Počítačová tvořivost

Počítačová tvořivost (také známá jako umělá tvořivost, mechanická tvořivost nebo tvůrčí výpočty) je multidisciplinární úsilí, které se nachází na průsečíku oborů umělé inteligence, kognitivní psychologie, filozofie a umění.

Cílem výpočetní kreativity je modelovat, simulovat nebo replikovat kreativitu pomocí počítače, a dosáhnout tak jednoho z několika cílů:

Oblast výpočetní tvořivosti se zabývá teoretickými a praktickými otázkami při studiu tvořivosti. Teoretická práce o povaze a správné definici tvořivosti je prováděna souběžně s praktickou prací na implementaci systémů, které vykazují tvořivost, přičemž jedna oblast práce informuje druhou.

Měřeno objemem činnosti v oboru (např. publikace, konference a workshopy) je výpočetní tvořivost rostoucí oblastí výzkumu. Oblasti však stále brání řada zásadních problémů:

Jedná se o problémy, které komplikují studium kreativity obecně, ale některé problémy se vážou specificky na výpočetní kreativitu:

Definování kreativity ve výpočetním smyslu

Vzhledem k tomu, že žádná jednotlivá perspektiva nebo definice nenabízí úplný obraz kreativity, výzkumníci AI Newell, Shaw a Simon vyvinuli kombinaci novosti a užitečnosti do základního kamene mnohovrstevného pohledu na kreativitu, který používá následující čtyři kritéria pro zařazení dané odpovědi nebo řešení do kategorie kreativní:

Newell a Simon jsou nejznámější svým příspěvkem do paradigmatu hledání ve stavu AI, někdy karikovaného jako Good Old Fashioned AI (GOFAI), a je zajímavé zvážit, jak může paradigma GOFAI zahrnout tato kritéria. Z pohledu hledání kritérium (1) charakterizuje cíl nebo konečný stav počítačového hledání, kritérium (4) charakterizuje počáteční stav, ze kterého je vyhledávání spuštěno, kritérium (3) charakterizuje rozsah vyhledávání, což naznačuje, že pravděpodobně dojde k mnoha slepým uličkám, zatímco kritérium (2) naznačuje, že dobře vyšlapaným cestám vyhledávacím prostorem je lepší se vyhnout, pokud má být dosaženo tvůrčího konečného stavu.

P-kreativita a H-kreativita

Margaret Bodenová označuje kreativitu, která je neotřelá pouze pro agenta, který ji produkuje, jako „P-kreativitu“ (nebo „psychologickou kreativitu“), a označuje kreativitu, která je společností obecně uznávána jako neotřelá, jako „H-kreativitu“ (nebo „historickou kreativitu“).

Průzkumná a transformační tvořivost

Boden také rozlišuje mezi tvořivostí, která vzniká při zkoumání v rámci zavedeného konceptuálního prostoru, a tvořivostí, která vzniká při záměrné transformaci nebo překročení tohoto prostoru. První označuje jako „objevnou tvořivost“ a druhou jako „transformační tvořivost“, přičemž druhou považuje za formu tvořivosti mnohem radikálnější, náročnější a vzácnější než první. Podle Newellových a Simonových kritérií vidíme, že obě formy tvořivosti by měly přinášet výsledky, které jsou citelně nové a užitečné (kritérium 1), ale objevná tvořivost spíše vzniká při důkladném a vytrvalém hledání dobře pochopeného prostoru (kritérium 3), zatímco transformační tvořivost by měla zahrnovat odmítnutí některých omezení, která tento prostor definují (kritérium 2), nebo některých předpokladů, které definují samotný problém (kritérium 4).

Bodenovy poznatky provázejí práci ve výpočetní tvořivosti na velmi obecné úrovni a poskytují spíše inspirativní prubířský kámen pro vývojovou práci než technický rámec algoritmické substance. Bodenovy poznatky jsou však předmětem formalizace, především v díle Gerainta Wigginse.

Kritérium, že kreativní produkty by měly být nové a užitečné, znamená, že kreativní výpočetní systémy jsou obvykle strukturovány do dvou fází, generování a vyhodnocování. V první fázi jsou generovány neoriginální (k systému samotnému, tedy P-Creative) konstrukty; neoriginální konstrukty, které jsou již systému známy, jsou v této fázi filtrovány. Tento soubor potenciálně kreativních konstruktů je pak vyhodnocen, aby se zjistilo, které jsou smysluplné a užitečné a které ne. Tato dvoufázová struktura odpovídá modelu Geneplore Finkeho, Warda a Smithe, který je psychologickým modelem kreativního generování založeným na empirickém pozorování lidské kreativity.

Kombinatorická perspektiva nám umožňuje modelovat kreativitu jako proces hledání v prostoru možných kombinací. Kombinace mohou vzniknout z kompozice nebo zřetězení různých reprezentací, nebo prostřednictvím pravidlo založené nebo stochastické transformace počátečních a mezilehlých reprezentací. Genetické algoritmy a neuronové sítě mohou být použity pro generování smíšených nebo křížených reprezentací, které zachycují kombinaci různých vstupů.

