计算创造力

计算创造力(也被称为人工创造力、机械创造力、创造性计算或创造性计算)是一种多学科的努力，位于人工智能、认知心理学、哲学和艺术(例如作为计算文化一部分的计算艺术)等领域的交叉点。

计算创造力的目标是用计算机来模拟、仿真或复制创造力，以达到几个目的之一。构建一个能够达到人类水平的创造力的程序或计算机。更好地理解人类的创造力，并对人类的创造性行为提出一个算法观点。设计能够提高人类创造力的程序，而自己不一定有创造力。

计算创造力领域关注创造力研究的理论和实践问题。关于创造力的性质和正确定义的理论工作与表现出创造力的系统的实施的实践工作同时进行，其中一方的工作为另一方提供信息。计算性创造力的应用形式被称为媒体合成。

如果杰出的创造力是关于规则的打破或对惯例的否定，那么算法系统怎么可能是有创造力的？实质上，这是阿达-洛夫莱斯对机器智能的反对意见的一个变种，现代理论家如特雷莎-阿马比尔重述了这一点。

如果一台机器只能做它被编程的事情，它的行为怎么能被称为创造性呢？事实上，并不是所有的计算机理论家都会同意计算机只能做它们被编程的事情这一前提，这是支持计算创造力的关键点。

由于没有一个单一的观点或定义似乎可以提供创造力的完整图景，人工智能研究者纽维尔、肖和西蒙把新颖性和有用性结合起来，发展成为多管齐下的创造力观点的基石，这个观点使用以下四个标准来把一个给定的答案或解决方案归类为创造力。

答案是新颖和有用的（对个人或社会）答案要求我们拒绝我们以前所接受的想法答案是强烈的动机和坚持的结果答案来自于澄清一个原本模糊的问题虽然以上反映了计算创造力的自上而下的方法，但在参与人工神经网络研究的自下而上的计算心理学家中，已经发展出另一条线索。

例如，在1980年代末和1990年代初，这种生成性神经系统是由遗传算法驱动的。涉及递归网络的实验在混合简单的音乐旋律和预测听众期望方面取得了成功。

阿尔-伯德在他的《超人创造者》一书中认为，人类和其他动物创造力的主要来源是负担意识--对环境中行动可能性的意识。

通过大幅提高人工实体的负担意识，并将这种意识与能够利用行动可能性的系统紧密结合，就可以实现超人的创造力。

传统的创造力计算方法依赖于开发者对处方的明确表述和计算机程序中一定程度的随机性，而机器学习方法允许计算机程序从输入数据中学习启发式方法，使计算机程序具有创造性能力。

特别是，深度人工神经网络允许从输入数据中学习模式，允许非线性地产生创造性的艺术品。

在1989年之前，人工神经网络已经被用来对创造力的某些方面进行建模。

彼得-托德（1989年）首先训练了一个神经网络，从一组训练的音乐作品中再现音乐旋律。然后他用一种变化算法来修改网络的输入参数。该网络能够以一种高度不受控制的方式随机产生新的音乐。

1992年，Todde扩展了这项工作，使用了由PaulMunro、PaulWerbos、D.Nguyen和BernardWidrow、MichaelI.Jordan和DavidRumelhart开发的所谓远距离教师方法。在新的方法中，有两个神经网络，其中一个向另一个提供训练模式。

在托德后来的努力中，作曲家会选择一组定义旋律空间的旋律，用基于鼠标的图形界面将它们定位在一个2维平面上，然后训练一个连接主义网络来产生这些旋律，并聆听网络生成的与2维平面上的中间点相对应的新插值旋律。