計算による創造性

計算的創造性（人工創造性、機械的創造性、創造的コンピューティング、創造的計算とも呼ばれる）は、人工知能、認知心理学、哲学、芸術（例えば、計算文化の一部である計算芸術^[1]）の分野の交差点に位置する学際的な取り組みです。

計算的創造性の目標は、コンピュータを使用して創造性をモデル化、シミュレート、または複製し、いくつかの目的のうちの1つを達成することです。^[2]

人間レベルの創造性を持つプログラムやコンピュータを構築する。
人間の創造性をより深く理解し、人間の創造的行動に関するアルゴリズムの視点を策定すること。
必ずしも創造的である必要はなく、人間の創造性を高めることができるプログラムを設計すること。

計算創造性の分野は、創造性の研究における理論的および実践的な問題に関係しています。創造性の性質と適切な定義に関する理論的研究は、創造性を発揮するシステムの実装に関する実践的研究と並行して行われ、一方の研究が他方の研究に影響を与えています。

計算による創造性の応用形態は、メディア合成として知られています。

理論的な問題

理論的アプローチは創造性の本質に関係しています。特に、卓越した創造性が規則を破ったり慣習を否定したりすることである場合、どのような状況でモデルを「創造的」と呼ぶことができるかということです。これは、テレサ・アマビレなどの現代の理論家によって要約されているように、エイダ・ラブレスの機械知能に対する反論の変形です。^{[3]機械がプログラムされたことしかできないのであれば、その動作はどのようにして}創造的と呼ばれることができるのでしょうか。

実際、コンピュータ理論家全員が、コンピュータはプログラムされたことしかできないという前提に同意するわけではない^[4]。これは計算の創造性を支持する重要なポイントである。

計算論的観点から創造性を定義する

創造性の全体像を示す単一の視点や定義は存在しないと思われるため、AI研究者のニューウェル、ショー、サイモン^[5]は、新規性と有用性の組み合わせを創造性の多面的な見方の基礎として開発し、次の4つの基準を使用して特定の回答や解決策を創造的であると分類します。

答えは斬新で有用である（個人にとっても社会にとっても）
その答えは、私たちがこれまで受け入れてきた考えを拒否することを要求する
答えは強いモチベーションと粘り強さから生まれる
答えは、もともと曖昧だった問題を明確にすることから得られる

マーガレット・ボーデンは、これらの基準のうち最初の2つに焦点を当て、創造性（少なくともコンピュータが創造的であるかどうかを問う場合）は「新しく、驚きがあり、価値のあるアイデアや成果物を思いつく能力」と定義されるべきだと主張した。^[6]

ミハリ・チクセントミハイは創造性は社会的な文脈で考えなければならないと主張し、彼のDIFI（領域・個人・場相互作用）フレームワークはそれ以来この分野に大きな影響を与えてきました。^[7] DIFIでは、個人が制作した作品の斬新さと価値は場（社会の他の人々）によって評価され、フィードバックが与えられ、最終的に創造的であるとみなされた作品が社会的な作品の領域に追加され、個人はその後影響を受ける可能性があります。

上記は計算創造性に対するトップダウンアプローチを反映していますが、人工ニューラルネットワークの研究に携わるボトムアップの計算心理学者の間では別の流れが生まれています。例えば、1980年代後半から1990年代前半にかけて、このような生成ニューラルシステムは遺伝的アルゴリズムによって駆動されていました。^{[8]リカレントネット}^[9]を使った実験では、単純な音楽メロディーをハイブリッド化し、リスナーの期待を予測することに成功しました。