Arthur Koestler ve své knize The Act of Creation z roku 1964 navrhuje velmi obecný model tvůrčí kombinace a tvrdí, že vědecký objev, umění a humor jsou propojeny společným mechanismem zvaným „bisociace“. Koestlerovi chyběl formální, výpočetní slovník pro popis bisociace, kterou definoval jako smíření dvou ortogonálních matricí myšlení (konceptuální struktury, mentální prostory).

Fauconnier a Turner popisují soubor principů optimálnosti, které jsou prohlašovány za vodítko pro výstavbu dobře vytvořené integrační sítě. V podstatě vidí prolínání jako kompresní mechanismus, ve kterém jsou dvě nebo více vstupních struktur komprimovány do jedné struktury prolínání. Tato komprese funguje na úrovni koncepčních vztahů. Například řada podobnostních vztahů mezi vstupními prostory může být komprimována do jednoho vztahu identity ve prolínání.

Nicméně určitého výpočetního úspěchu bylo s modelem prolínání dosaženo rozšířením již existujících výpočetních modelů analogického mapování, které jsou kompatibilní díky svému důrazu na propojené sémantické struktury. V nedávné době Francisco Câmara Pereira představil implementaci teorie prolínání, která využívá nápady z GOFAI i z genetických algoritmů k realizaci některých aspektů teorie prolínání v praktické podobě; jeho příkladové domény sahají od jazykové po vizuální, a ta nejznámější zahrnuje vytváření mýtických monster kombinací 3D grafických modelů.

Jazyk poskytuje nepřetržitou příležitost k tvořivosti, což je patrné při generování neotřelých vět, frází, slovních hříček, neologismů, rýmů, narážek, sarkasmu, ironie, přirovnání, metafor, analogií, vtipů a vtipů. Domorodí mluvčí morfologicky bohatých jazyků (včetně všech slovanských jazyků) často vytvářejí nové slovní formy, které jsou snadno srozumitelné, i když nikdy nenajdou cestu do slovníku. Oblast generování přirozeného jazyka byla dobře prostudována, ale tyto tvůrčí aspekty každodenního jazyka dosud nebyly začleněny s žádnou robustností nebo měřítkem.

Podstatná práce byla v této oblasti jazykové tvorby prováděna od 70. let, s rozvojem systému TALE-SPIN Jamese Meehana. TALE-SPIN pohlížel na příběhy jako na narativní popisy úsilí o řešení problémů a vytvářel příběhy tím, že nejprve stanovil cíl pro postavy příběhu, aby jejich hledání řešení mohlo být sledováno a zaznamenáno. Systém MINSTREL představuje komplexní zpracování tohoto základního přístupu, který odlišuje řadu cílů na úrovni postavy v příběhu od řady cílů na úrovni autora pro příběh. Systémy jako Bringsjordův BRUTUS dále rozpracovávají tyto myšlenky, aby vytvářely příběhy se složitými meziosobními tématy, jako je zrada. Nicméně MINSTREL explicitně modeluje tvůrčí proces pomocí sady Transform Recall Adapt Methods (TRAM), aby vytvořil románové scény ze starých časů. Model MEXICA Rafaela Péreze y Péreze a Mikea Sharplese se explicitněji zajímá o tvůrčí proces vyprávění příběhů a implementuje verzi kognitivního modelu tvůrčího psaní s reflexí.

Příklad metafory: "Byla opice."

Proces analogického uvažování byl studován jak z mapování, tak z perspektivy vyhledávání, přičemž druhá možnost je klíčem ke generování neotřelých analogií. Dominantní výzkumná škola, jak ji rozvinul Dedre Gentner, považuje analogii za proces zachování struktury; tento pohled byl implementován do mapovacího enginu struktury nebo SME, vyhledávacího enginu MAC/FAC (Many Are Called, Few Are Chosen), ACME (Analogical Constraint Mapping Engine) a ARCS (Analogical Retrieval Constraint System). Mezi další přístupy založené na mapování patří Sapper, který mapovací proces situuje do sémanticko-síťového modelu paměti. Analogie je velmi aktivní podoblast tvůrčího počítání a tvůrčího poznávání; aktivní postavy v této podoblasti zahrnují Douglase Hofstadtera, Paula Thagarda a Keitha Holyoaka. Za zmínku zde stojí také strojové učení Petera Turneyho a Michaela Littmana při řešení analogických problémů ve stylu SAT; jejich přístup dosahuje skóre, které se dobře srovnává s průměrným skóre dosaženým lidmi v těchto testech.

