ARTICLE · 1325819
AI比你更有创意吗?12 种“创造力”的隐喻与AI对创造力的影响
截至 2025 年 12 月，中国有 6.02 亿人在用生成式 AI，普及率 42.8%（CNNIC 第 57 次报告）。常被问它的两件事：帮我答题，和帮我想点子。
于是问题来了：机器也能想出新东西了，创造力还算什么？
心理学回答不了“AI 有没有创造力”，但它回答了一个更有用的问题：你说的“创造力”，到底是哪一种创造力？
一、你脑子里的“创造力”，其实是一个比喻
1950 年，心理学家吉尔福特第一次把“创造力”正式推上心理学的台面。他给出的抓手叫发散思维——同一个问题，能想出越多、越不寻常的答案，就越有创造力。七十年后，这套思路仍是绝大多数创造力测验的骨架。
但问题也在这里。七十余年过去，心理学依然没能给出一个所有人都认的定义。研究者最后达成的小共识相当朴素：一个产物要“有创意”，通常得同时满足两条——既新颖，又有效（Runco & Jaeger, 2012）。至于新颖从哪来、有效由谁说了算，各派吵得不可开交：有人盯大脑里的加工机制，有人盯创造者的主观体验，有人盯社会环境，有人只盯最终的作品。
加拿大学者 McKerracher 在 2016 年的《创造力研究杂志》上给了一个很妙的解法。他不再争论“哪个定义对”，而是做了一件更基础的事：把这些理论背后偷偷使用的比喻，一个个抓出来。
这篇论文只有 9 页，列出了 12 种创造力的概念隐喻。依据是认知科学的经典发现：人理解抽象事物时，几乎总要靠一个更具体的东西来搭桥（Lakoff & Johnson, 1980）。“创造力是灵感”“创造力是肌肉”“创造力是宝藏”——这些不是修辞装饰，而是理论的隐形脚手架。你选哪个比喻，就等于提前选定了“什么算创造力”，也提前选定了“什么不算”。
McKerracher 的原话大意是：追求单一、严格的定义会让人忽略其他同样有解释力的视角；我们应该承认、审视并庆祝创造力可以被想象的方式之多样。
十年之后，这套框架意外地派上了新用场——它几乎是一张为 AI 时代准备的提问清单。
（说明：McKerracher 2016 是纯理论文章，写于 ChatGPT 出现之前，完全不涉及 AI。下面把 12 种隐喻逐一对到 AI 身上，是我的延伸，不是他的结论。）
二、12 种想象，分成 4 个家族
家族 A：灵感系——创造力是“疯狂”与“附身”
① 创造力是疯狂（Madness） 从柏拉图讲“灵感迷狂”、讲缪斯附体开始，西方就有这条线：创造不是理性的产物，而是被某种超越个体的力量击中。关键词是自发、非理性、不可控。
② 创造力是附身（Possession） 比疯狂更进一步——不光失控，而是被占据了。创造者变成一根管道，天使与恶魔在其中拉扯，创作甚至带上了暴力与自我毁灭的味道。
这两个隐喻在 AI 身上遇到的，不是“AI 做不到”，而是“AI 根本不在同一张考卷上”。语言模型不会失控，不会失眠，不会在凌晨三点被一句话惊醒。它的输出永远躺在概率分布之内。“附身”预设一个可以被占据的主体，而 AI 没有主体。
顺便破一个迷。“疯才”的想象太诱人，许多人相信创造力与精神疾病天然相连。真实数据是这样的：一项覆盖瑞典 30 万人的研究发现，创造性职业者中某些精神障碍的比例确实略高（Kyaga 等，2011），但效应量很小，远不足以支撑“不痛苦就没才华”；而一项 11 国调查发现，“天才必受苦”“创造力是少数人的天赋”这类迷思流传极广，信得越多的人，对创造力的理解反而越窄（Benedek 等，2021）。这两个隐喻描述的是一种真实感受，不是可靠的判定标准。
家族 B：过程系——创造力是“进化”“孵化”“照亮”
③ 创造力是进化（Evolution） 借达尔文的框架：先大量变异（生成一堆想法），再选择（留下最适应任务的）。这套“盲目变异—选择性保留”的思路，源头是哲学家坎贝尔（Campbell, 1960），后来被 Simonton 发展成完整的创造力学说。
AI 在这一格上强得离谱：一句话给你 20 个变体，还能按标准排序。但 McKerracher 的提醒同样重要：生物进化没有方向，创造活动却有知识、有经验、有定向加工。想法数量上去了，质量不会自动上去。
