stringtranslate.com

Вычислительное творчество

Эдмон де Белами , произведение искусства, созданное генеративно-состязательной сетью

Вычислительное творчество (также известное как искусственное творчество , механическое творчество , творческие вычисления или креативные вычисления ) — это междисциплинарная деятельность, которая находится на стыке областей искусственного интеллекта , когнитивной психологии , философии и искусства (например, вычислительное искусство как часть вычислительной культуры [1] ).

Целью вычислительного творчества является моделирование, имитация или воспроизведение творчества с использованием компьютера для достижения одной из следующих целей: [2]

Область вычислительного творчества занимается теоретическими и практическими вопросами в изучении творчества. Теоретическая работа над природой и надлежащим определением творчества выполняется параллельно с практической работой по внедрению систем, которые демонстрируют творчество, причем одно направление работы информирует другое.

Прикладная форма вычислительного творчества известна как медиасинтез .

Теоретические вопросы

Теоретические подходы касаются сущности креативности. Особенно, при каких обстоятельствах можно назвать модель «творческой», если выдающаяся креативность заключается в нарушении правил или отрицании условностей. Это вариант возражения Ады Лавлейс против машинного интеллекта, который резюмируют современные теоретики, такие как Тереза ​​Амабайл . [3] Если машина может делать только то, на что она была запрограммирована, как ее поведение можно назвать творческим ?

Действительно, не все специалисты по компьютерной теории согласятся с предположением, что компьютеры могут делать только то, на что они запрограммированы [4] — ключевой момент в пользу вычислительного творчества.

Определение креативности в вычислительных терминах

Поскольку ни одна точка зрения или определение, по-видимому, не дает полной картины креативности, исследователи искусственного интеллекта Ньюэлл, Шоу и Саймон [5] разработали сочетание новизны и полезности в качестве краеугольного камня многостороннего взгляда на креативность, который использует следующие четыре критерия для классификации данного ответа или решения как креативного:

  1. Ответ нов и полезен (как для отдельного человека, так и для общества).
  2. Ответ требует, чтобы мы отвергли идеи, которые мы ранее принимали.
  3. Ответ – результат интенсивной мотивации и настойчивости.
  4. Ответ приходит через прояснение проблемы, которая изначально была неопределенной.

Маргарет Боден сосредоточилась на первых двух из этих критериев, утверждая вместо этого, что креативность (по крайней мере, когда задается вопросом, могут ли компьютеры быть креативными) следует определять как «способность придумывать идеи или артефакты, которые являются новыми, удивительными и ценными ». [6]

Михали Чиксентмихайи утверждал, что креативность следует рассматривать в социальном контексте, и его концепция DIFI (взаимодействие домена и индивида) с тех пор оказала сильное влияние на эту область. [7] В DIFI человек создает работы, новизна и ценность которых оцениваются областью — другими людьми в обществе, — предоставляя обратную связь и в конечном итоге добавляя работу, которая теперь считается творческой, в область общественных работ, из которой человек может впоследствии получить влияние.

В то время как вышеизложенное отражает подход сверху вниз к вычислительному творчеству, альтернативное направление развилось среди вычислительных психологов снизу вверх, занимающихся исследованиями искусственных нейронных сетей. Например, в конце 1980-х и начале 1990-х годов такие генеративные нейронные системы управлялись генетическими алгоритмами . [8] Эксперименты с использованием рекуррентных сетей [9] были успешными в гибридизации простых музыкальных мелодий и прогнозировании ожиданий слушателей.

Машинное обучение для вычислительного творчества

Изображение, созданное с помощью модели преобразования текста в изображение с подсказкой «астронавт верхом на лошади, да Винчи»

В то время как традиционные вычислительные подходы к творчеству полагаются на явную формулировку предписаний разработчиками и определенную степень случайности в компьютерных программах, методы машинного обучения позволяют компьютерным программам обучаться на эвристиках из входных данных, что позволяет использовать творческие возможности в компьютерных программах. [10] В частности, глубокие искусственные нейронные сети позволяют изучать закономерности из входных данных, что позволяет осуществлять нелинейное создание творческих артефактов. До 1989 года искусственные нейронные сети использовались для моделирования определенных аспектов творчества. Питер Тодд (1989) впервые обучил нейронную сеть воспроизводить музыкальные мелодии из обучающего набора музыкальных произведений. Затем он использовал алгоритм изменения для изменения входных параметров сети. Сеть могла случайным образом генерировать новую музыку в крайне неконтролируемой манере. [9] [11] [12] В 1992 году Тодд [13] расширил эту работу, используя так называемый подход дистального учителя, который был разработан Полом Манро, [14] Полом Вербосом , [15] Д. Нгуеном и Бернардом Видроу , [16] Майклом И. Джорданом и Дэвидом Румельхартом . [17] В новом подходе есть две нейронные сети, одна из которых поставляет обучающие шаблоны другой. В более поздних работах Тодда композитор выбирал набор мелодий, которые определяют пространство мелодий, размещал их на 2-мерной плоскости с помощью графического интерфейса на основе мыши и обучал коннекционистскую сеть для создания этих мелодий и слушал новые «интерполированные» мелодии, которые сеть генерирует в соответствии с промежуточными точками в 2-мерной плоскости.

Ключевые понятия из литературы

Некоторые высокоуровневые и философские темы повторяются в области вычислительного творчества, например, следующие.

Важные категории творчества

Маргарет Боден [6] [18] называет творчество, которое является новым только для агента, который его производит , «П-творчеством» (или «психологическим творчеством»), а творчество, которое признается новым обществом в целом , — «Н-творчеством» (или «историческим творчеством»).

