконавців, як от Бах, Бетховен чи Шопен, і генерувала нові твори в їхньому стилі шляхом абстрагування зразків та рекомпозиції.
У 2000-х роках і пізніше на розробку творчих систем почало впливати машинне навчання. Такі дослідники, як Міхалча та Страппарава, навчили класифікатори розрізняти за стилістичними та семантичними ознаками гумористичний текст від негумористичного. Тим часом, користувацькі обчислювальні підходи призвели до того, що шахові системи, такі як Deep Blue, генерували за допомогою алгоритмів пошуку та паралельної обробки, обмеженої певними правилами та шаблонами для оцінювання, квазікреативні ігрові стратегії.
Інституційний розвиток обчислювальної творчості зростав разом з її технічним прогресом. У 1990-х роках на основі міждисциплінарних конференцій, присвячених штучному інтелекту та творчості, виникли спеціалізовані семінари, як от IJWCC. На початку 2000-х років ця галузь об'єдналася навколо щорічних конференцій, таких як Міжнародна конференція з обчислювальної креативності (). Останнім часом, з появою глибокого навчання, трансформерів та подальшим удосконаленням структур машинного навчання, з'явилися нові інструменти для розвитку простору реалізації обчислювальної творчості.
Машинне навчання для обчислювальної творчості
Тоді як традиційні обчислювальні підходи до творчості спираються на чітке формулювання рецептів розробниками та певний ступінь випадковості в комп'ютерних програмах, машинне навчання дає змогу комп'ютерним програмам навчатися на евристичних методах за вхідними даними, що сприяє розвитку в них «творчих здібностей». Зокрема, глибокі штучні нейронні мережі дають змогу вивчати шаблони зі вхідних даних, що забезпечує нелінійне генерування творчих робіт. До 1989 року штучні нейронні мережі використовували для моделювання певних аспектів твормості. Пітер Тодд (1989) спочатку навчив нейронну мережу відтворювати музичні мелодії з навчального набору музичних творів. Потім він використав алгоритм зміни для модифікації вхідних параметрів мережі. Мережа змогла дуже некеровано випадково генерувати нову музику.Todd, P.M., and Loy, D.G. (Eds.) (1991). Music and connectionism. Cambridge, MA: MIT Press. 1992 року Тодд розширив цю роботу, використовуючи так званий дистальний підхід вчителя, розроблений Полом Манро, , Д. Нгуєном та Бернардом Відроу, та Девідом Румельгартом. У новому підході є дві нейронні мережі, одна з яких надає навчальні шаблони іншій. У пізніших працях Тодда композитор вибирав набір мелодій, що визначають простір мелодій, розміщував їх на площині за допомогою графічного інтерфейсу на основі миші та навчав конекціоністську мережу для створення цих мелодій, а потім прослуховував нові «інтерпольовані» мелодії, які мережа генерувала відповідно до проміжних точок площини.
Мовні моделі та галюцинації Мовні моделі, наприклад, GPT та ДКЧП, використовують для створення текстів для творчих цілей, як-от романи та сценарії. Ці моделі час від часу демонструють галюцинації, коли помилкові матеріали подаються як фактичні. Творці використовують їхню схильність до галюцинацій для отримання непередбачуваних результатів. Наприклад, для створення роману «» (відсилання до «В дорозі» Джека Керуака) Росс Ґудвін (Ross Goodwin) використав модель ДКЧП на основі мультимодального вхідного сигналу, отриманого з камери, мікрофона, внутрішнього годинника ноутбука та GPS протягом подорожі, навчену на літературних корпусах. прокоментував роман як «піксельовану поезію в її різнорідному поєднанні сучасних американських образів» (). 2016 року і Росс Ґудвін створили експериментальний науково-фантастичний короткометражний фільм «Сонячна весна», написаний за допомогою моделі ДКЧП, навченої на їхніх сценаріях та науково-фантастичних фільмах 1980-1990-х років. Родіка Готца (Rodica Gotca) розкритикувала їхню загальну відсутність зосередженості на наративі та намір творити на основі передумов людської культури.
Тим не менш, дослідники підкреслюють позитивний бік галюцинацій мовних моделей для створення нових рішень, зважаючи на те, що правильність та узгодженість відповіді можна контролювати. Цзян (Jiang) та ін. пропонують модель потоку дивергенції-конвергенції для використання галюцинаторних ефектів. Вони підсумовують типи таких ефектів у сучасних дослідженнях галюцинацій фактичності та галюцинацій достовірності, які можна розділити на менші класи, як-от фактична фальсифікація та невідповідність інструкцій. Тоді як етап дивергенції включає генерування потенційно галюцинаторного контенту, етап конвергенції зосереджується на фільтрації галюцинацій, корисних для користувача, за допомогою метрик розпізнавання та оцінювання наміру.
Ключові ідеї з літератури Деякі високі та філософські теми повторюються у всій галузі обчислювальної творчості, наприклад, такі.
Важливі категорії творчості Маргарет Боден називає творчість, яка є новою , лише агентом, який її створює, «П-творчістю» (або «психологічною творчістю»; ), а творчість, яку визнає новою суспільство загалом, — «І-творчістю» (або «історичною творчістю»; ).
Дослідницька та перетворювальна творчість