④ 创造力是孵化（Incubation） 1926 年，格雷厄姆·华莱士在《思维的艺术》里描述了创造过程的阶段：准备、孵化、顿悟、验证（原书写得比“四阶段”更复杂，四段是后人的简化）。“孵化”最反直觉的地方是：你以为你在放弃思考，其实大脑还在后台干活。
这不是鸡汤。一项汇总上百项实验的元分析证实，适度把问题放下确实能提升解题表现——但效果不是玄学，它取决于任务难度、放下的时长，以及你放下时去做什么（Sio & Ormerod, 2009）。
AI 在这格上是空缺的，而且空缺得很彻底：模型没有“离开问题”这个状态。 它要么在被调用，要么不在运行。人类创造力中那部分“散步时突然想通”的能力，AI 提供不了——但有意思的是，AI 可以成为你散步路上捡到的那块石头。
⑤ 创造力是照亮（Illumination） 就是“啊哈！”时刻。它的机制被解释得很具体：不是新信息进来了，而是你重新描述了整个问题。经典的九点连线谜题（用 4 条直线连完 9 个点）里，绝大多数人卡住，是因为心里那条“线段不能超出方框”的隐形边界。实验证明，一旦人打破了这个知觉上的限制，顿悟就会发生（Knoblich 等，1999）。
AI 能重新组合已知，也能在超大搜索里给出惊人结果。2016 年 AlphaGo 对李世石第二局那手“第 37 手”被媒体封为神来之笔；但按博登的经典三分法，它属于探索型——把既有规则空间走到极致，而不是变革型（改写规则本身）。把“算得快、找得妙”读成“范式革命”，是我们对 AI 最普遍的夸饰。
家族 C：认知系——创造力是“发散”与“算法”
⑥ 创造力是发散（Divergence） 这是当代最主流的一格，也是所有创造力测验的原型：流畅性、灵活性、独创性。它还有个兄弟叫远距离联想——能把语义上离得很远的两个概念连起来的人，往往更擅长创造（Mednick, 1962）。
这一格现在 4 分钟就能测完：请你在四分钟内写出 10 个彼此“最不像”的词，机器算一下它们的语义距离就得到一个分数——而这分数确实能预测人在其他创造力任务上的表现（Olson 等，2021）。
AI 在这一格的表现，可以一句话概括：个体像赢家，群体像复印机（证据见第三节）。
⑦ 创造力是算法（Algorithm） 把创造理解为一套可形式化的信息加工：知识组合、因果推理、按程序生成。这条路的终点，就是“机器能否创造”这个问题本身。
McKerracher 对它提出的那个反问，是全文最锋利的一句：如果创造完全可以由既定规则描述，那谁来解释——那些改变规则本身的创造？ 这也是今天大模型真实的结构性天花板：它们的训练目标是把“下一个词预测得更准”，本质上是在往分布的中心靠拢。而变革型创造，恰恰住在分布的尾部。
家族 D：价值与社会系——最后 5 个隐喻，AI 最缺席的地方
⑧ 创造力是投资（Investment） 其实就是低买高卖。创造者先看出某个还不被认可、却有潜力的想法（低价买入），投入时间、精力、信誉去把它做起来，再等世界给它定价（高价卖出）（Sternberg & Lubart, 1991）。所以创造不只是“想出新东西”，更是判断价值、承担风险、并且坚持下去。
AI 能生成一百个想法，但不能替你为任何一个想法承担后果。它没有“押注”这件事。
⑨ 创造力是地点（Place） 为什么是 1920 年代的巴黎、1950 年代的格林威治村、今天的某个创业街区？这个隐喻把创造力从个人脑袋搬到具体空间：一个地方的氛围、期待与集体想象，会反过来塑造“什么算创造”。
AI 没有社会位置，不栖居在任何地方。更值得警惕的是反向作用力：当几亿人用同一批模型找灵感，“地点”承载的文化差异会被缓慢抹平。
⑩ 创造力是突破边界（Breaking a Boundary） “打破常规”“跳出框架”“颠覆式创新”这些词本身就藏着假设：知识有边界，创造就是跨过去。盲点是太崇拜结果：突破往往要事后、由别人确认才成立，而过程中持续发生的小调整、小重组，被这套语言一笔抹掉。
⑪ 创造力是生命体（Organism） 与⑩正好相反：想法像种子，从内部生长，需要时间和照料，会在时间里变形。它把注意力从“杰作”移回“过程”。
AI 的生成是即时的，没有生长，也没有时间深度。它能在你写第三稿时给出更好的建议，却无法替你经历把题目养熟的过程。
⑫ 创造力是民主协调（Democratic Attunement） 这是最特别的一个。它来自研究者 Bellingham 的观察：创造体验的核心是一种“民主式协调”——自由与纪律、理性与直觉、个体性与整体性，这些彼此矛盾的力量不打倒对方，而是被持续调和。于是创造力不再是某个人的属性，也不只是某个认知过程，而是一种动态关系。
