编辑按

此文转载自 低多边形厌氧菌 网站 psyxel.com 的“计算创意学系列”。仅做了适合网站的样式修改，未做内容修改。

原文地址：link

欢迎来到计算创意学系列第六章。在前面两章中，我们讨论了在脱离人这个主体的情况下，什么样的算法可以被界定为是具有创造力的问题。第四章从算法输出的角度探讨了价值和新颖性的判定问题；第五章则从算法本身的角度出发，探讨了算法如何表现出意向性和自主性，并介绍了 Colton 在 2008 年提出的“创造力三脚架（Creative Tripod）”理论，将创造力分解成为技能（Skill）、鉴赏力（Appreciation）和想象力（Imagination）这三个要素。

在第五章的最后，我们发现，创造力三脚架中的三个要素，不一定是要由同一个主体来提供的。这个时候，创造力的主体就不再是一个人类或者一个算法，而是多个人类、多个算法、或者人类和算法共同组成的系统。我们将这样的创造力称为共同创造力（Co-creativity）。

这一章，我们就来讨论共同创造力（Co-creativity）的概念。

单个创造力主体的创造能力扩展

在 Colton 的创造力三脚架（Creative Tripod）理论中，创造力被认为包含技能（Skill）、鉴赏力（Appreciation）和想象力（Imagination）这三个要素。某一个创造力主体在进行创造时，使用工具甚至其他人来扩展这三个要素中的一个或者多个来作为自己能力的补充，是非常常见的现象。

比如一个画家使用专业的绘图软件进行作画，就是使用工具来扩展自己的技能的例子——绘图软件让画家不需要去操心诸如如何调制颜料来得到自己想要的颜色、如何把一条线画得直、如何准确给一片区域填色这类非常基本而枯燥的技术问题，让那些对这些底层技术掌握得不太好的人也有可能画出优秀的作品，同时也使得鉴赏和想象能力——而非技能——成为一个画家是不是优秀的更加具有决定性的要素。

再比如，一家游戏工作室可能有非常优秀的游戏企划和程序实现能力，但缺乏美工，这个时候他们就可以选择将所有的美术工作外包，来扩展自己在美术方面的技能；一个老教授对学界的关注和挑战有非常透彻的理解和自己的想法，但由于年纪太大跟不上最新技术的发展无法去实现自己的点子，就可以通过雇佣研究生来帮助自己实现的方式来弥补技能上的短板。

通过使用工具或其他人来扩展技能（Skill）这个要素，可以说是创造能力扩展的最普遍的情形。虽然相比之下较为罕见，但是通过工具或他人来扩展鉴赏力（Appreciation）和想象力（Imagination）的情形也是存在的。

比如建筑师设计好一座建筑时，由于一个建筑方案在结构上是不是合理是一个非常复杂的问题，建筑师本人很难对此做出准确的判断。这个时候就可以使用结构分析软件来帮助自己判断设计方案在结构上是不是合理的，再根据结果对自己的方案做出修正。这是使用工具扩展鉴赏力（Appreciation）的例子。

比如一个游戏设计师想出了一个绝妙的 Roguelike 游戏机制，但凭借他一己之力没有办法设计出足够多的关卡，于是开发了一个算法去随机生成游戏关卡。这是使用工具扩展想象力（Imagination）的例子。

在上述的这些例子中，尽管创作的过程有多个人类或人类和算法的同时参与，我们还是能够比较确定地区分出创作的一方和辅助创作的一方。我们倾向于认为，辅助创作的一方并没有真正地在进行创作，而只是扩展了创作者某一方面的能力。我们也通常不会将辅助创作的一方视作作品真正的作者之一。

如果说共同创造力（Co-creativity）的概念特指多个创作主体之间的合作，那么上述的这些合作的例子都不是严格意义上的共同创造力（Co-creativity）的例子。

那么，究竟什么情形下的多方合作才能够看作是严格意义上的共同创造力呢？

浮现式（Emergent）创造：多个创造力主体间的相互作用

我们先来看几个通常会被认可为共同创造的例子。

一类例子是发明创造或者学术理论创作中的多人合作。在当今的学界，一个常见的模式是一个有经验的专家和一个资历较浅的新人或学徒之间合作。专家首先提出一个他认为比较有前途的大概思路，新人沿着这个思路进行具体的思考，制定可操作的计划，并试探性地按照这个计划开发原型（Prototype）。