計算創造性のための機械学習

創造性に対する従来の計算アプローチは、開発者による処方箋の明示的な定式化とコンピュータプログラムにおけるある程度のランダム性に依存していましたが、機械学習の方法では、コンピュータプログラムが入力データからヒューリスティックを学習し、コンピュータプログラム内での創造力を高めることができます。^[10]特に、ディープニューラルネットワークは、入力データからパターンを学習し、創造的な成果物を非線形に生成することを可能にします。 1989年より前、人工ニューラルネットワークは創造性の特定の側面をモデル化するために使用されていました。ピーター・トッド（1989）は、最初にニューラルネットワークをトレーニングして、楽曲のトレーニングセットから音楽のメロディーを再生しました。次に、変更アルゴリズムを使用してネットワークの入力パラメータを変更しました。ネットワークは、制御されていない方法で新しい音楽をランダムに生成することができました。^[9]^[11]^[12] 1992年にトッド^[13]はこの研究を拡張し、ポール・マンロー^{[14] 、} ポール・ワーボス^[15]、D・グエンとバーナード・ウィドロウ^[16]、マイケル・I・ジョーダンとデイヴィッド・ルメルハート^[17]によって開発されたいわゆる遠隔教師アプローチを採用した。新しいアプローチでは、2つのニューラルネットワークがあり、そのうちの1つが別のニューラルネットワークにトレーニングパターンを提供する。トッドのその後の研究では、作曲家がメロディー空間を定義するメロディーのセットを選択し、マウスベースのグラフィックインターフェースを使用して2次元平面上に配置して、コネクショニストネットワークをトレーニングし、それらのメロディーを生成し、2次元平面の中間点に対応してネットワークが生成する新しい「補間」メロディーを聞く。

文献からの主要な概念

いくつかの高レベルかつ哲学的なテーマは、計算創造性の分野全体で繰り返し登場します。たとえば、次のようになります。

創造性の重要なカテゴリー

マーガレット・ボーデン^[6]^[18]は、それを生み出す主体にとってのみ新しい創造性を「P創造性」（または「心理的創造性」）と呼び、社会全体から新しいと認識される創造性を「H創造性」（または「歴史的創造性」）と呼んでいます。

探求的かつ変革的な創造性

ボーデンはまた、確立された概念空間内での探索から生じる創造性と、この空間の意図的な変革または超越から生じる創造性を区別しています。彼女は前者を探索的創造性、後者を変革的創造性と名付け、後者は前者よりもはるかに急進的で挑戦的で稀な形態の創造性であると考えています。上で詳述したニューウェルとサイモンの基準に従うと、両方の形態の創造性は、かなり斬新で有用な結果を生み出すはずですが (基準 1)、探索的創造性は、十分に理解された空間の徹底的かつ粘り強い探索から生じる可能性が高く (基準 3)、変革的創造性は、この空間を定義する制約の一部 (基準 2) または問題自体を定義する仮定の一部 (基準 4) を拒否することを伴うはずです。ボーデンの洞察は、非常に一般的なレベルで計算創造性の研究を導き、アルゴリズムの内容の技術的フレームワークというよりも、開発作業のインスピレーションの試金石となっています。しかし、ボーデンの洞察は形式化の対象にもなっており、最も顕著なのはゲラント・ウィギンズの著作である。^[19]

生成と評価

創造的な製品は斬新で有用でなければならないという基準は、創造的な計算システムが通常、生成と評価の2つの段階に構造化されていることを意味する。最初の段階では、新しい（システム自体にとって、つまりP-Creative）構成が生成され、システムにすでに知られている独創的でない構成はこの段階で除外される。次に、潜在的に創造的な構成の集合が評価され、どれが有意義で有用で、どれがそうでないかが判断される。この2段階構造は、人間の創造性の実証的観察に基づいた創造的生成の心理学的モデルである、Finke、Ward、SmithのGeneploreモデル^[20]に準拠している。

共創

計算創造性研究の多くは、独立した機械ベースの自動創造性生成に焦点を当てていますが、多くの研究者はコラボレーションアプローチに傾倒しています。^[21]この人間とコンピュータの相互作用は、創造性支援ツール開発に分類されることがあります。これらのシステムは、研究、統合、意思決定、アイデア生成のための理想的なフレームワークを提供することを目指しています。^[22]^[23]最近、画像、音声、自然言語処理に対するディープラーニングアプローチにより、生産的な創造性開発フレームワークのモデル化が実現しました。^[24]^[25]

革新

計算的創造性は、イノベーションとマネジメントの文献でますます議論されるようになってきている。これは、AIの最近の発展がイノベーションのプロセス全体を混乱させ、イノベーションの創出方法を根本的に変える可能性があるからである。[ ^26]^[24]フィリップ・ハッチンソン^[21]は、イノベーションの創出における計算的創造性の関連性を強調し、「自己革新型人工知能」（SAI）という概念を導入し、企業がイノベーションのプロセスでAIを活用して革新的な製品やサービスを強化する方法を示した。SAIは、複数のデータソースを継続的に組み合わせて分析することから得られる洞察に基づいて、既存製品を段階的に進化させたり新製品を開発したりすることを目的とした、AIの組織的活用と定義される。AIが汎用技術になるにつれて、SAIで開発される製品の範囲は、単純なものからますます複雑なものへと広がる。これは、計算的創造性が人間の創造性関連スキルの転換につながることを意味している。