Humor je obzvláště znalostní proces a dosud nejúspěšnější systémy generování vtipů se zaměřily na generování slovních hříček, jak dokládá práce Kim Binstedové a Graema Ritchieho. Tato práce zahrnuje systém JAPE, který dokáže generovat širokou škálu slovních hříček, které jsou malými dětmi soustavně hodnoceny jako neotřelé a humorné. Vylepšená verze JAPE byla vyvinuta pod rouškou systému STANDUP, který byl experimentálně nasazen jako prostředek k posílení jazykové interakce s dětmi s komunikačním postižením. Určitého omezeného pokroku bylo dosaženo při generování humoru, který zahrnuje další aspekty přirozeného jazyka, jako je záměrné nepochopení zájmového odkazu (v díle Hanse Wima Tinholta a Antona Nijholta), a také při generování humorných zkratek v systému HAHAcronym Oliviera Stocka a Carla Strapparavy.

Mísení více slovních forem je dominantní silou pro tvorbu nových slov v jazyce; tato nová slova jsou běžně nazývána „blends“ nebo „portmanteau words“ (podle Lewise Carrolla). Tony Veale vyvinul systém zvaný ZeitGeist, který sklízí neologická hesla z Wikipedie a interpretuje je vzhledem k jejich místnímu kontextu ve Wikipedii a vzhledem ke specifickým slovním smyslům ve WordNetu. ZeitGeist byl rozšířen tak, aby generoval vlastní neologismy; přístup kombinuje prvky ze soupisu slovních částí, které jsou sklízeny z WordNetu, a současně určuje pravděpodobné glosy pro tato nová slova (např. „food traveller“ pro „gastronaut“ a „time traveller“ pro „chrononaut“). Následně používá webové vyhledávání k určení, které glosy jsou smysluplné a které neologismy nebyly použity dříve; toto vyhledávání identifikuje podmnožinu generovaných slov, která jsou jak nová („H-creative“), tak užitečná. Neurolinguistické inspirace byly použity k analýze procesu tvorby neotřelých slov v mozku, k pochopení neurokognitivních procesů zodpovědných za intuici, vhled, představivost a kreativitu a k vytvoření serveru, který vymýšlí neotřelé názvy produktů na základě jejich popisu.

Víc než železo, víc než olovo, víc než zlato Potřebuji elektřinu.Potřebuji ji víc než jehněčí nebo vepřové nebo salát nebo okurku.Potřebuji ji pro své sny. Racter, z Policistova vousu je napůl postavený

Počítačová tvořivost v hudební oblasti se soustředila jak na generování hudebních partitur pro použití lidskými hudebníky, tak na generování hudby pro výkon počítači. Doména generace zahrnovala klasickou hudbu (se softwarem, který generuje hudbu ve stylu Mozarta a Bacha) a jazz. Nejpozoruhodnější je, že David Cope napsal softwarový systém nazvaný „Experimenty v hudební inteligenci“ (nebo „EMI“), který je schopen analyzovat a zobecňovat z existující hudby lidského skladatele a generovat neotřelé hudební skladby ve stejném stylu. Výstup EMI je dostatečně přesvědčivý, aby přesvědčil lidské posluchače, že jeho hudba je generována lidmi na vysokou úroveň kompetence[Jak odkazovat a odkazovat na shrnutí nebo text].

Výzkum kreativity v jazzu se zaměřil na proces improvizace a kognitivní požadavky, které to klade na hudební činitel: uvažování o čase, zapamatování a konceptualizace toho, co již bylo hráno, a plánování dopředu, co by mohlo být hráno dále.[citace potřeba]

Vizuální a umělecká kreativita

Počítačová tvořivost v generaci vizuálního umění zaznamenala několik pozoruhodných úspěchů ve vytváření abstraktního umění i reprezentačního umění. Nejslavnějším programem v této oblasti je AARON Harolda Cohena, který je nepřetržitě vyvíjen a rozšiřován od roku 1973. Ač je Aaron formulován, vykazuje řadu výstupů, vytváří černobílé kresby nebo barevné malby, které zahrnují lidské postavy (například tanečníky), rostliny v květináčích, skály a další prvky obrazového pozadí. Tyto obrazy mají dostatečně vysokou kvalitu, aby mohly být vystaveny v renomovaných galeriích.

Mezi další softwarové umělce patří systém NEvAr (pro „Neuro-Evolutionary Art“) od Penousal Machado. NEvAr používá genetický algoritmus k odvození matematické funkce, která se pak používá ke generování barevného trojrozměrného povrchu. Lidskému uživateli je dovoleno vybrat nejlepší obrázky po každé fázi genetického algoritmu a tyto preference se používají k vedení po sobě jdoucích fází, čímž tlačí hledání NEvAr do kapes vyhledávacího prostoru, které jsou považovány za nejpřitažlivější pro uživatele.

Řídící výbor pro tyto akce se skládá z těchto výzkumníků:

Kromě sborníků těchto workshopů komunita počítačové tvořivosti doposud vytvořila dvě speciální čísla časopisu věnovaná tomuto tématu: