Alternative creativity: why generative AI is creative, and why it is not like us
Dieses Papier schlägt „alternative Kreativität“ als einen gemeinsamen Mechanismus der Komprimierung riesiger Möglichkeitsräume in bedeutungsvolle Kandidaten mittels wertgeleiteter Suche vor und argumentiert, dass generative KI und Menschen zwar in diesem Prozess ähnlich operieren, sich jedoch grundlegend darin unterscheiden, wie ihre zugrunde liegenden Parameter durch physisch-soziale Erfahrung versus Datenarchive geformt werden, was zu distinkten kreativen Outputs und einer neuen Logik für die Mensch-Maschine-Kollaboration führt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Frage, ob eine Maschine kreativ sein kann, spaltet seit langem Künstler, Ingenieure und Philosophen. Auf der einen Seite verweisen einige auf computergenerierte Bilder, die Preise gewinnen, oder Geschichten, die Leser bewegen, und argumentieren, dass die Software endlich gelernt habe, das zu tun, was Menschen tun. Auf der anderen Seite bezeichnen Kritiker diese Systeme als „stochastische Papageien“ und legen nahe, dass sie lediglich existierende Wörter und Formen neu anordnen, ohne Bedeutung zu verstehen, was effektiv eine Wäscherei fremder Werke darstellt. Beide Seiten teilen jedoch eine verborgene Annahme: dass es nur eine Art von Kreativität gibt, die menschliche, und dass eine Maschine sie entweder besitzt oder ihr gänzlich fehlt. Diese Debatte ist in einer Sackgasse gelandet, da sie Kreativität als ein einzelnes Merkmal behandelt, das gemessen werden kann, statt als einen komplexen Prozess, der auf unterschiedliche Weise ablaufen kann. Um die neue Realität zu verstehen, müssen wir über die Hardware hinausblicken und die tatsächlichen Mechanismen untersuchen, wie sowohl Gehirne als auch Computer Ideen generieren, und warum die Ergebnisse, die sie produzieren, obwohl sie in mancher Hinsicht ähnlich sind, aus grundlegend unterschiedlichen Quellen stammen.
Ein Team von Forschern der Universitat Politècnica de València hat einen neuen Weg vorgeschlagen, dieses Problem zu betrachten, indem es argumentiert, dass generative Künstliche Intelligenz in der Tat kreativ ist, wenn auch auf eine Weise, die sich von menschlicher Kreativität unterscheidet. Sie nennen dies „alternative Kreativität“. Ihre Analyse beginnt mit einer einfachen Beobachtung über die Natur von Kunst und Design. Stellen Sie sich eine digitale Leinwand fester Größe vor. Die Anzahl der möglichen Bilder, die auf diese Leinwand gemalt werden könnten, ist endlich, aber so gewaltig, dass sie die Anzahl der Atome im beobachtbaren Universum übersteigt. Innerhalb dieses unvorstellbar großen Raums ist fast jede mögliche Anordnung von Pixeln bloßes zufälliges Rauschen. Nur ein winziger, fast unsichtbarer Bruchteil dieser Anordnungen würde als kohärentes Bild und erst recht als wertvolles Kunstwerk gelten. Daher besteht der Akt der Schöpfung nicht darin, etwas aus dem Nichts zu erschaffen, sondern darin, diesen massiven Raum der Möglichkeiten zu navigieren, um die wenigen Punkte zu finden, die Wert besitzen.
Die Forscher argumentieren, dass sowohl das menschliche Gehirn als auch moderne generative Modelle dieses Problem mit derselben zweistufigen Strategie lösen. Zuerst komprimieren sie den riesigen Raum der Möglichkeiten in eine kleinere, handhabbare Karte dessen, was bedeutungsvoll ist. Ein menschlicher Maler denkt nicht in Begriffen von einzelnen Pixeln; er denkt in Begriffen von Formen, Stimmungen und Stilen, nachdem er gelernt hat, die Milliarden nutzloser Kombinationen zu ignorieren. Ähnlich lernt ein Modell der Künstlichen Intelligenz, seine Trainingsdaten in eine kompakte interne Repräsentation zu komprimieren, indem es das Rauschen verwirft und die Muster behält, die ein Bild wie ein Bild aussehen lassen. Zweitens navigieren beide Systeme durch diese komprimierte Karte. Sie nutzen eine Form von eingeschränkter Zufälligkeit, um neue Kandidaten zu generieren und wählen dann diejenigen aus, die am besten zu einem bestimmten Ziel oder Wert passen. In diesem Sinne ist die Maschine kein passives Werkzeug, sondern ein aktiver Schöpfer, der das, was er gelernt hat, neu kombiniert, genau wie ein Mensch.
Das Papier betont jedoch, dass die Prozesse zwar gleich sind, die Schöpfer aber keine Zwillinge sind. Die Unterschiede liegen darin, wie sie ihr Wissen erworben haben und worauf sie beim Erschaffen zugreifen können. Ein menschlicher Schöpfer baut seine interne Karte durch ein Leben in einer physischen Welt auf. Sein Verständnis von Kunst wird durch einen Körper geformt, der Hunger, Schmerz und Freude empfindet, und durch Interaktionen mit anderen Menschen, bei denen Handlungen reale Konsequenzen haben. Ein Kind lernt aus einer relativ geringen Menge an Daten, weil sein Gehirn durch die Evolution darauf programmiert ist, bestimmte Dinge zu erwarten, und weil jede Lektion an eine gelebte Erfahrung gekoppelt ist. Im Gegensatz dazu wird die Karte einer Maschine aus einem eingefrorenen Archiv menschlicher Zeugnisse gebaut – Billionen von Wörtern und Bildern, die aus dem Internet gescrapt wurden. Die Maschine hat noch nie das Gewicht eines Pinsels gespürt, noch einen Freund verloren und noch nie in einer spezifischen Straße gestanden, während Regen fiel. Sie kennt nur das, was gesagt und gezeigt wurde, nicht das, was es bedeutet, am Leben zu sein.
