AI创作的能力边界：一场关于"新"的追问

AI写的文章越来越流畅，代码越来越优雅，甚至能画出惊艳的画作。但读多了总会有一种感觉：技术上无可挑剔，却少了点什么。

那种"少了的东西"，有人说是灵魂，有人说是创造力，有人说是对生活的真实体验。这些说法或许都有道理。换个角度想，创作本来就不是一道门槛，而是一条长长的路。最基础的是把已有的东西重新排列组合；再往前，是用新的方式重新框定问题；走到最远，才是凭空造出一个从未有过的概念。AI现在走得快的，是前面那段；后面这段路，它还在摸索。这不是什么缺陷，只是现状。看清楚这一点，比争论它"会不会创作"更有意思。

我的看法是：AI的创作方式本来就和人类不同。

01 背景：AI的狂奔时代

2012年，AlexNet用8层卷积神经网络把ImageNet错误率从26%砍到15%，那是一个时代的开始。

之后的故事大家都很熟悉了：

• 2017年，Transformer登场，"注意力"成为AI的核心词汇
• 2020年，GPT-3诞生，1750亿参数，刷新了人们对"大规模"的认知
• 2022年，ChatGPT引爆全网，普通人第一次感受到什么叫"对话式AI"
• 2024年，Sora炸场，视频生成的物理直觉似乎被模型掌握了

数据量翻倍，参数规模翻倍，benchmark分数一路走高。

但一个根本问题始终没有答案：这些进步，到底在多大程度上代表了"理解"，又在多大程度上只是"模式匹配的精进"？

这不是贬低AI的成就，而是想厘清我们谈论"创作"时，究竟在谈论什么。

02 统计的边界与能力光谱

现代AI最核心的能力，是在海量数据中寻找相关性。

"相关"这件事做到极致，就是：给定上文，预测最可能的下文。这让AI可以写文章、作诗、写代码，看起来像创作。

但相关性有一个特点：它描述的是"过去数据中的规律"，而不是"规律背后的机制"。

举个例子。AI可以从大量医学文献中总结出"吸烟的人肺癌发病率更高"，这是相关性的胜利。但发现"吸烟→DNA损伤→细胞癌变"这一因果链条，需要实验验证、机制分析，以及不断追问"为什么"。

这引出一个关键区分：

知道"是什么"（what），是识别模式、总结规律。追问"为什么是"（why & how），是构建因果解释、进行反事实推理。

目前AI在前者上表现卓越，在后者上仍有局限。这不是说AI"不懂"，而是说它的训练目标和数据形式，优化的是模式匹配能力，而不是因果推断能力。

但需要注意的是：人类也不是天生就擅长因果推断。科学方法（控制实验、随机对照、因果图模型）是人类花了数百年才发展出来的。把"因果理解"视为人类独有的天赋，可能是一种浪漫化的想象。

03 创作的光谱：从重组到发明

与其问"AI能不能真正创作"，不如问：创作本身有多少种形式？

我倾向于把创作能力看作一个光谱，而非阶梯。

重组是最基础的层次，把已有元素以新的方式组合。按模板写作新闻快讯，用生物学概念解释经济现象，用鲁迅的笔法写外卖点评，都属于这一类。AI在这个领域已经很强——很多被我们认为"有创意"的人类作品，本质上也是重组。毕加索的立体主义重组了视觉空间，乔伊斯的《尤利西斯》重组了叙事结构。

再往前是重构，改变看待问题的方式，建立新的连接。达尔文把"物种起源"从神学问题变成历史问题，图灵把"智能"从哲学概念变成可操作的测试。AI偶尔能触及这个层面。比如AlphaFold把蛋白质折叠从实验科学变成计算问题。这种重构往往来自对问题空间的重新理解，而非单纯的数据拟合。

最远端是发明，提出真正全新的概念框架，开辟前所未有的认知空间。牛顿发明"力"的概念，让运动有了可量化的描述。香农发明"比特"，让信息有了数学基础。这是人类创作的最高成就，也是AI尚未稳定达到的领域。但"尚未"不等于"永远不能"，我们缺乏判断这一点的理论依据。

04 目标函数：被误解的差异

有人说，人类创作者的目标是模糊的，"我想表达一种说不清的情绪"，而AI的目标是量化的，困惑度更低、评分更高。

这个对比不太公平。现实中，人类创作者同样面临量化压力：稿费、销量、点赞数、职称评审。

更准确的区分可能是：当前AI的反馈来源是外部，训练数据、人类标注。人类创作者是内外结合，自我反思、审美直觉。AI的目标在训练阶段固定，推理阶段不变。人类创作者在创作过程中不断演化。AI优化避免"错误"，人类有时主动追求"有意义的错误"。

这不是说AI"没有灵魂"，而是说它的架构设计目前更擅长优化明确的目标，而非在开放空间中探索演化。

05 AI现在的位置：诚实的评估

客观地说：

AI已经做到的：生成质量极高的文本、图像、代码；在特定领域提出人类未曾想到的思路，如某些数学证明、蛋白质结构预测；作为"认知杠杆"，放大人类创作者的能力。

AI尚未成熟的：持续保持逻辑一致性，长文本中的前后矛盾；主动提出有价值的"为什么"问题；判断自己生成的内容是否"有意义"。

我们不知道的：更大规模的模型是否会涌现新的能力；"创造力"是否可以通过规模实现，还是需要架构上的根本创新；AI是否需要"身体"和"世界互动"才能真正"理解"。

诚实的态度是：承认未知，避免过早下结论。

06 人机协作：更务实的路径

与其争论"AI能不能替代人类创作者"，不如思考如何让两者协作。

历史上有无数先例。相机没有消灭绘画，而是解放了它，不再需要"画得像"，可以追求"画得有意义"。计算器没有消灭数学，而是让人专注于更高层次的抽象。Photoshop没有消灭画家，而是创造了数字艺术这个新领域。

AI最现实的角色是认知放大器。帮助创作者快速迭代想法，生成10个版本，选择最有潜力的。处理技术性工作，格式调整、语言润色、资料整理。提供跨领域的连接建议，"你的这个概念在物理学中有类似物"。

真正的创作仍然需要人的判断。不是因为AI"不能"，而是因为价值判断本身就需要立场，而立场来自人的处境。

07 结语：在未知中保持开放

回到最初的问题：AI写的东西"差的那口气"是什么？

可能是对世界利害关系（stakes）的感知。可能是创作过程中的自我发现。也可能是那种"我必须写这个，否则无法呼吸"的紧迫感。

但这些描述本身也是模糊的。也许"差的那口气"只是一个暂时的现象，随着技术进步，今天的局限明天可能不复存在。

或者，也许人类和AI会发展出不同的创作传统，就像油画和水彩各有其美，不必互相取代。

无论如何，在这个数据泛滥的时代，能够提出好问题、建立新连接、提炼意义的能力，无论是来自人类还是AI，都将是稀缺的。

而保持对"什么是创作"这一问题的持续追问，可能比任何答案都更重要。

作者：哀的代码实验室

欢迎关注公众号【哀的代码实验室】，一起聊聊AI、技术与创作。