AI爛方案提升創造力373%

🔑 增強重點摘要

• •該研究指出，AI 提供的「爛方案」能有效打破使用者的「功能固著」（Functional Fixedness），迫使大腦進行更深層的認知重組，而非僅是單純的模仿或優化。
• •研究中使用的 MAP-Elites 演算法屬於一種演化計算策略，其核心優勢在於能同時在多個維度上維持解的多樣性，確保 AI 輸出的建議不會收斂於單一的局部最優解。
• •實驗數據顯示，當 AI 建議的品質過高時，使用者反而容易產生「錨定效應」（Anchoring Effect），導致設計思維受限，這解釋了為何適度引入低品質建議反而能提升整體創造力。

🛠️ 技術深入

• •研究採用了 MAP-Elites（Multi-dimensional Archive of Phenotypic Elites）演算法，這是一種基於演化策略的搜尋演算法。
• •MAP-Elites 的運作機制：將搜尋空間劃分為不同的特徵維度（Phenotypic dimensions），並在每個維度中維護一個精英解（Elite）的存檔。
• •該方法透過不斷變異（Mutation）現有解並評估其特徵，將新解放入對應的特徵儲存格中，若新解優於該儲存格現有解則進行替換，從而確保了整個解空間的多樣性與品質。
• •在設計任務中，AI 系統透過此機制生成涵蓋不同設計風格、結構或功能的建議，而非僅提供單一方向的優化建議。

🔮 前景展望AI analysis grounded in cited sources