AI创造力的意外之源：扩散模型架构副作用的创新启示

想必您曾见过那些由AI生成的奇特图像：人物手部多出几根手指、面部细节扭曲，却散发着一种难以言喻的新颖感。

这引发了一个深刻疑问：扩散模型本质上只是「复制」训练数据，为何能创作出前所未见的作品？

最新研究揭示了惊人答案：

实际上，AI的创造力并非「灵光一闪」，而是模型架构设计带来的副产品。

仅会复制的AI，如何实现创造性突破？

扩散模型的核心任务极为简单：将数字噪声逐步还原为训练过的图像。

类似于把一幅画作碎成纸屑，直至化为微尘，再尝试将碎片重新拼合。

理论上，它应该只能产出「复制品」。

但现实却令研究者震惊不已。

DALL·E、Imagen、Stable Diffusion等模型，生成的并非「翻版」，而是全新图像：

不同视觉元素被巧妙组合，构成从未存在的场景。

更令人惊奇的是，这些组合并非杂乱无章的色块，而是蕴含语义的完整作品。

DALL·E 2生成了这些「金鱼在海滩上啜饮可口可乐」的图像。这个由OpenAI开发的程序可能从未接触过类似画面，却能自主创作出这样的内容。

还记得那些在社交媒体上疯传的「AI多手指人像」吗？

有些图像仿佛超现实主义画作——人物手部凭空多出几根手指，却依然保持整体结构的连贯性。

这类怪异输出，一度被视为笑谈，却也引起了科学家的深思：模型为何会「即兴发挥」？

Giulio Biroli将这一现象称为「扩散模型的悖论」：

「如果它们仅仅是记忆，就不该具备创造力；但它们偏偏能生成前所未见的内容」。

那么，AI的创造力究竟源自何处？

多指人像背后的「缺陷馈赠」

在最新研究中，两位物理学家提出了一个出人意料的解释：

AI的「创造力」，实际上是其架构内在的副作用。

扩散模型在生成图像时，遵循两条严格规则：

第一条称为局部性。

它在绘制过程中，并不全局考量整个画面，而是每次仅关注一个微小的像素「拼块」。

犹如拼图时，你只专注于眼前的一块碎片，而非其在整个图案中的最终位置。

第二条称为平移等变性。

如果输入图像整体向左或向右移动若干像素，模型生成的画面也必须同步偏移。

这是维持图像结构连贯性的关键机制。

这两条规则，原本是扩散模型在「去噪」过程中的约束条件。

研究者曾认为这是缺陷，会阻碍模型生成完美复制品。

但事实证明，正是这种「不完美」，迫使AI无法完全依赖记忆，必须在局部拼贴中进行即时重组。

从而导致了手指可能多长几根、元素拼接略显怪异，但整体画面却意外涌现新意。

换言之，AI的创造力，并非刻意设计的能力，而是其架构必然衍生的副产品。

ELS方程机：创造力的数学验证

若AI创造力真是副作用，如何证明？

斯坦福大学研究生Mason Kamb与导师Surya Ganguli，进行了一项实验。

他们基于这两条规则构建了一套纯数学系统，命名为ELS方程机（Equivariant Local Score machine）。

该系统的独特之处在于，它不依赖海量训练数据，也无任何黑箱深度网络。

它仅用一组方程，预测当噪声逐步被「清除」时，图像将如何拼合。

随后，他们将同一组噪声图像同时输入ELS方程机与真实扩散模型。

结果令人震撼：ELS方程机生成的结果，与扩散模型输出的平均重合度高达90%。

在机器学习领域，这几乎是史无前例的精度。

Ganguli感慨道：

「这仿佛用一组公式，书写了创造力的起源。」

所谓「AI创造力」，并非神秘灵感，而是局部性与平移等变性在动态运行中必然产生的产物。

只要满足这两个条件，「创造」便会自动涌现。

AI的失误，映照人类创造力的本质

这项研究不仅揭示了扩散模型的秘密，更令人联想到生命系统。

Mason Kamb的灵感源自其长期研究形态发生——即胚胎如何从一团细胞自我组织成器官与肢体。

在此过程中，细胞仅根据邻近细胞的信号做出局部反应。

多数时候，这种自组织能形成正常躯体，但偶尔也会出错——例如多长手指。

当Kamb看到扩散模型生成的「AI多指人像」时，他立即联想到胚胎发育中的「局部拼贴错误」。

这表明，AI的创造力，本质上与生物的自组织过程惊人相似。

研究者甚至提出更大胆类比：人类的创造力，或许与AI并无本质区别。

我们的大脑，并非凭空迸发灵感，而是在有限经验与记忆中，持续拼接、补全、想象，最终产出新事物。

正是偶尔的错误与缺口，反而成为创新的源泉。

正如IBM研究员Benjamin Hoover所言：

「人类与AI的创造力，可能都植根于对世界的不完整理解。」

创造力未必是高高在上的天赋，它也可能是一种副作用，一种「不完美」带来的意外惊喜。

当「创造力」能被一组公式描述，人类与机器的界限也愈发模糊。

或许，真正的灵感，从来不是天才的特权，而是「不完美」的副产品。

研究揭示的，不仅是AI的秘密。

更是在提醒我们：创造，往往孕育于偏差之中。

参考资料：

https://www.wired.com/story/researchers-uncover-hidden-ingredients-behind-ai-creativity/

https://www.quantamagazine.org/researchers-uncover-hidden-ingredients-behind-ai-creativity-20250630/