你一定见过那些奇怪的AI画：人物手上多出几根手指、脸部细节怪异，却又带着某种说不出的新鲜感。 这让人产生一个疑问：扩散模型明明只「复刻」，为什么还能画出前所未见的作品？ 最新一项研究给出了答案： 其实，AI的创造力并非「神来之笔」，而是模型架构的副作用。 扩散模型的任务很简单：把数字噪声还原成训练过的图像。 就像把一幅画放入碎纸机，直到只剩下一堆细小的灰尘，然后将碎片重新拼凑到一起。 照理说，它应该只会生成「复制品」。 可现实却让研究者大跌眼镜。 DALL·E、Imagen、Stable Diffusion这些模型，画出的不是「翻版」，而是全新的图像： 不同元素被组合在一起，构成前所未见的场景。 更令人意外的是，这些拼贴并不是毫无意义的杂乱色块，而是带着语义的完整作品。 明明只会复制，AI为何还能创作？ DALL·E 2制作了这些「金鱼在海滩上啜饮可口可乐」的图像。这个由 OpenAI创建的程序可能从未遇到过类似的图像，但它仍然可以自行生成这样的图 像。 还记得那些在社交平台疯传的「AI多手指人像」吗？ 有些图看上去像是超现实主义的画——人物手上莫名其妙多出几根手指，但整体仍旧保持了清晰的结构感。 这类怪异产 ...

AI创造力的本质 - AI的创造力并非源于"无所不知"的数据训练 而是源于其"一知半解"的技术缺陷 这些缺陷成为创意火花的秘密引擎 [3] - 生成式AI的创造力核心来自架构中的两个底层约束：局部性和平移等变性 而非对概念的"高阶理解" [4][8] - AI缺乏人类的"功能固着"认知偏误 这种"无知"反而使其能突破常规思维限制 [5] AI创造力的技术原理 - 局部性原则：AI模型一次只能聚焦于极小图像区块 通过组合无数局部特征而非复制完整对象来生成内容 [8] - 平移等变性原则：AI在不同位置运用相同规则处理相同结构 确保生成内容的逻辑一致性 [8] - 两项原则共同作用 使AI的"拼贴"式创作既新颖又符合现实规律 [10] 提升AI创造力的方法论 - 战略性地设计具有特定"创造性缺陷"的架构 而非单纯追求模型规模 [13] - 采用"信息差"训练法 通过控制数据输入类型迫使AI进行非常规组合 [13] - 将提示词工程转化为"约束的艺术" 通过精确限制激发创新突破 [13][15] 行业启示 - AI模型设计理念需转变：从追求完美复现人脑转向善用"不完美"特性 [17] - 创新重点从数据规模转向"智慧约束"的设计能力 [17] - 研究"最优约束尺度"和AI独特认知范式可能成为未来关键方向 [19]