Исследовательское и трансформационное творчество

Боден также различает креативность, которая возникает из исследования в рамках устоявшегося концептуального пространства, и креативность, которая возникает из преднамеренного преобразования или выхода за пределы этого пространства. Она называет первую исследовательской креативностью , а вторую — трансформационной креативностью , рассматривая последнюю как форму творчества, гораздо более радикальную, сложную и редкую, чем первая. Следуя критериям Ньюэлла и Саймона, изложенным выше, мы можем видеть, что обе формы творчества должны давать результаты, которые являются заметно новыми и полезными (критерий 1), но исследовательская креативность, скорее всего, возникает из тщательного и настойчивого поиска хорошо понятого пространства (критерий 3) — в то время как трансформационная креативность должна включать в себя отказ от некоторых ограничений, которые определяют это пространство (критерий 2), или некоторых предположений, которые определяют саму проблему (критерий 4). Прозрения Боден направляли работу в области вычислительного творчества на очень общем уровне, предоставляя скорее вдохновляющий критерий для разработки, чем техническую основу алгоритмической субстанции. Однако идеи Бодена также стали предметом формализации, особенно в работе Герайнта Виггинса. [19]

Генерация и оценка

Критерий, согласно которому творческие продукты должны быть новыми и полезными, означает, что творческие вычислительные системы обычно структурированы в две фазы: генерация и оценка. На первой фазе генерируются новые (для самой системы, таким образом, P-Creative) конструкции; неоригинальные конструкции, которые уже известны системе, фильтруются на этом этапе. Затем этот корпус потенциально творческих конструкций оценивается, чтобы определить, какие из них значимы и полезны, а какие нет. Эта двухфазная структура соответствует модели Geneplore Финке, Уорда и Смита [20] , которая является психологической моделью творческой генерации, основанной на эмпирическом наблюдении за человеческим творчеством.

Совместное творение

В то время как большая часть исследований вычислительного творчества фокусируется на независимом и автоматическом машинном создании творчества, многие исследователи склоняются к подходу сотрудничества. [21] Это взаимодействие человека и компьютера иногда классифицируется как разработка инструментов поддержки творчества. Эти системы направлены на обеспечение идеальной основы для исследований, интеграции, принятия решений и генерации идей. [22] [23] В последнее время подходы глубокого обучения к обработке изображений, звука и естественного языка привели к моделированию основ развития продуктивного творчества. [24] [25]

Инновации

Вычислительная креативность все чаще обсуждается в литературе по инновациям и менеджменту, поскольку недавнее развитие ИИ может нарушить целые инновационные процессы и кардинально изменить способ создания инноваций. [26] [24] Филип Хатчинсон [21] подчеркивает актуальность вычислительной креативности для создания инноваций и вводит концепцию «самообновляющегося искусственного интеллекта» (САИ), чтобы описать, как компании используют ИИ в инновационных процессах для улучшения своих инновационных предложений. САИ определяется как организационное использование ИИ с целью постепенного совершенствования существующих или разработки новых продуктов на основе идей, полученных в результате постоянного объединения и анализа нескольких источников данных. Поскольку ИИ становится технологией общего назначения , спектр продуктов, которые будут разрабатываться с помощью САИ, будет расширяться от простых до все более сложных. Это подразумевает, что вычислительная креативность приводит к изменению навыков, связанных с креативностью, у людей.

Комбинаторное творчество

Значительную часть, а возможно и всю человеческую креативность можно понимать как новую комбинацию уже существующих идей или объектов. [27] Общие стратегии комбинаторного творчества включают:

Комбинаторная перспектива позволяет нам моделировать творчество как процесс поиска через пространство возможных комбинаций. Комбинации могут возникать из композиции или конкатенации различных представлений или через основанное на правилах или стохастическое преобразование начальных и промежуточных представлений. Генетические алгоритмы и нейронные сети могут использоваться для генерации смешанных или кроссоверных представлений, которые захватывают комбинацию различных входов.

Концептуальное смешение

Марк Тернер и Жиль Фоконье [28] [29] предлагают модель под названием «Концептуальные интеграционные сети», которая развивает идеи Артура Кестлера о креативности [30], а также работы Лакоффа и Джонсона [31], синтезируя идеи из когнитивно-лингвистических исследований ментальных пространств и концептуальных метафор . Их базовая модель определяет интеграционную сеть как четыре связанных пространства:

Фоконье и Тернер описывают набор принципов оптимальности, которые, как утверждается, направляют построение хорошо сформированной интеграционной сети. По сути, они рассматривают смешивание как механизм сжатия, в котором две или более входных структур сжимаются в одну структуру смешивания. Это сжатие работает на уровне концептуальных отношений. Например, ряд отношений подобия между входными пространствами может быть сжат в одно отношение идентичности в смешении.

Некоторый вычислительный успех был достигнут с помощью модели смешивания путем расширения уже существующих вычислительных моделей аналогового отображения, которые совместимы в силу их акцента на связанных семантических структурах. [32] В 2006 году Франциско Камара Перейра [33] представил реализацию теории смешивания, которая использует идеи как из символического ИИ , так и из генетических алгоритмов для реализации некоторых аспектов теории смешивания в практической форме; его примеры областей варьируются от лингвистических до визуальных, и последняя наиболее примечательна, включая создание мифических монстров путем объединения трехмерных графических моделей.

Языковое творчество

Язык предоставляет постоянную возможность для творчества, что проявляется в создании новых предложений, фраз, каламбуров , неологизмов , рифм , намеков , сарказма , иронии , сравнений , метафор , аналогий , острот и шуток . [34] Носители морфологически богатых языков часто создают новые словоформы , которые легко понять, и некоторые из них попали в словарь. [35] Область создания естественного языка хорошо изучена, но эти творческие аспекты повседневного языка еще предстоит включить в него с какой-либо надежностью или масштабом.