它也可能是 12 个隐喻里对 AI 最友好的一个。计算创造力研究近年反复走到同一处：有建设性的人机协作不是让 AI 代写，而是让它作为一个有抵抗性的他者进入这场协调——它提供计算性的发散与模式识别，人类提供具身经验、价值判断与意向性（Deshpande & Magerko, 2024；Gaggioli 等, 2025）。
三、AI 到底改变了什么？四组经过核实的数据
上面的框架很好用，但真正让人后背发凉的，是这几年陆续做出来的实验。
① 个体更强，群体更窄。 Doshi 与 Hauser 在《科学进展》（2024）发表了预注册实验：293 名写作者用 GPT-4 给出的灵感写 8 句话的冒险故事，再由600 名完全不知情的人盲评。结果拿到 AI 点子的故事，新颖性提升 5.4%（一个点子）到 8.1%（五个点子），有用性提升 3.7%–9.0%；评估者还觉得它们更有趣、更有反转、更少让人感到无聊。提升最猛的是本来创造力较低的写作者——“写得更好”最高提升 26.6%，几乎追平了高创造力组；而本来就很有创意的那批人，AI 加成接近于零。
但同一批数据换个视角就不一样了：AI 组成员之间的故事彼此更像，相似度增幅相当于纯人类组内值域的 10.7% 和 8.9%；这些故事还明显向那句 AI 提示词靠拢（+5.0%–5.2%）。作者称之为社会困境：每个人都变好了，集体能看到的叙事范围却变小了。
② 点子多了 15%，“这想法是我造的”的感觉却少了 15 个百分点。 Anderson、Shah 与 Kreminski（2024，ACM《创造力与认知》会议）做了个漂亮的对照：33 名参与者，一半任务用 ChatGPT，一半用 Brian Eno 那副著名的**《斜策略》卡牌**（一张写着“想到而不是看到”、另一张写着“删除最明显的想法”之类的随机启发式卡片）。结论是：个人想法的多样性两组没差别，但群体层面 ChatGPT 组的想法明显更同质（效应量 d=0.47, p=0.038）；ChatGPT 组想得更多（约多 15%），却报告自己对这些想法“负的责任”更低——48.2% 对 63.6%（p=0.003）。
这篇论文最有价值的是它对机制的解释：《斜策略》卡牌给的内容很含糊，用户必须自己翻译、解释、加工才能用——作者称之为**“解释距离”**；而 ChatGPT 给出的是一句看起来已经完工的话，可以直接抄。同质化不是因为人变懒，而是因为工具交出的东西太完整。它的建议也极其直接：未来的创造力工具，应该学着像那副卡牌一样，故意说得别扭一点。
③ 换一家模型，也换不出第二个世界。 Wenger 与 Kenett（2025，预印本）问了一个新角度：前面那些研究都只测一个模型，同质化是不是“这家模型”的问题？他们跑了 22 个大模型，为保证可比性，核心统计另外只选了分属 7 个家族的 7 个模型（含 GPT-4o、Gemini 1.5、Llama 3 70B、Mistral Large、Cohere Command R Plus 等），与 102 名人类被试做同样的三项创造力测验。
结果耐人寻味：个体原创性上，大模型与人类几乎不分高下（AUT 任务 0.711 对 0.696，模型还略胜）；可一旦看群体多样性，模型之间互相的语义距离只有 0.459 / 0.534 / 0.665，人类则是 0.738 / 0.835 / 0.819，效应量高达 1.4–2.2——大模型彼此之间的相似，远超过人类彼此之间的相似。换句话说，“我不用 ChatGPT，我换一家”并不能把你换出那个中心。
④ 更长期的风险叫“模型坍塌”。 Shumailov 等人在《自然》（2024）证明：当模型开始用上一代模型生成的内容训练自己，稀有事件的信息会一轮一轮地丢掉，整个分布向中心收缩、变矮变平。他们把这称为“模型坍塌”。这条链路一旦与创造力的社会结构接上，就构成了一个闭环的隐忧：趋同的输出，喂成趋同的数据，再喂出更趋同的模型。
需要说明的是，学界对这个效应的幅度仍有分歧：另有团队（Moon 等，2025；Padmakumar 与 He，2024）发现某些任务上差异没有这些数字那么强。目前最稳的一句话是：“个体创造力增益”证据充分，“群体多样性损失”证据正在积累、但幅度仍有争议。任何把话说满的文章（包括这篇）都该按此打折。