組み合わせの創造性

人間の創造性の多くは、おそらくすべては、既存のアイデアやオブジェクトの新しい組み合わせとして理解することができます。^[27]組み合わせ創造性のための一般的な戦略は次のとおりです。

馴染みのある物を馴染みのない設定に置く（例：マルセル・デュシャンの「泉」）、または馴染みのない物を馴染みのある設定に置く（例：ビバリーヒルズ青春白書のような場違いな物語）
表面的に異なる 2 つのオブジェクトまたはジャンルを融合する (例:ロボットカウボーイが登場する『ウエストワールド』の西部を舞台にした SF ストーリー(またはその逆の『ファイアフライ』 )、日本の俳句など)
身近な物体を表面的には無関係で意味的に遠い概念と比較する（例：「化粧は西洋のブルカである」、「動物園は生きた展示物のあるギャラリーである」）
既存のコンセプトに新しい予想外の機能を追加する（例：スイスアーミーナイフにメスを追加する、携帯電話にカメラを追加する）
矛盾した 2 つのシナリオを同じ物語に圧縮してジョークにする (例:エモフィリップスのジョーク「女性は常に男性を利用してキャリアを進めている。人類学者なんてクソだ!」)
あるドメインの象徴的な画像を、関連性のない、または矛盾したアイデアや製品のドメイン内で使用する (例:マルボロマンの画像を使用して車を販売したり、喫煙に関連するインポテンツの危険性を宣伝したりする)。

組み合わせの観点では、創造性を、可能な組み合わせの空間を探索するプロセスとしてモデル化できます。組み合わせは、異なる表現の合成または連結から、または初期表現と中間表現のルールベースまたは確率的変換を通じて生じます。遺伝的アルゴリズムとニューラルネットワークを使用して、異なる入力の組み合わせを捉える混合表現またはクロスオーバー表現を生成できます。

概念の融合

マーク・ターナーとジル・フォコニエ^[28]^[29]は、アーサー・ケストラーの創造性に関する考え^[30]やレイコフとジョンソン^{[31]の研究を、認知言語学の研究から得たアイデアを}精神空間と概念的メタファーに統合して詳述した概念統合ネットワークと呼ばれるモデルを提案している。彼らの基本モデルでは、統合ネットワークを4つの接続された空間として定義している。

最初の入力空間（1つの概念構造または精神空間を含む）
2番目の入力スペース（最初の入力とブレンドされる）
入力空間を統合的な観点から理解できるようにするストックコンベンションとイメージスキーマの汎用空間
両方の入力スペースからの要素の選択された投影が結合されるブレンドスペース。この組み合わせから生じる推論もここに存在し、場合によっては入力と競合する構造が出現することがあります。

フォコニエとターナーは、適切に形成された統合ネットワークの構築を導くとされる一連の最適性原理について説明しています。本質的に、彼らはブレンディングを、2 つ以上の入力構造を 1 つのブレンド構造に圧縮する圧縮メカニズムと見なしています。この圧縮は概念関係のレベルで機能します。たとえば、入力空間間の一連の類似関係は、ブレンド内の 1 つの同一関係に圧縮できます。

ブレンディングモデルは、接続された意味構造を重視することで互換性のある既存の類推マッピングの計算モデルを拡張することで、ある程度の計算上の成功を収めてきました。^[32] 2006年に、Francisco Câmara Pereira ^[33]は、シンボリックAIと遺伝的アルゴリズムの両方のアイデアを採用してブレンディング理論のいくつかの側面を実用的な形で実現するブレンディング理論の実装を発表しました。彼の例の領域は言語から視覚まで多岐にわたり、後者では最も顕著に、3Dグラフィカルモデルを組み合わせて神話上のモンスターを作成することが含まれます。

