Czy AI jest kreatywna?

1. Co właściwie nazywamy nieszablonowością?

Punktem wyjścia była krótka definicja: kreatywność to coś nieszablonowego. Problem pojawił się przy próbie zastosowania jej do AI. Asystent uznał nowe połączenia, analogie i przekształcenia wyuczonych wzorców za argument na rzecz kreatywności. Odpowiedź brzmiała: przecież to nadal może być sprawne operowanie schematami.

To zastrzeżenie jest ważne. Liczba możliwych kombinacji może być ogromna, a rezultat niepowtarzalny, choć metoda jego uzyskania pozostaje rutynowa. Sama niepowtarzalność nie rozstrzyga jeszcze, czy powstał twórczy pomysł. Również samo zaskoczenie odbiorcy mówi coś o jego oczekiwaniach, lecz nie wyjaśnia procesu powstania rozwiązania.

Logika, litery i cyfry stanowią bazę. Nie są gotowym pomysłem. Powołanie się na to, że nowy dowód matematyczny musi zachować poprawność logiczną, nie odpowiada więc na pytanie o jego kreatywność. Trzeba odróżnić podstawowe warunki sensownego rozumowania od utartego sposobu postawienia i rozwiązania konkretnego problemu.

W tej części przyjmujemy mocniejsze kryterium: kreatywność ma obejmować zakwestionowanie zastanego sposobu ujęcia problemu, jego założeń lub kryteriów sukcesu. Nie sprowadzamy jej do znalezienia lepszego wariantu w niezmienionych ramach. Jest to świadomie przyjęta perspektywa tego artykułu, a nie jedyna możliwa definicja kreatywności.

2. AlphaGo: nowa strategia w tej samej grze

Jako argument za kreatywnością AI pojawiło się AlphaGo Zero. System uczył się przez grę ze sobą, bez treningu na przykładach ludzkich partii. Łączył sieć neuronową oceniającą pozycje i proponującą ruchy z selektywnym przeszukiwaniem drzewa gry. Nie było to pełne brute force, czyli wyliczanie wszystkich możliwych przebiegów rozgrywki. [1]

Nie można zatem rzetelnie wyjaśnić jego sukcesu wyłącznie większą pamięcią i mocą obliczeniową. Istotna była również metoda: sposób uczenia, oceny pozycji i kierowania poszukiwaniem. Duże zasoby umożliwiały wiele prób, a algorytm pomagał wybierać możliwości warte dalszego sprawdzania.

Jednak reguły Go oraz cel wygrywania pozostawały ustalone. AlphaGo Zero wypracowywało strategie w ich obrębie. Nie zmieniało zasad gry, warunku zwycięstwa ani samego zadania. To właśnie ograniczenie przykładu: skuteczniejsze działanie w zadanych ramach nie dowodzi jeszcze zdolności do zakwestionowania tych ram.

Z perspektywy przyjętej w tym tekście jest to przede wszystkim osiągnięcie w uczeniu i optymalizacji. Określenie strategii jako niekonwencjonalnej opisuje jej relację do dotychczasowej praktyki graczy. Nie jest automatycznym dowodem kreatywności w mocniejszym znaczeniu, o które toczył się spór.

3. Funkcja celu nie jest pomysłem na rozwiązanie

Funkcja celu określa, co system ma uznawać za lepszy rezultat. W grze może to być zwycięstwo. Optymalizacja szuka sposobu osiągania tego rezultatu. Może prowadzić do zachowania bardzo nietypowego z ludzkiej perspektywy, bez zmiany kryterium, według którego system ocenia sukces.

Trzeba zarazem zachować precyzję: nadanie celu przez człowieka nie oznacza, że człowiek podał każde późniejsze rozwiązanie. System może znaleźć strategię, której projektant nie przewidział. Zależność od ludzkiego celu i samodzielność poszukiwania sposobu jego realizacji to różne kwestie. Samo pochodzenie polecenia nie rozstrzyga więc o twórczym charakterze wyniku.

Podobną ostrożność warto zachować wobec odkryć matematycznych. FunSearch, łączący model językowy z programem sprawdzającym wyniki, znalazł nowe konstrukcje poprawiające wcześniejsze wyniki oraz nowe heurystyki dla zadania pakowania. To konkretne osiągnięcia. Nie stanowią jednak same w sobie dowodu, że system samodzielnie przeformułował cel badania lub jego podstawowe założenia. [2]

4. Czego ta rozmowa rzeczywiście dowiodła?

Najmocniejszy zarzut wobec łatwego przypisywania AI kreatywności brzmi: sprawne przetwarzanie wyuczonych wzorców samo w sobie jej nie wykazuje. Podobnie większa liczba prób, skuteczniejsze wyszukiwanie i lepsze dopasowanie do funkcji celu nie powinny automatycznie otrzymywać etykiety twórczości.

Równie ostrożnie trzeba jednak traktować odwrotne twierdzenie: że żadna AI nigdy nie może być kreatywna. Nie wynika ono z samego faktu, że system działa algorytmicznie lub uczy się statystycznie. Odrzucenie jednego argumentu za kreatywnością nie jest jeszcze dowodem jej niemożliwości. Kategoryczne rozstrzygnięcie wymagałoby kryterium, które odróżnia rutynę od twórczości i da się konsekwentnie zastosować do konkretnych przypadków.

Sama rozmowa pokazała też słabość odpowiedzi AI: słowo „kreatywność” przesuwało znaczenie pomiędzy nowością wyniku, niekonwencjonalną strategią i zmianą ram problemu. Bez utrzymania jednej definicji kolejne „tak” i „nie” sprawiały wrażenie sprzeczności, choć często odpowiadały na różne pytania.

Teza tej części jest więc następująca: nowy schemat gry, lepsza metoda i nieznany wcześniej wynik nie wystarczają, żeby przypisać AI kreatywność rozumianą jako wyjście poza zastane ramy. Omówione przykłady pokazują możliwości uczenia i optymalizacji. Mocniejsze twierdzenie o kreatywności wymaga mocniejszego dowodu.

Źródła

1. David Silver i in., „Mastering the game of Go without human knowledge”, Nature 550, 354–359 (2017). Opis działania AlphaGo Zero.
2. Bernardino Romera-Paredes i in., „Mathematical discoveries from program search with large language models”, Nature 625, 468–475 (2024; publikacja internetowa 2023). Opis FunSearch.