Dynamics of collective creativity in AI art competitions

ملخص تقني: ديناميكيات الإبداع الجماعي في مسابقات الفن المعتمد على الذكاء الاصطناعي

بيان المشكلة
يُعد الإبداع محركًا أساسيًا للتطور الثقافي، ومع ذلك لا تزال الآليات التي تولد من خلالها المجموعات عناصر الجدة (novelty) صعبة الاستنباط من السجلات التاريخية. وبينما أظهرت تجارب التعلم المتكرر أن النقل الثقافي يشوه المصنوعات الثنائية نحو الانحيازات الاستقرائية للمتعلمين، إلا أن معظم الأبحاث الحالية تعتمد على سلاسل خطية بين المشاركين البشريين. وهذا يترك فجوة في فهم كيفية عمل هذه الديناميكيات داخل الأنظمة الشبكية التي تجمع بين البشر والذكاء الاصطناعي، والتي تشكل بشكل متزايد الإنتاج الثقافي. وتحديدًا، من غير الواضح كيف يؤثر الاختيار الجماعي، والخطوط النسبية المتفرعة، ودمج نماذج الذكاء الاصطناعي التوليدية على توليد الجدة، والتعقيد، والتقارب في المخرجات الإبداعية.

المنهجية
قام المؤلفون بتحليل مجموعة بيانات ضخمة وطبيعية من Artbreeder، وهي منصة تعاونية للفن البصكي المعتمد على الذكاء الاصطناعي. ركزت الدراسة على 368 "حفلة إعادة مزج" (remix parties) يومية أقيمت بين 10 أبريل 2024 و5 مايو 2025، وتضمنت 130,882 صورة. في هذه الفعاليات، يقوم المستخدمون بإعادة مزج صورة بذرية (seed image) وما يليها من مدخلات بشكل تكراري باستخدام أربع أدوات رئيسية (Collage، وComposer، وMixer، وSplicer2)، مما يخلق خطوط نسب متفرعة من الصور التي تم إنشاؤها بالتعاون بين الإنسان والذكاء الاصطناعي.

تضمن النهج التقني الخطوات التالية:

1. المعالجة المسبقة للبيانات: تمت تصفية الصور والنصوص الوصفية (prompts) لتشمل فقط تلك التي تم إنشاؤها بواسطة الأدوات الأربع المحددة مع بيانات نسب كاملة.
2. التضمين والمسافة: تم إسقاط جميع الصور والنصوص الوصفية في فضاء تضمين مشترك ذي 1024 بُعدًا باستخدام OpenCLIP (CLIP-ViT-H-14-laion2B-s32B-b79K). واستُخدمت مسافة جيب التمام (cosine distance) لقياس عدم التشابه بين المدخلات.
3. تشغيل المقاييس:
   • الجدة (Novelty): عُرِّفت بأنها عدم النمطية الإحصائية في الفضاء التمثيلي. استخدم تدفق تلقائي القناع (masked autoregressive flow) -تم تدريبه على الحفلات ذات الأرقام الفردية- لتقدير كثافة الاحتمالية للصور من الحفلات ذات الأرقام الزوجية. وحُسبت الجدة كمعكوس هذا الاحتمال المتوقع.
   • التعقيد (Complexity): بالنسبة للصور، تم قياس التعقيد من خلال عدد الأجزاء التي حددها نموذج Segment Anything Model (SAM) التابع لشركة Meta. وبالنسبة للنصوص الوصفية، استُخدم عدد الأحرف كمؤشر تقريبي.
   • العمق (Depth): عدد الخطوات بين الصورة "الابنة" والصورة البذرية الأصلية.
4. النمذجة الإحصائية: استخدم المؤلفون نمذجة المعادلات الهيكلية البايزية (SEM) باستخدام حزمة brms في لغة R وبرنامج Stan. تضمن النموذج 15 متغيرًا متعلقًا بالصور "الأبوية"، والنصوص الوصفية، والصور "الابنة"، وعوامل مستوى الحفلة (حجم السكان، العمق، الوقت). وقدر النموذج العلاقات السببية بين هذه المتغيرات ومخرجين: عدد "الإعجابات" (النجاح الجمالي) وعدد "الأحفاد" (احتمالية إعادة المزج).

