Dynamics of collective creativity in AI art competitions

기술적 요약: AI 예술 대회에서의 집단 창의성 역학

문제 제기
창의성은 문화 진화의 주요 동인이지만, 역사적 기록으로부터 집단이 어떻게 새로움을 생성하는지 그 메커니즘을 추론하는 것은 여전히 어렵습니다. 반복 학습 실험은 문화적 전수가 학습자의 귀납적 편향으로 인해 인공물을 왜곡시킨다는 것을 입증해 왔으나, 대부분의 기존 연구는 인간 참여자 간의 선형적 연쇄에 의존하고 있습니다. 이는 문화 생산을 increasingly 형성해 가는 네트워크화된 인간-AI 시스템 내에서 이러한 역학이 어떻게 작동하는지에 대한 이해의 공백을 남깁니다. 구체적으로, 집단적 선택, 분기된 계보, 그리고 생성형 AI 모델의 통합이 창의적 산출물에서의 새로움, 복잡성, 그리고 수렴의 생성에 어떻게 영향을 미치는지는 명확하지 않습니다.

방법론
저자들은 협업형 AI 시각 예술 플랫폼인 Artbreeder에서 수집된 대규모 자연 발생 데이터셋을 분석했습니다. 이 연구는 2024 년 4 월 10 일부터 2025 년 5 월 5 일까지 진행된 368 일간의 일일 "리믹스 파티"에 초점을 맞추었으며, 이는 130,882 장의 이미지로 구성되었습니다. 이러한 행사에서 사용자는 씨앗 이미지와 후속 항목을 네 가지 주요 도구 (Collage, Composer, Mixer, Splicer2) 를 사용하여 반복적으로 리믹스하여 인간-AI 공동 창작 이미지의 분기된 계보를 생성했습니다.

기술적 접근 방식은 다음과 같은 단계를 포함했습니다:

1. 데이터 전처리: 이미지와 텍스트 프롬프트는 네 가지 지정된 도구에 의해 생성되었으며 완전한 계보 데이터를 가진 것들만 필터링하여 포함되었습니다.
2. 임베딩 및 거리: 모든 이미지와 텍스트 프롬프트는 OpenCLIP(CLIP-ViT-H-14-laion2B-s32B-b79K)을 사용하여 공유된 1024 차원 임베딩 공간에 투영되었습니다. 코사인 거리가 입력 간의 비유사성을 측정하는 데 사용되었습니다.
3. 지표 운영화:
   • 새로움 (Novelty): 표현 공간에서의 통계적 비전형성으로 정의되었습니다. 홀수 번째 파티에서 훈련된 마스크된 자기회귀 흐름 (masked autoregressive flow) 이 짝수 번째 파티의 이미지 확률 밀도를 추정했습니다. 새로움은 이 예측 확률의 역수로 계산되었습니다.
   • 복잡성 (Complexity): 이미지의 경우, 복잡성은 Meta 의 **Segment Anything Model (SAM)**이 식별한 세그먼트 수로 정량화되었습니다. 텍스트 프롬프트의 경우, 문자 수가 대리 지표로 사용되었습니다.
   • 깊이 (Depth): 자식 이미지와 원래 씨앗 이미지 사이의 단계 수입니다.
4. 통계적 모델링: 저자들은 R 의 brms 패키지와 Stan 을 사용하여 **베이지안 구조 방정식 모델링 (SEM)**을 적용했습니다. 이 모델에는 부모 이미지, 텍스트 프롬프트, 자식 이미지, 그리고 파티 수준 요인 (인구 규모, 깊이, 시간) 과 관련된 15 개의 변수가 포함되었습니다. 이 모델은 이러한 변수와 두 가지 결과 (미적 성공을 나타내는 "좋아요" 수와 리믹스될 가능성을 나타내는 "손주" 수) 간의 인과 관계를 추정했습니다.

