Scaling creativity in the age of AI

•AI顯著提升內容創作效率，使創作者能在數分鐘內生成高品質內容，而非耗費數小時或數天。
•生成式AI透過賦予創作者嘗試多樣風格、格式和媒體形式的能力，擴展了創意的邊界，讓他們能專注於更高層次的創意工作。
•儘管AI能提升個體創作者的創意品質，特別是對初始創意能力較弱者，但在集體層面上，過度依賴AI建議可能導致作品同質化，缺乏獨特性。
•AI在創意領域的應用已超越文字，涵蓋視覺藝術（如Midjourney、DALL·E）、音樂（如AIVA、Amper Music）和影片製作，催生了互動藝術和虛擬體驗等新形式。

大型語言模型 (LLM):
- 核心原理基於機器學習和自然語言處理 (NLP) 技術，透過分析大量文本數據學習語言模式，並基於機率預測下一個最有可能出現的單詞或短語。
- 建立在神經網路基礎上，運用 Transformer 架構的深度學習技術進行語言處理，其中「注意力機制」能有效識別並處理語言序列中的關聯性。
- 運作過程主要包括預訓練（採用自監督學習進行大規模數據訓練）和微調（透過標準答案引導強化特定領域表現）兩個階段。
- 應用範疇廣泛，包括文案撰寫、知識庫回答、程式碼生成及故事創作等。
擴散模型 (Diffusion Models):
- 核心思想是學習如何從噪聲中恢復數據，進而生成數據。
- 包含正向過程（逐步向圖像添加高斯噪聲直到變成純噪聲）和逆向過程（從純噪聲逐步去噪以生成目標圖像）。
- 訓練目標是預測圖像中添加的噪聲量，然後從圖像中減去這些噪聲以獲得更清晰的圖像。
- 在圖像生成領域表現卓越，例如OpenAI的DALL·E 2和Google的Imagen均基於擴散模型。
- 該框架已擴展至文字生成等離散數據領域。

創意產業的就業市場將經歷結構性轉變。

AI工具能自動化或加速重複性任務，促使創意人員從執行者轉變為指導者和管理者，並增加對具備AI技能人才的需求。

AI生成的內容可能面臨同質化挑戰。

隨著大量內容依賴相似的AI模型生成，創意作品可能缺乏獨特性，且有時缺乏人類的情感觸動與深度。

歷史學和教育領域將重新定義其方法論和教學重點。

AI工具可用於史料整理、影像判讀和互動式學習，但歷史學家需要發展新方法確保AI敘事符合學術標準，並將教育重點轉向「歷史思維」而非知識記憶。

1942

圖靈測驗被設計，為智能機器的創造設定測試指標。

1973

Harold Cohen 啟動 AARON 項目，這是最早的 AI 藝術家之一。

2015

Google 的 DeepDream 和早期風格轉換技術在網路上爆紅。

2018

AI 生成藝術作品《艾德蒙·德·貝拉米肖像》在佳士得拍賣行以高價成交，標誌著 AI 藝術正式進入主流藝術市場。

2020

DDPM (Denoising Diffusion Probabilistic Models) 論文發表，展示擴散模型在圖像合成方面的能力，擊敗 GAN。

2022

擴散模型（Diffusion models）與 Midjourney、DALL·E、Stable Diffusion 等工具的普及，使 AI 藝術正式走入主流。

AI 時代的創意擴展