言語的創造性

言語は創造性を発揮する絶え間ない機会を提供し、それは新しい文章、言い回し、しゃれ、新語、押韻、言及、皮肉、アイロニー、直喩、隠喩、類推、機知に富んだ表現、ジョークの生成に表れています。^[34]形態論的に豊かな言語のネイティブスピーカーは、簡単に理解できる新しい語形を頻繁に作成し、そのうちのいくつかは辞書に載っています。^[35]自然言語生成の分野は十分に研究されてきましたが、日常言語のこれらの創造的な側面は、まだ堅牢性や規模をもって組み込まれていません。

創造的パターンの仮説

応用言語学者ロナルド・カーターは、その独創的な研究で、言葉と言葉のパターンに関わる創造性には、パターン改革型創造性とパターン形成型創造性という2つの主要なタイプがあると仮説を立てました。^[34]パターン改革型創造性とは、ルールを破り、個人の革新を通じて言語のパターンを改革し、作り直すことによる創造性を指します。一方、パターン形成型創造性とは、言語のルールを破るのではなく、ルールに準拠することによる創造性を指し、繰り返しという形での相互作用を通じて対話者間の収束、対称性、相互性を高めます。^[36]

ストーリー生成

^{1970年代から、ジェームズ・ミーハンのTALE-SPIN [37]}システムが開発され、この言語創造の分野では多大な研究が行われてきました。TALE-SPINは、物語を問題解決の取り組みの物語的記述とみなし、最初に物語の登場人物に目標を設定し、その解決策の探求を追跡して記録することで物語を作成しました。MINSTREL ^[38]システムは、この基本的なアプローチを複雑に発展させたもので、物語の登場人物レベルのさまざまな目標と、物語の作者レベルのさまざまな目標を区別しています。BringsjordのBRUTUS ^[39]などのシステムは、これらのアイデアをさらに発展させて、裏切りなどの複雑な人間関係のテーマを持つ物語を作成します。それでも、MINSTRELは、一連のTransform Recall Adapt Methods (TRAM)を使用して創造プロセスを明示的にモデル化し、古いシーンから新しいシーンを作成します。ラファエル・ペレス・イ・ペレスとマイク・シャープルズのMEXICA ^[40]モデルは、物語を語るという創造的なプロセスにもっと明確に関心を持っており、創造的な執筆の関与-反映認知モデルの一種を実装しています。

隠喩と直喩

比喩の例: 「彼女は猿だった。」

直喩の例: 「トラの毛皮の毛布のような感じがした」。これらの現象の計算論的研究は、主に知識ベースのプロセスとしての解釈に焦点を当ててきました。ヨリック・ウィルクス、ジェームズ・マーティン、^[41]ダン・ファス、ジョン・バーンデン、^[42]マーク・リーなどの計算論者は、言語レベルまたは論理レベルのいずれかで、比喩を処理するための知識ベースのアプローチを開発しました。トニー・ヴィールとヤンフェン・ハオは、ウェブから明示的な直喩の包括的なデータベースを取得する Sardonicus と呼ばれるシステムを開発した。これらの直喩は、真正 (例: 「鋼鉄のように硬い」) または皮肉 (例: 「ボウリングのボールのように毛深い」、「歯の根管のように心地よい」) としてタグ付けされ、どちらのタイプの直喩も、任意の形容詞に対して要求に応じて取得できます。彼らはこれらの直喩を、与えられた記述目標に対して語彙的隠喩を提案できるアリストテレス^[43]と呼ばれるオンライン隠喩生成システムの基礎として使用している（例えば、スーパーモデルを痩せていると表現する場合、「鉛筆」、「鞭」、「ホイッペット」、「ロープ」、「ナナフシ」、「ヘビ」といったソース用語が提案される）。

類推

類推的推論のプロセスは、マッピングと検索の両方の観点から研究されており、検索は新しい類推の生成の鍵となる。デドレ・ゲントナーが提唱した主流の研究派は、類推を構造保存プロセスとみなし、この見方は構造マッピングエンジンまたはSME ^[44] 、 MAC/FAC検索エンジン（Many Are Called, Few Are Chosen）、ACME（Analogical Constraint Mapping Engine）、およびARCS（Analogical Retrieval Constraint System）に実装されている。その他のマッピングベースのアプローチには、マッピングプロセスを記憶の意味ネットワークモデルに位置付けるSapper ^[32]がある。類推は創造的計算と創造的認知の非常に活発なサブエリアであり、このサブエリアで活躍している人物にはダグラス・ホフスタッター、ポール・サガード、キース・ホリオークがいる。また、ここで注目に値するのは、SATスタイルの類推問題を解くためのPeter Turney 氏と Michael Littman 氏による機械学習アプローチです。彼らのアプローチは、これらのテストで人間が獲得する平均スコアに匹敵するスコアを達成しています。