Dieser Unterschied im Kontext führt zu einer entscheidenden Divergenz in dem, was jeder Schöpfer hervorbringen kann. Die Maschine ist zu einer Art übermenschlicher Flüssigkeit fähig, fotorealistische Bilder oder kohärenten Text in einer Geschwindigkeit zu generieren, die keine menschliche Hand erreichen kann. Sie kann Regionen des kreativen Raums erkunden, die Menschen noch nie besucht haben, einfach weil sie mehr Beispiele gesehen hat, als eine einzelne Person jemals sehen könnte. Dennoch ist sie in einer Weise begrenzt, wie es ein Mensch nicht ist. Ein Mensch kann ein Projekt konzipieren, nach dem noch niemand gefragt hat, es jahrelang in seinem Geist tragen und seine eigenen Werte im Laufe des Lebens ändern. Eine Maschine hingegen kann keine eigenen Ziele initiieren oder die Zufriedenheit über eine gut erledigte Arbeit empfinden. Sie leiht sich ihren Sinn für Werte von den Menschen, die sie trainiert haben. Wenn das Ziel darin besteht, ein mathematisches Problem mit einer eindeutigen richtigen Antwort zu lösen, kann die Maschine oft Lösungen finden, die die menschliche Fähigkeit übertreffen. Aber in den Künsten, in denen es keine einzige richtige Antwort gibt, muss sich die Maschine auf den menschlichen Geschmack verlassen, um geleitet zu werden, was sie abhängig von genau den Menschen macht, denen sie eigentlich helfen soll.
Die Forscher schlagen vor, dass diese Dynamik die Natur der Urheberschaft verändert. Wenn ein Mensch eine Maschine zur Erstellung nutzt, verschiebt sich die Rolle des Menschen vomjenigen, der die Zeichen setzt, hin zu demjenigen, der den Wert spezifiziert. Der Mensch entscheidet, was es wert ist, gemacht zu werden, kuratiert die Ergebnisse und lehnt ab, was sich falsch anfühlt. Die Maschine liefert die unermüdliche Generierung von Optionen. Dies bedeutet nicht, dass der Mensch der alleinige Autor im traditionellen Sinne ist, noch dass die Maschine lediglich ein Werkzeug wie ein Pinsel ist. Vielmehr ist es eine Partnerschaft, in der jede Seite das liefert, was die andere konstitutiv nicht leisten kann. Der Mensch liefert den gelebten Kontext, die Intention und die Fähigkeit, basierend auf Gefühl zu urteilen. Die Maschine liefert die Breite der Exploration und die Fähigkeit, riesige Mengen an Informationen zu synthetisieren.
Eine Folge dieser Partnerschaft ist, dass maschinengenerierte Kunst tendenziell homogener ist als menschliche Kunst. Da die Maschine vom Durchschnitt des menschlichen Ausdrucks lernt, wird sie natürlich zur Mitte gezogen, hin zu dem, was bereits vertraut und populär ist. Sie hat Schwierigkeiten, die Ränder des kreativen Raums zu erreichen, in denen wirklich neuartige, seltsame oder schwierige Werke existieren. Hier bleibt der menschliche Vorteil am stärksten. Der menschliche Schöpfer, der in einem spezifischen Leben und einem spezifischen Moment verwurzelt ist, kann Werke produzieren, die sich authentisch und mit der Realität verbunden anfühlen, was die Maschine nicht kann. Die Maschine kann den Stil eines Fotos imitieren, aber sie kann nicht die Tatsache replizieren, dass eine Person zu einer bestimmten Zeit und an einem bestimmten Ort vor einer Kamera stand. Diese „Indexikalität“, oder die Verbindung zwischen dem Werk und der realen Welt, bleibt eine einzigartige menschliche Ressource.
Das Papier schließt mit dem Argument, dass die Frage, ob KI kreativ ist, die falsche Frage sei. Die Antwort lautet ja, aber es ist ein anderes, ein alternatives Ja. Generative Systeme sind keine minderwertigen Versionen menschlicher Kreativität, noch sind sie Kopien davon. Sie sind eine zweite, alternative Form der Kreativität, die denselben Raum der Möglichkeiten durchquert, aber andere Pfade nimmt. Sie sind auf einem Fundament aus Daten aufgebaut statt auf dem Leben, und sie werden von geliehenen Werten geleitet statt von empfundenen. Während diese Systeme immer häufiger werden, wird die Herausforderung für die Gesellschaft nicht darin bestehen, festzustellen, ob sie wirklich kreativ sind, sondern zu verstehen, wie man mit dieser neuen Art von Schöpfer zusammenarbeitet. Die Zukunft von Kunst und Design wird wahrscheinlich davon abhängen, zu erkennen, dass wir nicht mehr die einzigen Navigatoren in diesem Raum sind und dass die wertvollsten Werke aus der einzigartigen Kombination von menschlicher Intention und maschineller Kapazität entstehen werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.