النتائج الرئيسية
أسفر التحليل عن خمس نتائج رئيسية فيما يتعلق بديناميكيات الإبداع الجماعي في هذا النظام البشري-الذكري المعتمد على الذكاء الاصطناعي:

1. نقل الجدة والتعقيد: تؤدي الصور "الأبوية" الأكثر جدة وتعقيدًا وتنوعًا (المتباعدة مكانيًا) إلى صور "أبناء" هي نفسها أكثر جدة وتعقيدًا. يشير هذا إلى شكل من أشكال دقة النقل حيث تنقل المدخلات ذات التباين العالي مخرجات ذات تباين عالٍ.
2. مفارقة الجدة والإعجابات: تحصل الصور "الابنة" الأكثر جدة على عدد أكبر بكما من "الإعجابات" بشكل ملحوظ، مما يشير إلى أن المجتمع يقدر الجدة جماليًا.
3. مفارقة الجدة وإعادة المزج: على الرغم من حصولها على المزيد من الإعجابات، فإن الصور "الابنة" الأكثر جدة هي أقل عرضة لإعادة المزج (أي لديها عدد أقل من "الأحفاد"). وبالمثل، يقلل التعقيد الأعلى من احتمالية عمليات إعادة المزج المستقبلية. يكشف هذا عن توتر حيث يفضل المستهلكون الجدة، لكن المنتجين يفضلون مدخلات أبسط وأقل جدة لإجراء المزيد من التعديلات.
4. التقارب نحو الجواذب (Attractors): بمرور الوقت ومع زيادة عمق النسب، تصبح الصور أقل جدة، وأقل تعقيدًا، وأكثر تشابهًا مع بعضها البعض. ويشير التحليل النوعي إلى التقارب نحو "جواذب" موضوعية (مثل مشاهد الستيم بانك/Steampunk، أو العمارة الفضائية)، وهو ما يتوافق مع تنبؤات التعلم المتكرر الكلاسيكية حيث يتشوه المحتوى نحو انحيازات المتعلم.
5. تأثير حجم السكان: تنتج حفلات إعادة المزج الأكبر (التي تضم مشاركين أكثر) صورًا أكثر جدة ولكنها أقل تعقيدًا. ويقترح المؤلفون أن انخفاض التعقيد قد يكون تأثيرًا غير مباشر يتوسطه زيادة عمق النقل في المجموعات الأكبر، مما يسم un لـ انحيازات التبسيط بالتراكم.

الأهمية والادعاءات
يزعم البحث أنه يقدم أول تحليل تجريبي للإبداع الجماعي ضمن نظام تعلم متكرر شبكي وهجين بين الإنسان والذكاء الاصطناعي. وتكمن أهميته في عدة مجالات:

• تفكيك الأدوار: على عكس السلاسل الخطية حيث يكون "المتعلم" و"المختار" هما الشخص نفسه، فإن الهيكل الشبكي لـ Artbreeder يسمح بفصل هذين الدورين. وتوضح الدراسة أن سمة التبسيط المميزة للتعلم المتكرر قد لا تكون مدفوعة فقط بالانحيازات المعرفية في النقل، بل أيضًا من خلال اختيار المنتجين لمدخلات أسهل في التعديل (أبسط) بشكل استراتيجي.
• الانحيازات الهجينة: يشير استمرار بصمات التعلم المتكرر (التقارب نحو الجواذب) في بيئة بشرية-ذكاء اصطناعي إلى أن التطور الثقافي في هذه البيئات يتشكل بواسطة "متعلم" أوسع يشمل كل من الانحيازات المعرفية البشرية والانحيازات الاستقرائية لنماذج الذكاء الاصطناعي التوليدي الأساسية.
• المساهمة المنهجية: تعمل الدراسة على تشغيل مفهوم الإبداع كعملية توليد للجدة ضمن فضاء تمثيلي عالي الأبعاد، مما يوفر وسيطًا قابلاً للتطبيق لدراسة الاستكشاف الإبداعي على نطاق واسع.

يخلص المؤلفون إلى أنه بينما أحدثت البيانات الضخمة من المنصات عبر الإنترنت ثورة في فهم التطور الثقافي، فإن الآليات المحددة للإبداع التراكمي في الأنظمة الهجينة (إنسان-ذكاء اصطناعي) لا تزال غير مدروسة بشكل كافٍ. ويفترضون أن منصات الفن الرقمي تعمل كتجارب طبيعية ضرورية للتنبؤ بكيفية تطور الثقافة مع تحول الذكاء الاصطناعي التوليدي إلى متعاون واسع الانتشار. ويقر البحث بالقيود، مشيرًا إلى أن الأنماط الملحوظة قد تعكس معايير خاصة بالمنصة أو قيودًا تقنية، وأن مقياس الجدة يلتقط عدم النمطية الإحصائية وليس القيمة الجمالية الجوهرية.