四、五个可以今天就用的做法
把 12 个隐喻当成体检表，你会发现每个隐喻都对应一个具体动作。
先自己想满 15 分钟，再打开 AI。（孵化隐喻 + 解释距离）顺序是关键：Doshi & Hauser 实验里的锚定效应，恰恰说明“先看到什么”会框住后面的一切。你要带着自己的答案去问 AI，不是去问它怎么办。
让 AI 唱反调，而不是代笔。（民主协调隐喻）把“删除最明显的想法”“用第三人称重写”“把它做砸会怎样”这类斜策略式指令固定下来，人为制造解释距离。让模型给你阻力，而不是给你交付物。
主动加“算法之外的噪音”。（地点 + 生命体隐喻）纸质书、陌生街区、跟你职业毫无关系的人、以及线下社群。文化语境与集体认同不是背景板，它是创造力的产地；这部分是 AI 最难侵入、也最容易被侵蚀的地方。
用投资人的眼光审 AI 的想法。（投资隐喻）AI 擅长“多”，不擅长“值”。给它 20 个点子时，别选最好的那个——故意去看那个便宜、没人要、但你觉得有意思的，然后自己下注。这一步是你唯一不可外包的判断。
别把荣誉让出去。（附身 / 意向性隐喻）关于 AI 创作的署名争议已有实证工作：在“AI 以梵高风格作画”的情境中，荣誉往往流向 AI，而非提供原创素材的艺术家（美国德州大学阿灵顿分校 Ananya Singh 的系列研究，2025 年该校以新闻稿发布；《科学美国人》的公众调查也显示，人们更希望 AI“帮助艺术家，而不是成为艺术家”）。哲学界更在意这一点：很多理论家把“有意识的意向能动性”视为创造力的必要条件（Pearson 等，2026；Gao & Mvondo，2026）。你真正要守住的，不是某段文字的所有权，而是“我在做这件事”这个事实。
五、最后：你选哪个比喻，就选哪种创造力
回到最初的问题——AI 有没有创造力？
McKerracher 的 12 个隐喻给出的答案更诚实：这个问题本身取决于你把创造力想象成什么。 用“算法”当标准，AI 简直是创造力的化身；用“附身”或“民主协调”当标准，AI 永远是个外人；用“进化”当标准，它是史上最强的变异生成器；用“生命体”当标准，它连时间这一关都没进去。
所以真正值得担心的不是“AI 抢走创造力”，而是只剩一个比喻。当“算法”成为唯一语言，我们就会把“在既有规则里搜得又快又美”，误认成“创造了新规则”；把个体产出的小幅提升，误认成集体视野的扩展。
创造力最好的那批定义都很朴素：新，而且有用；有人真的在意，也有人真的认账（Runco & Jaeger, 2012；Csikszentmihalyi, 1996）。后半句是社会性的——它意味着“什么算创造”最终要由人组成的共同体来裁定。
这件事，目前还轮不到模型决定。
留一个问题给你：今天你打开 AI 的时候，用的是 12 种想象里的哪一种？而它正在悄悄把哪一种，从你的词典里抹掉？
参考文献
McKerracher, A. (2016). Understanding creativity, one metaphor at a time. Creativity Research Journal, 28(4), 417–425.
Boden, M. A. (2004). The Creative Mind: Myths and Mechanisms (2nd ed.). Routledge.
Csikszentmihalyi, M. (1996/2014). Creativity / The Systems Model of Creativity. HarperCollins / Springer.
Guilford, J. P. (1950). Creativity. American Psychologist, 5(9), 444–454.
Mednick, S. A. (1962). The associative basis of the creative process. Psychological Review, 69(4).
Runco, M. A., & Jaeger, G. J. (2012). The standard definition of creativity. Creativity Research Journal, 24(1).