ジョーク生成

ユーモアは特に知識を必要とするプロセスであり、これまでで最も成功したジョーク生成システムは、キム・ビンステッドとグレアム・リッチーの研究に代表されるように、ダジャレの生成に焦点を当ててきました。^[45]この研究には、幼い子供たちが常に斬新で面白いと評価する幅広いダジャレを生成できるJAPEシステムが含まれています。 JAPEの改良版は、STANDUPシステムを装って開発され、コミュニケーション障害のある子供たちとの言語的相互作用を強化する手段として実験的に導入されています。代名詞参照の意図的な誤解（ハンス・ウィム・ティンホルトとアントン・ナイホルトの研究）など、自然言語の他の側面を含むユーモアの生成や、オリビエロ・ストックとカルロ・ストラパラバのHAHAcronymシステム^[46]でのユーモラスな頭字語の生成において、限定的な進歩が遂げられています。

新語

複数の語形の融合は、言語における新語創造の支配的な原動力であり、これらの新語は一般に「ブレンド」または「混成語」（ルイス・キャロルにちなんで）と呼ばれています。Tony Veale は、Wikipediaから新語の見出し語を収集し、Wikipedia 内のローカルコンテキストおよびWordNet内の特定の語義に関連して解釈するZeitGeist ^[47]というシステムを開発した。ZeitGeist は、独自の新語を生成できるように拡張されており、このアプローチでは、WordNet から収集した単語部分のインベントリの要素を組み合わせ、同時にこれらの新語の適切な注釈を決定します（たとえば、「gastronaut」に対して「food traveller」、「chrononaut」に対して「time traveller」）。次に、Web 検索を使用して、どの注釈が意味を持ち、どの新語が以前に使用されたことがないかを判断します。この検索により、生成された単語のサブセットのうち、新規（「H クリエイティブ」）かつ有用である単語が特定されます。

コーパス言語学的アプローチによる新語の検索と抽出も可能であることが示されています。ロッキー・ローは、現代アメリカ英語コーパスを参考コーパスとして使用し、アメリカのテレビドラマ「ハウスMD」の脚本に登場するハパックス・レゴメナを使用して、新語、混成語、俗語の抽出を行いました^[48]

新語の言語学的研究に関して、ステファン・Th・グリースは英語の混合構造の定量分析を行い、「混合語の形成には、原語の認識度と混合語に対する原語の類似性が重要な役割を果たす」ことを発見した。この結果は、意図的な混合語と発話エラー混合語の比較を通じて検証された。^[49]

詩

鉄よりも、鉛よりも、金よりも、私には電気が必要です。
羊肉や豚肉やレタスやキュウリよりも、私には電気が必要です
。私の夢のために必要なのです。

ラクター（警官のひげの半分が完成）

ジョークと同様、詩もさまざまな制約の複雑な相互作用を伴い、汎用的な詩生成器では詩の意味、言い回し、構造、押韻の側面を適切に組み合わせることはできません。それでも、Pablo Gervás [ ^{50] は、}事例ベース推論(CBR) アプローチを使用して、既存の詩の事例ベースから取得された詩の断片を構成することにより、与えられた入力テキストの詩的な定式を生成する ASPERA と呼ばれる注目すべきシステムを開発した。ASPERA 事例ベースの各詩の断片には、断片の意味を表す散文文字列が注釈として付けられ、この散文文字列が各断片の検索キーとして使用される。次に、韻律規則を使用してこれらの断片を適切な詩構造に結合する。Racterはそのようなソフトウェアプロジェクトの例である。

音楽的創造性

音楽分野におけるコンピュータによる創造性は、人間のミュージシャンが使用する楽譜の生成と、コンピュータによる演奏用の音楽の生成の両方に焦点を当ててきました。生成の領域には、クラシック音楽（モーツァルトやバッハのスタイルの音楽を生成するソフトウェアを使用）とジャズが含まれています。^[51]最も注目すべきは、デビッド・コープ^{[52]が「Experiments in Musical Intelligence」（または「EMI」）}^[53]と呼ばれるソフトウェアシステムを書いたことです。これは、人間の作曲家による既存の音楽を分析して一般化し、同じスタイルの新しい音楽作品を生成することができます。EMIの出力は、その音楽が高度な能力で人間によって生成されたものであると人間のリスナーを説得するのに十分な説得力があります。^[54]

現代クラシック音楽の分野では、Iamusはゼロから作曲し、プロの演奏家が演奏できる最終スコアを作成する初のコンピュータである。ロンドン交響楽団はIamusのデビューCDに収録されているフルオーケストラの楽曲を演奏したが、^[55]New Scientist誌はこれを「コンピュータによって作曲され、フルオーケストラによって演奏された初の大作」と評した。^{[56] Iamusの背後にある技術である} Melomicsは、さまざまなスタイルの音楽の楽曲を同様の品質レベルで生成することができる。

ジャズにおける創造性研究は、即興のプロセスと、それが音楽エージェントに課す認知的要求、すなわち時間についての推論、すでに演奏されたものの記憶と概念化、次に演奏される可能性のあるものの計画に焦点を当ててきた。^[57] ジョージア工科大学のギル・ワインバーグが開発したロボット「シモン」は、ジャズの即興演奏を披露した。^[58]ジェラルド・アサヤグとシュロモ・ドゥブノフによるスタイルモデリングの研究に基づく仮想即興ソフトウェアには、OMax、SoMax、PyOracleなどがあり、ライブ演奏者からその場で学習した可変長シーケンスを再注入することで、リアルタイムで即興演奏を作成するのに使用されている。^[59]

音楽作曲の分野では、ルネ・ルイ・バロンの特許作品^[60]により、あらゆる音楽スタイルで「一貫性のある」オーケストラのメロディーを多数作成して演奏できるロボットが作られました。1 つまたは複数の特定の音楽パラメータに関連付けられたすべての外部物理パラメータは、これらの各曲に影響を与え、展開することができます (曲を聴いているときにリアルタイムで)。特許発明のメダル・コンポーザーは著作権の問題を引き起こします。

視覚的および芸術的創造性

視覚芸術の生成における計算による創造性は、抽象芸術と具象芸術の両方の創造において注目すべき成功を収めてきました。この分野でよく知られているプログラムは、ハロルド・コーエンのAARON ^[61]で、1973年以来継続的に開発と拡張が行われています。定型的ではありますが、Aaronはさまざまな出力を示し、人物（ダンサーなど）、鉢植え、岩、その他の背景画像の要素を組み込んだ白黒の描画やカラーの絵画を生成します。これらの画像は、評判の良いギャラリーで展示できるほど高品質です。

注目すべき他のソフトウェアアーティストとしては、ペノサル・マチャドのNEvArシステム（「Neuro-Evolutionary Art」の略）があります。^[62] NEvArは遺伝的アルゴリズムを使用して数学関数を導き出し、それを使用して色付きの3次元表面を生成します。人間のユーザーは遺伝的アルゴリズムの各フェーズの後に最良の画像を選択できます。これらの好みは後続のフェーズをガイドするために使用され、NEvArの検索はユーザーにとって最も魅力的であると考えられる検索スペースのポケットに押し込まれます。

Simon Coltonが開発したPainting Foolは、さまざまなペイントスタイル、カラーパレット、ブラシタイプを選択して、特定のシーンのデジタル画像にオーバーペイントするシステムとして始まりました。操作に入力ソース画像に依存するため、Painting Fool の初期のイテレーションでは、計算アートシステムにおける創造性の範囲、または創造性の欠如について疑問が生じました。それでも、 Painting Fool は、AARONと同様に、その限られた想像力から新しい画像を作成できるように拡張されました。この傾向の画像には、都市の風景や森林があり、ユーザーが提供するいくつかの基本的なシナリオからの制約充足プロセスによって生成されます(たとえば、これらのシナリオにより、システムは、表示面に近いオブジェクトはより大きく、より色の彩度が高く、遠いオブジェクトは彩度が低く、より小さく見えると推測できます)。芸術的には、現在 Painting Fool によって作成された画像は Aaron によって作成された画像と同等であるように見えますが、前者が採用している拡張可能なメカニズム (制約の充足など) により、より精巧で洗練された画家に発展する可能性があります。