Гипотеза творческих моделей

В основополагающей работе прикладного лингвиста Рональда Картера он выдвинул гипотезу о двух основных типах креативности, связанных со словами и словесными моделями: креативность, преобразующая модели, и креативность, формирующая модели. [34] Креативность, преобразующая модели, относится к креативности путем нарушения правил, реформирования и переформирования моделей языка, часто посредством индивидуального новаторства, в то время как креативность, формирующая модели, относится к креативности посредством соответствия языковым правилам, а не их нарушения, создавая конвергенцию, симметрию и большую взаимность между собеседниками посредством их взаимодействия в форме повторений. [36]

Генерация историй

Значительная работа была проведена в этой области лингвистического творчества с 1970-х годов с разработкой системы TALE-SPIN Джеймса Михана [37] . TALE-SPIN рассматривала истории как повествовательные описания усилий по решению проблем и создавала истории, сначала устанавливая цель для персонажей истории, чтобы их поиск решения можно было отслеживать и фиксировать. Система MINSTREL [38] представляет собой сложную разработку этого базового подхода, различая ряд целей на уровне персонажей в истории от ряда целей на уровне автора для истории. Такие системы, как BRUTUS Брингсйорда [39], разрабатывают эти идеи дальше, чтобы создавать истории со сложными межличностными темами, такими как предательство. Тем не менее, MINSTREL явно моделирует творческий процесс с помощью набора методов Transform Recall Adapt (TRAMs) для создания новых сцен из старых. Модель MEXICA [40] Рафаэля Переса-и-Переса и Майка Шарплза более явно интересуется творческим процессом повествования и реализует версию когнитивной модели вовлеченности-рефлексии творческого письма.

Метафора и сравнение

Пример метафоры: «Она была обезьяной».

Пример сравнения: «Чувствовал себя как одеяло из тигровой шерсти ». Вычислительное исследование этих явлений в основном было сосредоточено на интерпретации как процессе, основанном на знаниях. Такие вычислители, как Йорик Уилкс , Джеймс Мартин, [41] Дэн Фасс, Джон Барнден, [42] и Марк Ли, разработали основанные на знаниях подходы к обработке метафор, как на лингвистическом уровне, так и на логическом уровне. Тони Вил и Янфен Хао разработали систему под названием Sardonicus, которая получает всеобъемлющую базу данных явных сравнений из сети; эти сравнения затем помечаются как добросовестные (например, «твердый как сталь») или ироничные (например, «волосатый как шар для боулинга », «приятный как корневой канал »); сравнения любого типа могут быть получены по запросу для любого заданного прилагательного. Они используют эти сравнения в качестве основы для онлайн-системы генерации метафор под названием «Аристотель» [43] , которая может предлагать лексические метафоры для заданной описательной цели (например, чтобы описать супермодель как худую, предлагаются исходные термины «карандаш», «кнут», « уиппет », «веревка», « палочник » и «змея»).

Аналогия

Процесс рассуждения по аналогии изучался как с точки зрения отображения, так и с точки зрения поиска, причем последний является ключом к созданию новых аналогий. Доминирующая школа исследований, выдвинутая Дедре Джентнером , рассматривает аналогию как процесс сохранения структуры; эта точка зрения была реализована в механизме отображения структуры или SME, [44] механизме поиска MAC/FAC (Many Are Called, Few Are Chosen), ACME ( Analogical Constraint Mapping Engine ) и ARCS ( Analogical Retrieval Constraint System ). Другие основанные на отображении подходы включают Sapper, [32] , который помещает процесс отображения в семантико-сетевую модель памяти. Аналогия является очень активной подобластью творческих вычислений и творческого познания; активные деятели в этой подобласти включают Дугласа Хофштадтера , Пола Тагарда и Кита Холиоука . Также следует отметить подход Питера Терни и Майкла Литтмана к решению задач по аналогии в стиле SAT с использованием машинного обучения ; их подход позволяет получить оценку, которая хорошо сопоставима со средними баллами, полученными людьми в этих тестах.

Генерация шуток

Юмор — это особенно жадный до знаний процесс, и самые успешные системы генерации шуток на сегодняшний день были сосредоточены на генерации каламбуров, как это показано в работах Кима Бинстеда и Грэма Ричи. [45] Эта работа включает в себя систему JAPE , которая может генерировать широкий спектр каламбуров, которые постоянно оцениваются как новые и юмористические маленькими детьми. Улучшенная версия JAPE была разработана под видом системы STANDUP, которая была экспериментально развернута как средство улучшения языкового взаимодействия с детьми с нарушениями коммуникации. Некоторый ограниченный прогресс был достигнут в создании юмора, который включает в себя другие аспекты естественного языка, такие как преднамеренное неправильное понимание местоименной ссылки (в работе Ганса Вима Тинхолта и Антона Ниджхолта), а также в создании юмористических аббревиатур в системе HAHAcronym [46] Оливьеро Стока и Карло Страппаравы.

Неологизм

Смешение нескольких словоформ является доминирующей силой для создания новых слов в языке; эти новые слова обычно называются «смесями» или « словами-портманто » (в честь Льюиса Кэрролла ). Тони Вил разработал систему под названием ZeitGeist [47] , которая собирает неологические заглавные слова из Википедии и интерпретирует их относительно их локального контекста в Википедии и относительно определенных значений слов в WordNet . ZeitGeist был расширен для генерации собственных неологизмов; подход объединяет элементы из инвентаря частей слов, которые собираются из WordNet, и одновременно определяет вероятные глоссы для этих новых слов (например, «путешественник по еде» для «гастронавт» и «путешественник во времени» для «хрононавт»). Затем он использует веб-поиск , чтобы определить, какие глоссы имеют смысл, а какие неологизмы ранее не использовались; этот поиск определяет подмножество сгенерированных слов, которые являются как новыми («H-creative»), так и полезными.

