devgo.cn一个被忽略的问题：AI 让人更快，但让人更有创意吗
生成式 AI 的采用理由，几乎都被归结为生产力：总结长文、起草邮件、把一段 SQL 补全。这些都像计算器——把人从机械劳动里解放出来。但认知科学家关心的另一个问题长期缺少硬数据：当协作对象从人换成模型，人的**原创性**会发生什么变化？
两位研究创造力的认知科学家做了一项对照实验，把 208 名被试随机分到两组：一组与另一个人轮流完成同一个任务，另一组与 ChatGPT 协作完成同样的任务。任务本身是创造力研究里的经典范式——「替代用途任务」（alternate uses task）：给定砖头、书本这类普通物品，尽可能多地说出它还能用来干什么。
怎么衡量「有创意」
这个任务之所以被反复使用，是因为它把创造力拆成了两个可测量的维度：
- **流畅度**：能想出多少个点子；
- **原创度**：这些点子彼此之间有多不一样，以及和别人的点子有多不一样。
研究者还会用「语义距离」来量化概念之间的差异——两个想法在语义空间里离得越远，说明思维跳跃得越大。这套指标不完美，但好处是可以在人和模型之间做同口径对比，而不是靠评委的主观印象。
实验看到了什么
结果并不符合「AI 全面碾压」的直觉。
第一，**产量上模型赢**。和 ChatGPT 协作的人写出的回答更长，点子数量也更多。这一点和日常体感一致：模型最擅长的就是「再来十个」。
第二，**原创度上人类组队赢**。两个人轮流接力的那一组，产出的想法比人机组合更有创意，彼此之间的差异也更大。也就是说，模型给出的单条建议可能很妙——比如把一本书当成吸音板——但它在很多次独立会话里反复端出**同一个**妙点子，导致整体候选池高度同质。
第三，**时间越久，差距越大**。研究还观察了协作进程：随着轮次推进，人与人协作带来的创意收益会继续放大，语义距离拉得更开；而人机协作的点子则倾向于收敛。对周期长的项目，这个差别会被时间复利放大。
为什么会同质化
原因不神秘，就写在模型的训练目标里：预测下一个最可能的词。不同厂商的模型在语料和训练方式上高度相似，于是语料层面的「平均品味」被固化成了输出层面的相似节奏、措辞和句式。单个用户在自己的会话里看不到这种收敛，因为对照系只有自己；但把所有人的输出放在一起，风格就会向同一个中心塌缩。
已有研究给过旁证：对 12 个不同厂商的聊天机器人做数千条事实性提问，回答长度往往是人类写的好几倍，而真正有用的答案只占约 42%，其余是重复、过度背景和跑题的解释。图像生成领域也有类似现象——长期用 AI 生成图片，结果会越来越像「视觉电梯音乐」，温和、正确、没有记忆点。
想用 AI 又想保住创意，怎么办
文章给出的第一条建议很朴素：**先和人聊，再和 AI 聊**。人带着模型学不到的个人经历和偏见，这些恰恰是「非平均」的来源。
第二条是 persona prompting：给模型设定一个具体身份，比如「一位在印度教书的男性大学教授」或「一位 58 岁的建筑公司女性创始人」，让它从不同视角作答。研究显示这确实能提升单次输出的多样性，但整体创意区间仍然追不上人类写作者——这与「模型并不擅长模拟人格」的其他研究结论一致。换句话说，persona 是缓解手段，不是解药。
小结
这项实验的价值不在于证明「AI 不行」，而在于把一句模糊的担忧变成了可测量的差距：模型提升的是想法的**数量与速度**，人类协作提升的是想法的**分布宽度**。对做产品、写方案、做内容的人，实际含义是分工要摆对——用模型做发散的第一层扩写、做归纳和格式化，把「往哪个方向想」留给真实的人；团队脑暴时也别让一个人对着聊天框默默生成，那等于把所有人的思维收敛到同一个训练分布上。创意是长跑，短期的速度优势不一定换来终点的位置。
内容与图片版权归原作者所有 · 原文: https://singularityhub.com/2026/10/30/ai-may-quickly-generate-ideas-but-teams-of-people-are-still-more-creative/