Psittacines of Innovation? Assessing the True Novelty of AI Creations

我们研究了人工智能系统是否能够产生真正新颖的想法，而不仅仅是重复训练中学习到的模式。利用一种新颖的实验设计，我们让人工智能生成虚构众筹活动的项目标题。我们比较了人工智能生成的项目标题之间的重复度和复杂度，并将其与实际观察到的领域数据进行比较，使用一种基于统计分布的核均值嵌入到高维机器学习（大语言）嵌入向量的扩展最大均值差异度量，从而得出了人工智能输出新颖性的结构化分析。结果表明，（1）即使在任务复杂度不断增加和计算能力极限的情况下，人工智能仍然能够产生独特的内容，（2）所生成的内容具有面部有效性，与其他生成式人工智能的输入和领域数据的定性比较一致，（3）与领域数据存在差异，从而减轻了与知识产权相关的担忧。我们讨论了版权和商标法的影响。

本文旨在研究人工智能系统是否能够生成真正新颖的想法，而不仅仅是重复训练中学习到的模式。通过使用一种新颖的实验设计，将一个人工智能系统任务设置为为假想的众筹活动生成项目标题，并比较其生成的标题的重复性和复杂性。

本文使用了一种新颖的实验设计和度量方法，结合了最大均值差异（maximum mean discrepancy）和机器学习（大语言）嵌入向量的核均值嵌入（kernel mean embeddings）来评估人工智能输出的新颖性。结果表明，即使在任务复杂性增加和计算能力极限的情况下，人工智能仍然能够生成独特的内容，并且其生成的内容与其他生成性人工智能的输入和领域数据具有一致性，同时也表现出与领域数据的差异性，从而缓解了与知识产权相关的担忧。

本文的实验设计和度量方法创新，结果表明人工智能系统能够生成独特的内容，并且具有一定的面部效度。此外，本文还讨论了与版权和商标法相关的一些问题。

最近在这个领域中，还有一些相关的研究，例如《Generative Pre-Training Transformer 3》和《Language Models are Few-Shot Learners》。