在这个过程中的任意步骤，新人都可能遇到困难而无法推进研究。困难可能来自于新人本身的能力或经验不足，没能解决其实能够解决的问题，也可能是专家一开始提出的思路存在问题。在前一种情况下，新人通常会向专家寻求更加具体的指导，最终想到解决问题的方法。而在后一种情况下，专家应该意识到自己思路存在的问题，与新人讨论后对思路进行调整再重新提出修正后的思路。

在理想的发明创造或者学术理论创作中，像这样遇到困难、然后专家和新人共同讨论解决困难的情况会反复出现。每一次克服困难，都是专家或者新人在刷新对方对问题的认知和理解。最后获得成功的发明或者站得住脚的理论的时候，两者对问题的理解都应该跟一开始很不一样了。最后的成果也很难归功于他们中的一方，而通常会认为两人都是作者/发明者。

第二类例子是没有剧本的多人即兴表演。一个简单的例子是很多玩家围坐一圈、以每个人轮流说一句话的方式完成一个故事的游戏。在这个游戏中没有任何一个玩家能够掌控故事的发展走向，每个玩家都只是将当前的情节往自己觉得有趣的方向推动一小步。最后得到的完整的故事往往会出乎任何一个玩家意料之外。因此可以认为所有玩家共同创作出了最后得到的故事。

一个类似但更加复杂的例子是桌上角色扮演游戏（跑团）。在这类游戏中，会有一人担当游戏主持人（DM），另外几个人作为玩家。游戏主持人会对游戏中的当前剧情进行说明，每个玩家则表演出各自扮演的角色在剧情中的行为。

游戏主持人需要根据玩家的反应和骰子掷出的点数临时编出与之一致的故事接下去的发展。这个游戏中每个参与者除了把当前故事情节往自己觉得有趣的方向推动以外，还有游戏机制所赋予的更加重要的目的：比如游戏主持人要让玩家行为的结果合情合理地融入剧情，在保证公平的同时又尽量保证每个玩家都能享受到游戏的乐趣；每个玩家的行为需要考虑是不是符合自己所扮演的角色，同时还要考虑如何在游戏中生存下来或者打赢游戏的技术性问题。

每个参与者都只能在很小的范围内作出一些局部性的选择，任何一个单独的参与者都无法掌控故事的走向。因此只能认为所有这些参与者共同创作了整个故事。

为什么这些例子可以被称作是严格意义上的共同创作（Co-creativity）？它们跟我们在前一小节中举的那些合作创作的例子有什么区别？一个决定性的区别是，在严格意义上的共同创作中，不存在一个完全掌控了最终作品的单独的创作者。最终的作品对于参与创作的每一个人来说，都应该至少存在一些一开始不能预料到的成分。也就是说，共同创作的结果应该不是被任何一个创作者事先完全计划好的，它应该是一种浮现式（Emergent）创造。

人类与算法间的浮现式创造

像这样的浮现式创造，有可能出现在人类创作者和算法之间吗？在这一小节，我们给出这样一个例子。

在第四章中我们提到了战略游戏地图设计系统 Sentient Sketchbook [7]，是算法辅助人类设计师进行创作的一个很好的例子。Sentient Sketchbook 的定位不是一个完全自动生成战略游戏地图的黑盒子，而是一个帮助游戏设计师快速探索设计空间的可能性的设计辅助工具，旨在提高人类设计师的设计效率，并使得有创造力的作品更有可能出现。

Sentient Sketchbook 将一张地图表示为各种地图元素（tile）组成的二维矩阵。地图元素包括地形、设施、道路、资源、敌人等。在一个图形界面上，用户能够从空白的地图开始编辑——也就是在地图上放置各种地图元素——用户每进行一次编辑，Sentient Sketchbook 都会基于用户迄今为止的所有编辑操作生成多个完整的地图推荐给用户。

这些完整地图的生成主要是基于可玩性（Playability）上的考虑，比如地图中所有的基地和资源都要可达、各个基地的资源要平衡、各个基地掌握的区域要平衡等等。Sentient Sketchbook 使用本系列文章已经介绍过多次的遗传算法（Genetic Algorithm）来对推荐的地图做上述各个方面的优化。当前的地图在这些评估标准上的得分，也会在用户界面上反馈给关卡设计师。

使用 Sentient Sketchbook 所设计出来的游戏地图，是在人类设计师和 AI 系统的交互（Interaction）之中一步一步成形的。人类设计师和 AI 系统轮流对下一步操作提出决策（当然，AI 的决策并不是必须被人类设计师采用的），同时影响最后创作出的设计；而人类设计师和 AI 的设计决策背后又有不同的逻辑——Sentient Sketchbook 中的 AI 并不是一个执行人类设计师命令的自动化工具、而是一个对于“怎样的地图才是好的”这个问题有着可能不同于设计师的看法的另一个设计的”主动性“（Initiative）。这个设计的”主动性“和人类设计师所代表的另一个设计的”主动性“一起完成了最终的地图的创作。