Корпусный лингвистический подход к поиску и извлечению неологизмов также оказался возможным. Используя Корпус современного американского английского языка в качестве справочного корпуса, Локи Ло выполнил извлечение неологизмов , портманто и сленговых слов с использованием hapax legomena , которые появились в сценариях американской телевизионной драмы House MD [48]

В лингвистических исследованиях неологизмов Стефан Т. Грайс провел количественный анализ структуры бленда в английском языке и обнаружил, что «степень узнаваемости исходных слов и сходство исходных слов со блендой играют важную роль в формировании бленда». Результаты были подтверждены путем сравнения намеренных блендов со блендами с речевыми ошибками. [49]

Поэзия

Больше, чем железо, больше, чем свинец, больше, чем золото Мне нужно электричество.
Мне оно нужно больше, чем баранина, свинина, салат или огурец.
Мне оно нужно для моих снов.

Рэктер, из книги «Полицейская борода наполовину собрана»

Как и шутки, поэмы включают сложное взаимодействие различных ограничений, и ни один универсальный генератор поэм не сочетает адекватно смысл, фразировку, структуру и аспекты рифмы поэзии. Тем не менее, Пабло Гервас [50] разработал заслуживающую внимания систему под названием ASPERA, которая использует подход рассуждения на основе прецедентов (CBR) для генерации поэтических формулировок заданного входного текста посредством композиции поэтических фрагментов, которые извлекаются из базы прецедентов существующих поэм. Каждый фрагмент поэмы в базе прецедентов ASPERA аннотируется прозаической строкой, которая выражает смысл фрагмента, и эта прозаическая строка используется в качестве ключа поиска для каждого фрагмента. Затем метрические правила используются для объединения этих фрагментов в хорошо сформированную поэтическую структуру. Racter является примером такого программного проекта.

Музыкальное творчество

Вычислительное творчество в музыкальной области было сосредоточено как на создании музыкальных партитур для использования музыкантами-людьми, так и на создании музыки для исполнения компьютерами. Область создания включала классическую музыку (с программным обеспечением, которое генерирует музыку в стиле Моцарта и Баха ) и джаз . [51] В частности, Дэвид Коуп [52] написал программную систему под названием «Эксперименты в области музыкального интеллекта» (или «EMI») [53] , которая способна анализировать и обобщать существующую музыку, созданную композитором-человеком, для создания новых музыкальных композиций в том же стиле. Вывод EMI достаточно убедителен, чтобы убедить слушателей-людей в том, что ее музыка создана человеком на высоком уровне компетентности. [54]

В области современной классической музыки Iamus — первый компьютер, который сочиняет с нуля и выдает финальные партитуры, которые могут играть профессиональные интерпретаторы. Лондонский симфонический оркестр исполнил произведение для полного оркестра, включенное в дебютный CD Iamus , [55] которое New Scientist описал как «первое крупное произведение, сочиненное компьютером и исполненное полным оркестром». [56] Melomics , технология, лежащая в основе Iamus, способна генерировать произведения в разных музыкальных стилях с одинаковым уровнем качества.

Исследования креативности в джазе были сосредоточены на процессе импровизации и когнитивных требованиях, которые он предъявляет к музыкальному агенту: рассуждения о времени, запоминание и концептуализация того, что уже было сыграно, и планирование того, что может быть сыграно следующим. [57] Робот Шимон, разработанный Джилом Вайнбергом из Georgia Tech, продемонстрировал джазовую импровизацию. [58] Программное обеспечение для виртуальной импровизации, основанное на исследованиях стилистического моделирования, проведенных Джерардом Ассаягом и Шломо Дубновым, включает OMax, SoMax и PyOracle, которые используются для создания импровизаций в реальном времени путем повторного введения последовательностей переменной длины, изученных на лету у живого исполнителя. [59]

В области музыкальной композиции запатентованные работы [60] Рене -Луи Барона позволили создать робота, который может создавать и воспроизводить множество оркестрованных мелодий, так называемых «связных» в любом музыкальном стиле. Все внешние физические параметры, связанные с одним или несколькими конкретными музыкальными параметрами, могут влиять и развивать каждую из этих песен (в реальном времени во время прослушивания песни). Запатентованное изобретение Medal-Composer поднимает проблемы авторского права.

Визуальное и художественное творчество

Вычислительное творчество в создании визуального искусства имело некоторые заметные успехи в создании как абстрактного искусства, так и изобразительного искусства. Хорошо известная программа в этой области - AARON Гарольда Коэна , [ 61] которая постоянно развивается и дополняется с 1973 года. Несмотря на шаблонность, Aaron демонстрирует ряд результатов, генерируя черно-белые рисунки или цветные картины, которые включают человеческие фигуры (например, танцоров), растения в горшках, камни и другие элементы фонового изображения. Эти изображения достаточно высокого качества, чтобы выставляться в авторитетных галереях.

Другие известные художники программного обеспечения включают систему NEvAr (для « Нейро-эволюционного искусства») Пенусала Мачадо. [62] NEvAr использует генетический алгоритм для получения математической функции, которая затем используется для генерации цветной трехмерной поверхности. Пользователь-человек может выбирать лучшие изображения после каждой фазы генетического алгоритма, и эти предпочтения используются для руководства последовательными фазами, тем самым продвигая поиск NEvAr в те области поискового пространства, которые считаются наиболее привлекательными для пользователя.

