XiaoMi-AI文件搜索系统
World File Search System创造力
生成式人工智能：机器变得富有创造力
生成式人工智能 (Gen AI) 突然引起了全世界的关注，但这项技术自 20 世纪 40 年代第一个神经网络数学模型发布以来就一直在发展。作为生成式人工智能扩展核心的大型语言模型 (LLM) 是自然语言处理、神经网络和深度学习的结合，随着云计算和图形处理单元 (GPU) 变得更加实用，它获得了关注。与早期专注于自动化体力劳动的人工智能进步相比，由于其语言（包括人类和计算机）能力，生成式人工智能可能会加速知识工作的自动化。通俗地说，生成式人工智能能够根据自然语言或图像的提示，以文本、音频、视频或软件代码格式再现内容。一些初始工作由本土生成式人工智能公司（如 OpenAI、Anthropic 和 Cohere）领导，但“大型科技公司”通过内部计划或收购其中一些公司的股份迅速赶上来。
通过员工创造力的调解角色
迅速增长的组织环境要求同样快速的调整。根据[1]，公司在当今时代的成功取决于其改变其业务模型的能力，并且其运营可以符合变化。在支持适应过程时，公司需要人力资源，这些人力资源尤其是针对那些仍然需要对新的环境和工作进行大量调整的新员工。公司可以通过入职过程对其进行优化，该过程将新员工集成到组织中，并尽快使他们生产效率[2]。各种研究指出，入职过程与员工的创造力，组织承诺，满意度，参与和离职意图有关[3-6]。该研究表明，有效的入职过程无疑可以利用该公司。这项研究调查了由于公司的入职过程，该研究调查了员工的创造力。入职过程将使新员工能够阐明角色，工作组集成，知识和任务[7]。如果有效地进行了入职，它可能会影响员工的创造力[8]。可以适应并保持良好关系与同事和经理的个人可以更轻松地提高其创造力。登上板的影响，即员工的创造力可能会影响工作绩效。[9]指出，表现出创造力的员工倾向于更高
创造力代码
这种信念多年来一直是计算机科学的口头禅，这是一种盾牌，以应对某天程序员会启动他们无法控制的计算机的恐惧。有些人甚至建议编程机器以人为聪明的方式进行编程，我们首先必须了解人类的智能。但是，在过去的几年中，已经出现了一种新的思考方式：从自上而下的AP Proach转移到编程到自下而上的努力，以获取代码以绘制自己的道路。事实证明，您不必首先解决智能。您可以允许算法漫游数字景观并像Chil Dren一样学习。今天的代码做出了令人惊讶的有见地的举动，在医疗图像中发现难以检测的功能，并在股市上进行精明的交易。这一代编码人员认为，它最终可以证明Ada Lovelace错误：您可以比编程的更多。
共生创造力
基于人工智能的机器创作者代表着能够自行表达概念的技术。与人类艺术家一样，人工智能代理创作的艺术作品取决于其学习方法和训练中遇到的人工制品。对于任何艺术作品而言，接收者将在决定人工智能创作是艺术还是仅仅是没有艺术价值的机器创作的人工制品方面发挥核心作用。人工智能创作者和艺术家之间的一个主要区别是其经验的来源。艺术家将在不确定的自然和社会环境中生活和发展创造力，以应对周围发生的事件。艺术家创作的艺术是对人类对这些环境反应的评论。相比之下，人工智能创作者是在人类定义的环境中进行训练的。传统的机器学习方法在直接用于艺术内容生成时表现出局限性。艺术作品制定规则，这些规则旨在捕捉艺术家周围本体开放世界的各个方面。规则不能创造艺术作品。这方面代表了一个悖论。传统的机器学习旨在自动提取规则，具体来说，就是建立由大数据训练的模型。那么，模型输出的结果能具有艺术性吗?这个问题已经成为跨学科领域广泛讨论的主题。
利用艺术和设计教育中的生成AI解决方案：弥合可持续创造力并促进创新社会的学术诚信
摘要。人工智能（AI）改变了艺术和设计教育，为学生提供了创建，探索和学习的新方法。不幸的是，院士们担心学生会使用AI，尤其是Midjourney或Dall-E等文本到图像的发电机，作为创建工作的非法捷径。本文探讨了生成的AI解决方案（例如文本到图像生成器）如何帮助学生在促进学术完整性的同时创建创新和可持续的设计。文章展示了艺术和设计教育中的AI如何为学生提供成功的技能和知识，以在快速变化的数字景观中取得成功。本研究通过分析与研究问题有关的期刊和文档中的应用程序和文献评论，使用了定性方法。案例研究表明，基于AI的解决方案如何帮助学生在促进学术完整性的同时创建创新和可持续的设计。整合基于控制的AI-ART和设计教育方法可以促进学术完整性，创造力和可持续性。基于AI的艺术和设计教育解决方案可能会帮助社会变得更具创新性和可持续性。本文得出结论，艺术和设计教育者必须采用基于AI的解决方案，以使学生为快速变化的数字世界做好准备。
探索人类控制下的人机共同创造力