Olson et al. (2021). Naming unrelated words predicts creativity. PNAS, 118(25).
Wallas, G. (1926). The Art of Thought. Harcourt, Brace.
Sio, U. N., & Ormerod, T. C. (2009). Does incubation enhance problem solving? A meta-analytic review. Psychological Bulletin, 135(1).
Knoblich, G., Ohlsson, S., et al. (1999). Constraint relaxation and chunk decomposition in insight problem solving. JEP:LMC, 25(6).
Campbell, D. (1960). Blind variation and selective retentions. Psychological Review, 67(6).
Sternberg, R. J., & Lubart, T. I. (1991). An investment theory of creativity and its development. Human Development, 34(1).
Kaufman, J. C., & Beghetto, R. A. (2009). Beyond big and little: The four C model of creativity. Review of General Psychology, 13(1).
Kyaga, S., et al. (2011). Creativity and mental disorder: Family study of 300,000 people. British Journal of Psychiatry, 199(5).
Benedek, M., et al. (2021). Creativity myths. Personality and Individual Differences, 182, 111068.
Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290.
Anderson, B. R., Shah, J. H., & Kreminski, M. (2024). Homogenization effects of LLMs on human creative ideation. ACM C&C '24, 413–425.
Wenger, E., & Kenett, Y. (2025). We're different, we're the same: Creative homogeneity across LLMs. arXiv:2501.19361.
Shumailov, I., et al. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759.
Moon, K., Green, A., & Kushlev, K. (2025). Homogenizing effect of LLMs on creative diversity. Computers in Human Behavior: Artificial Humans.
Deshpande, M., & Magerko, B. (2024). Reframing computational co-creativity: An embodied socio-cognitive lens. ICCC 2024.
Dalsgaard, P. (2026). Combinatorial capture: Generative AI and the displacement of transformational creative work. NordICHI '26.
CNNIC. 第 57 次《中国互联网络发展状况统计报告》（2026 年 3 月发布）.
更多阅读