芸術家のクラシ・ディムチ（クラシミラ・ディムチェフスカ）とソフトウェア開発者のスヴィレン・ラネフは、ルールベースの英語の文章生成器と、システムによって生成された文章を抽象芸術に変換する視覚構成ビルダーを組み合わせた計算システムを作成した。^[63]このソフトウェアは、異なる色、形、サイズのパレットを使用して、不特定多数の異なる画像を自動的に生成します。このソフトウェアでは、生成された文章の主題や視覚構成ビルダーで使用される1つ以上のパレットをユーザーが選択することもできます。

コンピューターによる創造性の新たな分野として、ビデオゲームがある。ANGELINAは、マイケル・クックによるJavaでビデオゲームを創造的に開発するためのシステムである。重要な側面の1つは、単純なゲームメカニクスとして機能するコードの短いセグメントを生成できるシステムであるMechanic Minerである。^[64] ANGELINAは、単純な解決不可能なゲームレベルをプレイし、新しいメカニクスによってレベルが解決可能になるかどうかをテストすることで、これらのメカニクスの有用性を評価できる。Mechanic Minerはコード内のバグを発見し、それを利用してプレイヤーが問題を解決するための新しいメカニクスを作成することもある。^[65]

2015年7月、Googleはオープンソース^[66]のコンピュータビジョンプログラムであるDeepDreamをリリースしました。これは、画像内の顔やその他のパターンを検出し、画像を自動的に分類することを目的として作成されたもので、畳み込みニューラルネットワークを使用してアルゴリズムによるパレイドリアを介して画像内のパターンを検出および強化し、意図的に過剰処理された画像に夢のようなサイケデリックな外観を作成します。^[67]^[68]^[69]

2015年8月、ドイツのテュービンゲンの研究者らは、ニューラル表現を使用して任意の画像の内容とスタイルを分離および再結合する畳み込みニューラルネットワークを作成した。これにより、約1時間で画像をピカソやゴッホなどの芸術作品の様式的な模倣に変えることができる。彼らのアルゴリズムは、ユーザーがアルゴリズムを使用して独自の芸術的な画像を作成できるWebサイトDeepArtで使用されている。 ^[70]^[71]^[72]^[73]

2016年初頭、世界的な研究者チームが、デジタルシナプスニューラルサブストレート（DSNS）と呼ばれる新しい計算創造性アプローチを使用して、エンドゲームデータベースから派生していないオリジナルのチェスパズルを生成する方法を説明しました。^[74] DSNSは、確率的手法を使用してさまざまなオブジェクト（チェスの問題、絵画、音楽など）の特徴を組み合わせて、元のドメインのいずれかでオブジェクトを生成するために使用できる新しい特徴仕様を導き出すことができます。生成されたチェスパズルはYouTubeでも紹介されています。^[75]

問題解決における創造性

創造性は、問題解決において珍しい解決策を可能にするのにも役立ちます。心理学と認知科学では、この研究分野は創造的問題解決と呼ばれています。創造性の明示的-暗黙的相互作用（EII）理論は、問題解決におけるインキュベーションと洞察のシミュレーションを可能にするCLARIONベースの計算モデルを使用して実装されています。 ^[76]この計算創造性プロジェクトの重点は、パフォーマンスそのもの（人工知能プロジェクトのように）ではなく、人間の創造性につながる心理的プロセスの説明と心理学実験で収集されたデータの再現にあります。これまでのところ、このプロジェクトは、単純な記憶実験におけるインキュベーション効果、問題解決における洞察、問題解決におけるオーバーシャドウ効果の再現を説明することに成功しています。

創造性の「一般的な」理論についての議論

研究者の中には、創造性は複雑な現象であり、その研究はそれを説明するのに使う言語の柔軟性によってさらに複雑になると考えている人もいる。創造性の主体だけでなく、その成果物や方法も「創造的」と表現できる。したがって、創造性の一般理論について語るのは非現実的であると言える。^[要出典]とはいえ、一部の生成原理は他の原理よりも一般的であるため、一部の支持者は特定の計算手法が「一般理論」であると主張する。たとえば、スティーブン・セイラーは、ニューラルネットワークの特定のモダリティは、高度な創造能力を発揮するのに十分な生成性と一般性を備えていると提案している。^[要出典]