AI的“创造力”实际上是技术缺陷吗？ ？使用自组织生物系统作为参考的过程，两名物理学家提出和测试了大胆的假设：消除扩散模型的过程就像细胞的分化和重组一样，并且图像的AI无法“重复”与“建筑”无关。在ICML 2025接受的一篇文章中，两名研究人员表明，通过建立具有扩散模型属性的数学模型，AI的“创造力”是一个基本确定性的过程。您的假设从何而来？他们做了什么来证明这一假设？让我们一起看看。问题的原因：在进化过程中，人工智能系统越来越模仿人类的思想能力，展示了“创造力”的独特而奇怪的才能。 （ia的SO味道？）例如，作为图像生成工具（例如Dall -e）的核心，其最初的设计意图是稳定的图像和传播，是生产副本，这些副本完全适合训练数据的分布，并与训练图像相吻合。但实际上，它们是即兴的，将图像中的元素结合在一起，以创建与语义重要性一致的图像而不是毫无意义的作品。是什么赋予他们即兴创作能力？朱利奥·比洛里（Giulio Billori）是巴黎和正常埃斯皮诺大学物理的人工智能研究员，将这种现象描述为扩散模型的“悖论”。但是它们不是，它们实际上可以生成新的样本。为了生成图像，扩散模型使用了一个称为消除的过程。将图像变成数字噪声（一组凌乱的像素），然后重新组装。就像反复将图像传递到图像，直到只有少量的灰尘，然后这些碎片就回来了。多年来，研究人员一直感到困惑。如果传播模型仅重新组织数据，那么Creativi在哪里ty来自？这就像将撕裂的绘画变成新的艺术品一样。两名物理学家提出了大胆的假设。在重组过程中，我可以丢失信息吗？可以按照说明将难题返回原型，如果说明消失了，会发生什么？他们测试了ICML 2025中包含的文件中的猜测。令人难以置信的发现：现实社区和AI的“超声波指”。这两位物理学家提出了与这种历史密切相关的这种假设。文章的第一作者梅森·变化（Mason Change）长期以来一直沉迷于形态发生，这是生命系统自组织的动态过程。他的学生（以及本文的另一位作者）Surya Gangari也在神经生物学和电气工程领域工作。所有人都拥有纪律史。 Mason Cam（左）和Surya Gangguly（右）了解人类和其他动物的发展过程，一种方法是使用“图灵”模型，以20世纪的数学家艾伦·图灵（Allen Turing）呼唤。根据图灵模型，细胞调节完全发生在局部水平。没有“指挥官”来监督数十亿个单元以符合最终结构计划。换句话说，单个单元格没有完整的身体计划作为您工作的基础。只需根据相邻细胞的迹象起作用并调节。这种向上的系统通常没有问题，但有时是错误的。例如，产生多芬格转换的手。好的？多头手用变形的手？这不是用多个手指在手中最常见的第一个产生的图像的图像吗？ ？ KAM迅速将AI产生的奇怪图像与形态发生联系起来。 “似乎向上的系统正在犯错。” IA研究人员到那时已经知道传播模型在生成图像时会采取一些技术快捷方式：局部和同类权力。该镇意味着扩散模型同时仅关注一组像素或“块”。异端质量的规则如下：如果将输入图像移动几个以任何方向移动几个像素，则系统将自动调整并在生成的图像中进行相同的更改。该模型保持一致，并使逼真的图像的创建变得困难。这些属性允许传播模型嵌入如何将区域的私有块嵌入最终图像中。它不专注于螃蟹。他们只是将重点放在同时生成区域块上，然后使用称为分数函数的数学模型自动嵌入到位置。这可以被视为数字化的图灵模式。听起来像是一个难题，对吗？收集难题的部分时，我们还要看一下它们。一些艺术家故意“混淆”难题的顺序，创造了新的艺术品或缝制各种绘画的部分。这项艺术是CALled“拼贴艺术”。但是，研究人员长期以来一直将局部和等距的肿瘤视为消除过程中的局限性。这是一个技术挑战，避免了扩散模型中图像的完全复制，并且创造力被认为是更复杂的，因此，它与创造力无关。但是卡姆不相信。相反，他认为，扩散模型的“创造力”的原因等同于其他人认为有问题的城镇。测试方法：仅优化了频沟和相等离子以检验该假设，KAM和Gangguly提出了验证的概念。如果可以设计系统以优化位置和相等的部分，则该系统必须充当扩散模型。两名物理学家称为本地方程得分机（ELS）。这不是训练有素的扩散模型，而是一组方程，它允许您仅根据当地和ISOF进行分析和预测消除图像ORM机制。作品。接下来，我们使用多个强大的扩散模型（包括Resnet和unet）进行比较测试，输入一系列图像，这些图像在EL中同时变成数字噪声。结果是“令人震惊”。通常，ELS能够以90％的精度准确地匹配受过训练的扩散模型的出口。卡姆说，结果并不是自动学习的先例。”。这项研究的结果似乎证明了它的猜测。“创造力”在添加本地限制时会自动发生。它自然而然地来自系统的动态。换句话说，限制了传播过程中传播模型的范围限制了分发图像的范围，从而使个人图像构成了这些模型的创建产品，从而构成了这些模型，从而构成了这些模型，从而在制作产品中构成了构图。扩散也适用于出现在LE中的“超声手指”的现象。模型的SS相对于局部像素块的产生和缺乏一般背景认知。这项研究表明，传播模型的创造力可以看作是消除过程本身的副产品，并且可以以前所未有的精度形式化该过程和数学。阻止神经科学家将一群人类艺术家放在磁共振图像中，并发现其创造力背后有一种常见的神经元机制，并且无疑可以称为“伟大”。但是，这真的很安全吗？答案是否定的。其他问题：尽管不使用区域性质量和pertopes的模型似乎也显示出创造力，kambu和gangguly文档在扩散模型中揭示了创造力机制，但仍有一些问题必须解决。您的创造力从何而来？即便如此，如上所述，这一发现非常有价值。将传播模型与神经科学进行比较可以是超出了一个因素。两位物理学家的研究可以提供有关人类思想“黑匣子”的信息。佐治亚理工学院的自动研究者本·胡佛（Ben Hoover）说：“人类和人工智能之间的创造力可能没有那么不同。” “我们根据我们经历，梦想，看到，倾听和愿望的事物结合在一起。根据这个观点，人类的创造力和人工智能可以植根于对世界的不完善的理解。我们都在努力填补空洞的知识，有时我们正在创造新颖而有价值的知识。也许这就是我们所说的创造力。参考链接：https：//www.quantamagazine.org/researchers-cover作者：buyuan