The Painting Fool , разработанный Саймоном Колтоном, изначально был системой для перерисовки цифровых изображений заданной сцены в различных стилях рисования, цветовых палитрах и типах кистей. Учитывая его зависимость от входного исходного изображения для работы, самые ранние итерации Painting Fool поднимали вопросы о степени или отсутствии креативности в системе вычислительного искусства . Тем не менее, The Painting Fool был расширен для создания новых изображений, во многом как это делает AARON , на основе его собственного ограниченного воображения. Изображения в этом ключе включают городские пейзажи и леса, которые генерируются в процессе удовлетворения ограничений из некоторых базовых сценариев, предоставленных пользователем (например, эти сценарии позволяют системе делать вывод, что объекты, расположенные ближе к плоскости просмотра, должны быть больше и более насыщенными по цвету, в то время как те, что находятся дальше, должны быть менее насыщенными и казаться меньше). С художественной точки зрения изображения, которые теперь создает Painting Fool, выглядят наравне с теми, которые создал Aaron, хотя расширяемые механизмы, используемые первым (удовлетворение ограничений и т. д.), вполне могут позволить ему развиться в более сложного и утонченного художника.

Художница Краси Димтч (Красимира Димчевска) и разработчик программного обеспечения Свиллен Ранев создали вычислительную систему, объединяющую генератор предложений на английском языке на основе правил и визуальный конструктор композиций, который преобразует предложения, сгенерированные системой, в абстрактное искусство. [63] Программное обеспечение автоматически генерирует неограниченное количество различных изображений, используя различные палитры цветов, форм и размеров. Программное обеспечение также позволяет пользователю выбирать тему сгенерированных предложений и/или одну или несколько палитр, используемых визуальным конструктором композиций.

Новая область вычислительного творчества — видеоигры . ANGELINA — это система для творческой разработки видеоигр на Java Майкла Кука. Одним из важных аспектов является Mechanic Miner, система, которая может генерировать короткие сегменты кода, которые действуют как простая игровая механика. [64] ANGELINA может оценить полезность этой механики, играя в простые неразрешимые игровые уровни и проверяя, делает ли новая механика уровень разрешимым. Иногда Mechanic Miner обнаруживает ошибки в коде и использует их, чтобы создать новую механику, с помощью которой игрок может решать проблемы. [65]

В июле 2015 года Google выпустила DeepDream — программу компьютерного зрения с открытым исходным кодом [66] , созданную для обнаружения лиц и других узоров на изображениях с целью автоматической классификации изображений, которая использует сверточную нейронную сеть для поиска и улучшения узоров на изображениях с помощью алгоритмической парейдолии , тем самым создавая сновидный психоделический вид в намеренно переобработанных изображениях. [67] [68] [69]

В августе 2015 года исследователи из Тюбингена, Германия, создали сверточную нейронную сеть, которая использует нейронные представления для разделения и рекомбинации содержания и стиля произвольных изображений, что позволяет превращать изображения в стилистические имитации произведений искусства таких художников, как Пикассо или Ван Гог, примерно за час. Их алгоритм используется на сайте DeepArt , который позволяет пользователям создавать уникальные художественные изображения с помощью их алгоритма. [70] [71] [72] [73]

В начале 2016 года глобальная группа исследователей объяснила, как новый подход к вычислительному творчеству, известный как цифровой синаптический нейронный субстрат (DSNS), может быть использован для создания оригинальных шахматных головоломок, которые не были получены из баз данных эндшпилей. [74] DSNS может объединять признаки различных объектов (например, шахматных задач, картин, музыки) с помощью стохастических методов для получения новых спецификаций признаков, которые могут быть использованы для создания объектов в любой из исходных областей. Сгенерированные шахматные головоломки также были представлены на YouTube. [75]

Креативность в решении проблем

Креативность также полезна для принятия необычных решений при решении проблем . В психологии и когнитивной науке эта область исследований называется творческим решением проблем . Теория креативности явного-неявного взаимодействия (EII) была реализована с использованием вычислительной модели на основе CLARION , которая позволяет моделировать инкубацию и понимание при решении проблем. [76] Акцент в этом проекте вычислительного творчества делается не на производительности как таковой (как в проектах искусственного интеллекта ), а скорее на объяснении психологических процессов, ведущих к человеческому творчеству, и воспроизведении данных, собранных в психологических экспериментах. До сих пор этот проект был успешным в предоставлении объяснения эффектов инкубации в простых экспериментах с памятью, понимания при решении проблем и воспроизведения эффекта затмения при решении проблем.

Дискуссия об «общих» теориях творчества

Некоторые исследователи считают, что креативность — это сложный феномен, изучение которого еще больше усложняется пластичностью языка, который мы используем для его описания. Мы можем описать не только агента креативности как «творческий», но также продукт и метод. Следовательно, можно утверждать, что нереалистично говорить об общей теории креативности . [ требуется цитата ] Тем не менее, некоторые генеративные принципы более общие, чем другие, что заставляет некоторых сторонников утверждать, что определенные вычислительные подходы являются «общими теориями». Стивен Талер, например, предполагает, что определенные модальности нейронных сетей достаточно генеративны и достаточно общны, чтобы проявлять высокую степень творческих способностей. [ требуется цитата ]

Критика вычислительного творчества

Традиционные компьютеры, которые в основном используются в вычислительном творческом приложении, не поддерживают творчество, поскольку они по сути преобразуют набор дискретных, ограниченных доменов входных параметров в набор дискретных, ограниченных доменов выходных параметров, используя ограниченный набор вычислительных функций. [ необходима цитата ] Таким образом, компьютер не может быть творческим, поскольку все в выходных данных должно уже присутствовать во входных данных или алгоритмах. [ необходима цитата ] Сопутствующие обсуждения и ссылки на связанные работы отражены в работе по философским основам моделирования. [77]

Математически тот же набор аргументов против креативности был выдвинут Хайтином. [78] Похожие наблюдения исходят из перспективы Теории моделей. Вся эта критика подчеркивает, что вычислительная креативность полезна и может выглядеть как креативность, но это не настоящая креативность, поскольку ничего нового не создается, а просто преобразуется в четко определенных алгоритмах.