生成式人工智能有可能支持人类的创造力。在过去 60 年里，以人为本的人工智能 (HCAI) 学者们提出了多种模型来设计人机共同创造系统。1961 年，Rhodes 提出了“4P”模型，即“一个人在某个环境中通过计算机化流程制造一件产品 (Press)”[1]。在早期观点中，计算机主要是一种工具。近 60 年后，Kantosalo 和 Takala 对他们的“5C”模型进行了最新更新：“一个集体 (一个人和一个人工智能) 合作为某个情境中的社区做出贡献”[2]。在 Kantosalo 和 Takala 的框架内，以及 Glăveanu 在分布式创造力方面的工作 [3]，我们研究一个或多个人如何与人工智能代理合作共同创造贡献，同时保持人类对过程和结果的控制。在早期工作中，我们为软件工程任务的大型语言模型 (LLM) 开发了一个对话式 UI [4]。在一项定量实验中，Ross 及其同事表明，经过精心调优的 UI 可以让后端 LLM 表现得谦逊、礼貌且非常支持 [5]。我们重新使用了这种架构，通过仔细的提示工程来探索创造力和共同创造的机会。在调查了人与人之间的共同创造策略 [6、7、8] 之后，我们进行了三项非正式实验 [9]，采用了众所周知的用富有成效的表述来构建问题的策略 [10、11]。接下来，在第四个实验中，我们探索了更强大的概念，即在发现初始框架在某些方面存在缺陷或不足 [13] 后，重新构建问题 [12]。对话式 UI 允许人类控制如何
在数字时代非殖民化的创造力
本文探讨了在平台化创造者经济的背景下，在数字时代非殖民化创造力的重要性。我们认为，西方观众在很大程度上为西方观众设计了技术，从而俯瞰着存在于全球北部以外的大量全球互联网用户。要采用一种真正包容性的方法来设计研究，必须考虑设计平台的当地影响和白话现实。因此，我们与印度的年轻人分享了对数字创造力和算法文化的非西方非西方非统治观点的野外工作结果。在共享这些发现时，我们还引入了一个框架，供其他学者综合有关数字创造力的全球思维研究：创造力为…访问，身份，表达和数据。在分享与这些主题有关的当地现实的深刻见解时，本文通过提供非西方观点来促进围绕数字创造力和算法文化的持续讨论。我们将这些结果与西方的相关发现进行了比较，以揭示创造性的普遍主义以及独特的当地文化需求。通过后者，我们强调了设计平台与相关受众的设计重要性，并在做出设计决策时考虑当地的白话现实。
媒体的人工智能在生成模型时代激发创造力
德勤人工智能研究院帮助组织连接强大、高度动态和快速发展的人工智能生态系统的各个方面。人工智能研究院以前沿见解引领跨行业应用人工智能创新对话，促进“协同时代”的人机协作。德勤人工智能研究院旨在促进人工智能的对话和发展，激发创新，并研究人工智能实施面临的挑战及其解决方法。人工智能研究院与由学术研究团体、初创企业、企业家、创新者、成熟的人工智能产品领导者和人工智能远见者组成的生态系统合作，探索人工智能的关键领域，包括风险、政策、道德、工作和人才的未来以及应用人工智能用例。结合德勤在人工智能应用方面的深厚知识和经验，该研究院帮助理解这个复杂的生态系统，并因此提供有影响力的观点，帮助组织通过明智的人工智能决策取得成功。
人工智能与创造力的社会建构 - 莫纳什大学
摘要 人工智能 (AI) 凭借其高效性和不断扩展的自主整合来自许多学科和来源的信息的能力，侵入了人类活动的新领域。在本文中，我们特别关注人工智能如何影响与创造力相关的交流实践。人工智能有能力通过提供与人类生产竞争的新内容并在人类活动和信息源之间进行调解，从而重塑学科和品味社区。为了阐述这些问题，我们转向米哈里·契克森米哈赖 (Mihaly Csikszentmihalyi) (1996) 设计的创造力影响力系统模型，契克森米哈赖和丹尼尔·格鲁纳 (Daniel Gruner) (2018) 最近将其扩展以纳入人工智能，将其重新命名为创造力 4.0。该模型评估了人工智能如何影响创造性实践的社会结构，但不会过分强调人类与人工智能之间的相似性，也不会质疑计算设备是否会取代创造性工作。本文研究了 Gruner 和 Csikszentmihalyi 修订的系统模型，认为该模型没有充分考虑到将人工智能融入创造性实践的各种方式。在对模型性质和人工智能的新兴特征进行理论反思的推动下，我们提出了一个新版本的模型，强调嵌入式人工智能如何在过滤和把关中发挥关键作用，以及生成系统在指导创造性实践方面的重要性。我们建议，任何关于人工智能和创造性实践的未来讨论都应该考虑人工智能支持的技术在何处以及如何使用。我们研究人工智能如何减少和塑造创作过程中灵感来源的质的多样性以及相关的技术偏见，以及如何为新颖想法的发展提供一个新兴的平台。
写作、创造力和人工智能。大学背景下的 ChatGPT
摘要 本研究的主要目的是研究人工智能 (AI) 在教育背景下对写作技能的创造潜力。该研究旨在为人工智能的使用提供证据，并促进其融入课堂，为教学过程提供支持。建立了两种类型的研究设计：描述性和比较性的非实验性定量研究，以及准实验性的前测-后测研究。样本包括 20 个人工智能系统和 193 名大学生，他们参加了西班牙 PIC-A 测试（“成人创造性想象力测试”）的第 2 和第 3 个游戏。学生们在 ChatGPT 的帮助下重复游戏，以比较他们作品可能的改进。研究结果显示，在第二场比赛中，人工智能和学生在流畅性、灵活性和叙事原创性指标上存在统计学上的显著差异。此外，在第二场比赛中，学生在流畅性、灵活性和叙事原创性的前测和后测得分以及在第三场比赛中的流畅性方面存在显著差异。最后，强调了人工智能在写作任务和言语创造力方面提供的帮助，这应该在语言教学中考虑；无论如何，人工智能无法取代人类的智慧和创造力。