异类重组：探索视觉艺术中超越人类认知可达性的概念融合

尽管 AI 模型在游戏策略等受限领域展现出了卓越的能力，但其在艺术等开放领域的真正创造力潜力仍存争议。我们通过研究 AI 如何在视觉艺术创作中超越人类认知局限来探讨这一问题。我们的研究假设，视觉艺术包含一个庞大的未探索概念组合空间，该空间不受限于内在的不相容性，而是受限于由艺术家的文化、时间、地理和社会背景所施加的认知局限。为了验证这一假设，我们提出了异类重组方法，这是一种利用微调的大型语言模型来识别并生成超越人类认知可达性的概念组合的新颖方法。该系统对人类可得性偏差（依赖即时可获取示例的倾向）进行建模并有意加以反制，以发现新颖的艺术组合。该系统不仅能在我们的数据集中产生前所未有的组合，还能识别并生成该领域所有艺术家在认知上均无法触及的组合。此外，我们将这些组合转化为视觉表征，从而能够对新颖性的主观感知进行探索。我们的研究结果表明，认知不可达性是优化艺术新颖性的一个极具前景的指标，其表现优于在没有额外评估标准的情况下仅进行温度缩放。该方法使用生成模型连接了先前未相关联的想法，为将 AI 驱动的创造力构建为组合问题提供了新的见解。