События

Международная конференция по вычислительному творчеству (ICCC) проводится ежегодно и организована Ассоциацией вычислительного творчества. [79] События этой серии включают:

Ранее, начиная с 1999 года, сообщество вычислительного творчества проводило специализированный семинар — Международный совместный семинар по вычислительному творчеству. Предыдущие мероприятия этой серии включают: [ необходима ссылка ]

Состоится I конференция по компьютерному моделированию музыкального творчества

Смотрите также

Списки

Ссылки

  1. ^ Джаннини, Т.; Боуэн , Дж. П. , ред. (2024). Искусство и вычислительная культура: реальные и виртуальные миры . Серия по культурным вычислениям. Springer . doi :10.1007/978-3-031-53865-0. ISBN 978-3-031-53864-3.
  2. ^ Анна Джорданус (10 апреля 2014 г.). «Что такое вычислительное творчество?» . Получено 7 января 2019 г.
  3. ^ Амабайл, Тереза ​​(1983), Социальная психология творчества , Нью-Йорк, Нью-Йорк: Springer-Verlag
  4. ^ Мински, Марвин (1967), «Почему программирование является хорошим средством для выражения плохо понятых и неряшливо сформулированных идей» (PDF) , Проектирование и планирование II-Компьютеры в проектировании и коммуникации , стр. 120–125[ постоянная мертвая ссылка ]
  5. ^ Ньюэлл, Аллен, Шоу, Дж. Г. и Саймон, Герберт А. (1963), Процесс творческого мышления , HE Грубер, Г. Террелл и М. Вертхаймер (редакторы), Современные подходы к творческому мышлению, стр. 63–119. Нью-Йорк: Atherton{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  6. ^ ab Boden, Margaret (1990), Творческий разум: мифы и механизмы , Лондон: Weidenfeld & Nicolson
  7. ^ Фельдман, Д. Х.; Чиксентмихайи, Михали; Гарднер, Х. (1994), Изменение мира: основа для изучения креативности , Prager
  8. ^ Гибсон, П.М. (1991) NEUROGEN, музыкальная композиция с использованием генетических алгоритмов и взаимодействующих нейронных сетей, Вторая международная конференция по искусственным нейронным сетям: 309-313.
  9. ^ ab Todd, PM (1989). «Коннекционистский подход к алгоритмической композиции». Computer Music Journal . 13 (4): 27–43. doi :10.2307/3679551. JSTOR  3679551. S2CID  36726968.
  10. ^ Матея, Дебора; Хайнцль, Армин (декабрь 2021 г.). «К машинному обучению как средству вычислительного творчества». Труды IEEE по искусственному интеллекту . 2 (6): 460–475. doi : 10.1109/TAI.2021.3100456 . ISSN  2691-4581. S2CID  238941032.
  11. ^ Bharucha, JJ; Todd, PM (1989). «Моделирование восприятия тональной структуры с помощью нейронных сетей». Computer Music Journal . 13 (4): 44–53. doi :10.2307/3679552. JSTOR  3679552. S2CID  19286486.
  12. ^ Тодд, П. М. и Лой, Д. Г. (ред.) (1991). Музыка и коннекционизм. Кембридж, Массачусетс: MIT Press.
  13. ^ Тодд, П. М. (1992). Коннекционистская система для исследования пространства мелодии. В трудах Международной конференции по компьютерной музыке 1992 года (стр. 65–68). Сан-Франциско: Международная ассоциация компьютерной музыки.
  14. ^ Манро, П. (1987), «Двойная схема обратного распространения для скалярно-вознаграждаемого обучения», Девятая ежегодная конференция по когнитивной науке
  15. ^ Werbos, PJ (1989), "Нейронные сети для управления и идентификации систем", Решение и управление
  16. ^ Нгуен, Д.; Видроу, Б. (1989). «Грузовик-задник: пример самообучения в нейронных сетях» (PDF) . IJCNN'89 .
  17. ^ Джордан, MI; Румельхарт, DE (1992), «Прямые модели: контролируемое обучение с удаленным учителем», Когнитивная наука
  18. ^ Боден, Маргарет (1999), Компьютерные модели творчества. Справочник по творчеству, стр. 351–373.
  19. ^ Wiggins, Geraint (2006). «Предварительная структура для описания, анализа и сравнения креативных систем». Журнал систем, основанных на знаниях . 19 (7): 449–458. CiteSeerX 10.1.1.581.5208 . doi :10.1016/j.knosys.2006.04.009. 
  20. ^ Финке, Р., Уорд, Т. и Смит, С. (1992), Творческое познание: теория, исследование и применение (PDF) , Кембридж: MIT Press{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  21. ^ ab Hutchinson, P. (2020). «Переосмысление управления инновациями: влияние самообновляющегося искусственного интеллекта». IEEE Transactions on Engineering Management . 68 (2): 628–639. doi :10.1109/TEM.2020.2977222.
  22. ^ Ван, Кай; Никерсон, Джеффри В. (сентябрь 2017 г.). «Обзор литературы по системам поддержки индивидуального творчества». Компьютеры в поведении человека . 74 : 139–151. doi : 10.1016/j.chb.2017.04.035 . ISSN  0747-5632. S2CID  38485202.
  23. ^ Габриэль, А.; Монтиколо, Д.; Камарго, М.; Бурго, М. (сентябрь 2016 г.). «Системы поддержки творчества: систематическое картографическое исследование». Thinking Skills and Creativity . 21 : 109–122. doi :10.1016/j.tsc.2016.05.009. ISSN  1871-1871.
  24. ^ ab Cockburn, IM, Henderson, R., & Stern, S. (2018). Влияние искусственного интеллекта на инновации: исследовательский анализ. В The economics of artificial intelligence: An agenda (стр. 115-146). University of Chicago Press.
  25. ^ Карими, Пегах; Махер, Мэри Лу; Дэвис, Николас; Грейс, Казжон (24.06.2019). «Глубокое обучение в вычислительной модели для концептуальных сдвигов в системе совместного творческого проектирования». arXiv : 1906.10188 [cs.HC].
  26. ^ «Как генеративный ИИ может усилить человеческую креативность». Harvard Business Review . 2023-06-16. ISSN  0017-8012 . Получено 2023-06-20 .
  27. ^ Маргарет Боден (10 мая 2010 г.). «Могут ли компьютерные модели помочь нам понять человеческое творчество?» . Получено 7 января 2019 г.
  28. ^ Фоконье, Жиль, Тернер, Марк (2007), «Как мы думаем» , Basic Books{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  29. ^ Фоконье, Жиль, Тернер, Марк (2007). «Концептуальные интеграционные сети». Когнитивная наука . 22 (2): 133–187. doi :10.1207/s15516709cog2202_1.{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
  30. ^ Кестлер, Артур (1964), {Акт творения} , Лондон: Hutchinson, и Нью-Йорк: Macmillan
  31. ^ Лакофф, Джордж; Джонсон, Марк (2008), Метафоры, которыми мы живем , Издательство Чикагского университета
  32. ^ ab Veale, Tony, O'Donoghue, Diarmuid (2007). «Вычисление и смешивание». Когнитивная лингвистика . 11 (3–4).{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )Специальный выпуск о концептуальном смешивании.
  33. ^ Перейра, Франсиско Камара (2006), «Творчество и искусственный интеллект: подход концептуального смешивания», Приложения когнитивной лингвистики , Амстердам: Mouton de Gruyter
  34. ^ ab Картер, Рональд (2004). Язык и творчество: искусство общего разговора . Лондон: Routledge.
  35. ^ Мартин, Кэтрин Коннор (30 января 2018 г.). «От хангри до мэнсплейна: потратьте немного „времени для себя“ с последним обновлением OED». Oxford Dictionaries . Архивировано из оригинала 8 февраля 2018 г. Получено 4 января 2019 г.
  36. ^ Anh Vo, Thuc; Carter, Ronald (2010), «Что корпус может рассказать нам о креативности?», The Routledge Handbook of Corpus Linguistics , Routledge, doi :10.4324/9780203856949.ch22, ISBN 9780203856949
  37. ^ Михан, Джеймс (1981), TALE-SPIN , Шэнк, Р. К. и Ризбек, К. К. (ред.), Внутреннее понимание компьютера: пять программ плюс миниатюры. Хиллсдейл, Нью-Джерси: Lawrence Erlbaum Associates
  38. ^ Тернер, SR (1994), Творческий процесс: компьютерная модель повествования , Хиллсдейл, Нью-Джерси: Lawrence Erlbaum Associates
  39. ^ Bringsjord, S., Ferrucci, DA (2000), Искусственный интеллект и литературное творчество. Внутри разума BRUTUS, машины повествования. , Hillsdale NJ: Lawrence Erlbaum Associates{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  40. ^ Перес и Перес, Рафаэль, Шарплс, Майк (2001). «МЕКСИКА: компьютерная модель когнитивного описания творческого письма» (PDF) . Журнал экспериментального и теоретического искусственного интеллекта . 13 (2): 119–139. doi :10.1080/09528130010029820.{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
  41. ^ Мартин, Джеймс (1990), Вычислительная модель интерпретации метафоры , Academic Press
  42. ^ Барнден, Джон (1992). «Вера в метафору: серьезное отношение к психологии здравого смысла». Computational Intelligence . 8 (3): 520–552. doi :10.1111/j.1467-8640.1992.tb00378.x.
  43. ^ Veale, Tony, Hao, Yanfen (2007), Понимание и создание подходящих метафор: веб-ориентированный подход к образному языку (PDF) , Труды AAAI 2007, 22-й конференции AAAI по искусственному интеллекту. Ванкувер, Канада{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  44. ^ Фалькенхайнер, Брайан, Форбус, Кен и Гентнер, Дедре (1989). «Машина структурного отображения: алгоритм и примеры» (PDF) . Искусственный интеллект . 20 (41): 1–63. doi :10.1016/0004-3702(89)90077-5.{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
  45. ^ Бинстед, К., Пейн, Х. и Ричи, Г. (1997), «Детская оценка компьютерных каламбурных загадок», Pragmatics & Cognition , 5 (2): 305–354, doi :10.1075/pc.5.2.06bin{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  46. ^ Сток, Оливьеро, Страппарава, Карло (2003), HAHA-сокращение: Юмористические агенты для юмористических сокращений (PDF) , Юмор: Международный журнал исследований юмора, 16(3) стр. 297–314{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )
  47. ^ Вил, Тони (2006), «Отслеживание лексического духа времени с помощью Википедии и WordNet», Труды ECAI'2006, 17-й Европейской конференции по искусственному интеллекту.
  48. ^ Лоу, Локки (2019). «Творчество и телевизионная драма: основанный на корпусе мультимодальный анализ шаблонно-реформирующего творчества в House MD». Corpora . 14 (2): 135–171. doi :10.3366/cor.2019.0167. S2CID  201903734.
  49. ^ Gries, Stefan T. (21.01.2004). "Не должно ли это быть breakfunch? Количественный анализ структуры смешения в английском языке". Лингвистика . 42 (3). doi :10.1515/ling.2004.021. ISSN  0024-3949. S2CID  3762246.
  50. ^ Гервас, Пабло (2001), Экспертная система для сочинения формальной испанской поэзии (PDF) , т. 14, Журнал систем, основанных на знаниях, стр. 181–188
  51. ^ Херреманс, Дориен; Чуан, Чинг-Хуа; Чу, Элейн (2017). «Функциональная таксономия систем генерации музыки». ACM Computing Surveys . 50 (5): 1–30. arXiv : 1812.04832 . doi : 10.1145/3108242. S2CID  54475410.
  52. ^ Коуп, Дэвид (2006), Компьютерные модели музыкального творчества , Кембридж, Массачусетс: MIT Press
  53. ↑ Дэвид Коуп (1987), «Эксперименты в области музыкального интеллекта». В трудах Международной конференции по компьютерной музыке, Сан-Франциско: Computer Music Assn.
  54. ^ "miller-mccune.com". www.miller-mccune.com . Архивировано из оригинала 26 февраля 2010 года.
  55. ^ «Дебютный CD Iamus» – через www.youtube.com.
  56. ^ "Компьютерный композитор чтит столетие Тьюринга". New Scientist . 5 июля 2012 г.
  57. ^ Ассайаг, Жерар; Блок, Жорж; Конт, Аршиа; Дубнов, Шломо (2010), Взаимодействие с машинной импровизацией , Шломо Аргамон, Кевин Бернс, Шломо Дубнов (ред.), Структура стиля, Springer, Bibcode :2010tsos.book..219A
  58. ^ «Робот по имени Шимон хочет поджемовать с вами». NPR.org . 22 декабря 2009 г.
  59. ^ Дубнов, Шломо; Серджес, Грег (2014), Делегирование творчества: использование музыкальных алгоритмов в машинном прослушивании и сочинении , Ньютон Ли (ред.), Digital Da Vinci, Springer
  60. ^ (на французском языке) Пресс-статья: «Génération autotique d'œuvres numériques», статья о медали за изобретение Беатрис Перре дю Крей], Science et Vie Micro .
  61. ^ МакКордак, Памела (1991), Кодекс Аарона. , WH Freeman & Co., Ltd.
  62. ^ Мачадо, Пенусаль; Ромеро, Хуан, ред. (2008), Искусство искусственной эволюции: Справочник по эволюционному искусству и музыке, Серия Natural Computing, Берлин: Springer Verlag, ISBN 9783540728764
  63. ^ «Методы, системы и программное обеспечение для генерации предложений, а также визуальных и аудиокомпозиций, представляющих эти предложения» Канадский патент 2704163
  64. ^ "Представляем Механика-Шахтёра". Игры от Angelina . 5 ноября 2012 г.
  65. ^ "Почему я думаю, что механик-шахтер крут". Игры от Angelina . 16 ноября 2012 г.
  66. ^ deepdream на GitHub
  67. ^ Szegedy, Christian; Liu, Wei; Jia, Yangqing; Sermanet, Pierre; Reed, Scott E.; Anguelov, Dragomir; Erhan, Dumitru; Vanhoucke, Vincent; Rabinovich, Andrew (2015). "Going depth with convolutions". Конференция IEEE по компьютерному зрению и распознаванию образов, CVPR 2015, Бостон, Массачусетс, США, 7–12 июня 2015 г. IEEE Computer Society. стр. 1–9. arXiv : 1409.4842 . doi :10.1109/CVPR.2015.7298594. ISBN 978-1-4673-6964-0.
  68. ^ Мордвинцев, Александр; Олах, Кристофер; Тыка, Майк (2015). «DeepDream – пример кода для визуализации нейронных сетей». Google Research. Архивировано из оригинала 2015-07-08.
  69. ^ Мордвинцев, Александр; Олах, Кристофер; Тыка, Майк (2015). «Инцепционизм: углубляемся в нейронные сети». Google Research. Архивировано из оригинала 2015-07-03.
  70. ^ Макфарланд, Мэтт (31 августа 2015 г.). «Этот алгоритм может создать нового Ван Гога или Пикассо всего за час». Washington Post . Получено 3 сентября 2015 г.
  71. ^ Калпан, Дэниел (1 сентября 2015 г.). «Этот алгоритм может создать имитацию Ван Гога за 60 минут». Wired UK . Получено 3 сентября 2015 г.
  72. ^ "GitXiv – Нейронный алгоритм художественного стиля". gitxiv.com . Получено 3 сентября 2015 г. .
  73. ^ Гатис, Леон А.; Экер, Александр С.; Бетге, Маттиас (2015). «Нейронный алгоритм художественного стиля». arXiv : 1508.06576 [cs.CV].
  74. ^ Икбал, Азлан; Гвид, Матей; Колтон, Саймон; Кривец, Яна; Азман, Шазрил; Хагиги, Бошра (2016). Цифровой синаптический нейронный субстрат: новый подход к вычислительному творчеству . SpringerBriefs in Cognitive Computation. Швейцария: Springer . ISBN 978-3-319-28078-3.
  75. ^ "Честетика". youtube.com . Ютуб .
  76. ^ Хели, С.; Сан, Р. (2010). «Инкубация, понимание и творческое решение проблем: единая теория и коннекционистская модель». Psychological Review . 117 (3): 994–1024. CiteSeerX 10.1.1.405.2245 . doi :10.1037/a0019532. PMID  20658861. 
  77. ^ Толк, Андреас (2013). «Истина, доверие и Тьюринг – последствия для моделирования и имитации». Онтология, эпистемология и телеология для моделирования и имитации . Справочная библиотека интеллектуальных систем. Том 44. С. 1–26. doi :10.1007/978-3-642-31140-6_1. ISBN 978-3-642-31139-0.
  78. ^ Чайтин, Г. Дж. (1987). Алгоритмическая теория информации . Кембриджские трактаты по теоретической информатике. Издательство Кембриджского университета .
  79. ^ «Ассоциация вычислительного творчества».
  80. ^ "ICCC 2020". Ассоциация вычислительного творчества .
  81. ^ "ICCC 2019". Ассоциация вычислительного творчества .
  82. ^ CCSMC 2016, WordPress , 2016.

Дальнейшее чтение

Внешние ссылки

На Викискладе есть медиафайлы по теме «Вычислительное творчество» .
Документальные фильмы