주요 결과
분석은 이 인간-AI 시스템 내의 집단 창의성 역학에 관한 다섯 가지 주요 발견을 도출했습니다:

1. 새로움과 복잡성의 전수: 더 새로롭고, 복잡하며, 다양 (공간적으로 멀리 떨어진) 한 부모 이미지는 그 자체로 더 새로롭고 복잡한 자식 이미지로 이어집니다. 이는 고변동성 입력이 고변동성 출력을 전파하는 일종의 전수 충실도를 시사합니다.
2. 새로움 - 좋아요 역설: 더 새로로운 자식 이미지는 훨씬 더 많은 "좋아요"를 받으며, 이는 새로움이 커뮤니티에 의해 미적으로 가치 있게 여겨짐을 나타냅니다.
3. 새로움 - 리믹스 역설: 더 많은 좋아요를 받음에도 불구하고, 더 새로로운 자식 이미지는 리믹스될 가능성이 낮습니다(손주가 더 적습니다). 마찬가지로, 더 높은 복잡성은 미래 리믹스 확률을 감소시킵니다. 이는 소비자가 새로움을 선호하지만, 생산자는 추가 수정을 위해 더 단순하고 덜 새로로운 입력을 선호한다는 긴장을 드러냅니다.
4. 어트랙터로의 수렴: 시간이 지남에 따라 계보 깊이가 증가함에 따라 이미지는 덜 새로롭고, 덜 복잡하며, 서로 더 유사해집니다. 정성적 분석은 스팀펑크 장면, 외계 건축물과 같은 주제별 "어트랙터"로의 수렴을 시사하며, 이는 학습자 편향으로 인해 콘텐츠가 왜곡된다는 고전적 반복 학습 예측과 일치합니다.
5. 인구 규모 효과: 더 큰 리믹스 파티 (더 많은 참가자) 는 더 새로롭지만 덜 복잡한 이미지를 생성합니다. 저자들은 복잡성의 감소가 더 큰 집단에서 전수 깊이의 증가로 매개된 간접 효과일 수 있으며, 이로 인해 단순화 편향이 누적될 수 있다고 제안합니다.

의의 및 주장
이 논문은 네트워크화된 하이브리드 인간-AI 반복 학습 시스템 내의 집단 창의성에 대한 최초의 경험적 분석을 제공한다고 주장합니다. 그 의의는 다음과 같은 여러 영역에 있습니다:

• 역할의 분해: "학습자"와 "선택자"가 동일한 사람인 선형 연쇄와 달리, Artbreeder 의 네트워크 구조는 이러한 역할의 분리를 가능하게 합니다. 이 연구는 반복 학습의 단순화 특성이 전수 과정의 인지적 편향뿐만 아니라, 생산자가 수정하기 쉬운 (단순한) 입력을 전략적으로 선택함으로써 주도될 수 있음을 보여줍니다.
• 하이브리드 편향: 인간-AI 환경에서 반복 학습의 서명 (어트랙터로의 수렴) 이 지속된다는 사실은, 이러한 환경에서의 문화 진화가 인간 인지 편향과 기반 생성 모델의 귀납적 편향을 모두 포괄하는 더 넓은 "학습자"에 의해 형성됨을 시사합니다.
• 방법론적 기여: 이 연구는 고차원 표현 공간 내의 새로움 생성으로 창의성을 운영화하여, 대규모 창의적 탐색을 연구하기 위한 실용적인 대리 지표를 제시합니다.

저자들은 온라인 플랫폼의 빅데이터가 문화 진화에 대한 이해를 혁신해 왔지만, 하이브리드 인간-AI 시스템에서의 누적 창의성의 구체적인 메커니즘은 여전히 미연구 상태라고 결론지었습니다. 그들은 디지털 예술 플랫폼이 생성형 AI 가 보편적인 협력자가 됨에 따라 문화가 어떻게 진화할지 예측하는 데 필수적인 자연 실험 역할을 한다고 주장합니다. 이 논문은 관찰된 패턴이 플랫폼 특유의 규범이나 기술적 제약을 반영할 수 있으며, 새로움 측정이 고유한 미적 가치 대신 통계적 비전형성을 포착한다는 한계를 인정합니다.