一件作品（Artefact）在人类的”主动性“（Human Initiative）和某个算法的”主动性“（Computational Initiative）之间的一系列交互（Interaction）之中被创作出来——这样的创作过程，被 Sentient Sketchbook 的作者们称为混合主动性的共同创作（Mixed-Initiative Co-Creation）。

这种共同创作由于有了算法的加入，显然不同于传统的多个人类间的共同创作。而另一方面，它又不同于传统的人类设计师使用某个”被动式的“设计辅助软件——比如能够进行拼写检查的文本编辑器，或者能够通过鼠标拖拽画出规整的几何图形的图像编辑器——来进行创作的创作过程。

”被动式“的设计辅助软件本身对于”什么样的作品是好的“这个问题是没有任何意见的，它们只是在严格机械地执行用户的指令。文本编辑器能够告诉用户某个单词拼错了，但它对于”这篇文章这里是不是应该用这个词“没有自己的意见；矢量绘图软件能够在用户的指令下画出一个完美的圆形，但它对于”这幅图像这里是不是应该出现这个圆形“没有自己的意见。

而诸如 Sentient Sketchbook 这样的具有”主动性（Initiative）“的设计系统，在”什么样的作品是好的“这个问题上，拥有与用户独立的意见，它们的行为是基于自己在这个问题上的意见而做出的，用户没有给它任何具体的指令。就 Sentient Scketchbook 这个例子而言，系统对于“作品怎么样好”的意见，是由系统的设计者通过在遗传算法的适应函数（Fitness Function）中编码而获得的；而由这些意见出发该执行具体的哪一些创作指令，也不是从用户那里得到，而是通过遗传算法的实际执行而获得的。

设计系统本身能够执行一个从目标到执行再回到目标（即验证目标是否达到）的闭环，是我们将这样的系统称为具有“主动性（Initiative）”的原因，也是这样的设计系统与“被动式”的设计辅助软件最核心的区别。

使用这样的系统进行创作，就更像是在与另一个创作主体进行协作，而不是单纯地使用工具来扩展用户这个创作主体的技能、鉴赏能力和想象力中的一个或多个方面。人类带来了自己的一套技能、鉴赏能力和想象力；算法又带了另一套独立的技能、鉴赏能力和想象力。

在 Sentient Sketchbook 这个例子中，算法拥有判别一个游戏地图是否具有基本可玩性的鉴赏能力，并且也有充分的技能和想象力在当前未完成的地图上创作出能够达到它的可玩性要求的地图。而用户的鉴赏能力则包含了更加微妙和难以算法化的对地图的要求——比如地图的美观性、独特性、挑战性、是否鼓励或不鼓励某一个特定玩法、是否跟某个叙事目标相一致等等。

如果完全让算法去生成游戏地图，生成的地图能够保证可玩，但很可能是非常无聊且缺乏人文内涵的，而人类设计师这第二个创作主体的加入则弥补了这些缺陷。反过来说，对人类设计师而言，算法的加入则将人类设计师从有关游戏可玩性的思考中解放出来，让他们能够将更多心思花在更加有趣和富有创造力的设计维度上。如此，算法和人类作为两个独立的创作主体工作在不同的创作层面上，形成互补，最终使得突破各自单独能够达到的高度成为可能。

在传统的游戏地图设计过程中，人类设计师要同时兼顾包括最基本的可玩性和更加高级的挑战性、有趣性、独特性、叙事作用等等的大量目标——对于有限的人类大脑来说，这是一个非常困难的任务。

为了能够完成这项困难的任务，人类设计师通常会使用一些套路来简单粗暴地保证游戏的可玩性。比如说，在战略游戏地图中对称地放置两个玩家的基地和各自的初始领地，从而保证游戏地图对两个玩家都是公平的。对称套路的使用的确能够在避免过多思考的情况下保证游戏的公平性，但它同时也阻止了设计师去探索地图不对称的可能性，在这种意义上压制了地图设计的创造性。

而当游戏设计师能够将可玩性目标的把控完全交给算法时，就完全没有必要再拘泥于类似这样的设计套路。算法能够在不使用对称套路的情况下保证地图的公平性，设计师也就能够尽情地使用不对称的地图来表达更加具有创造性的设计。

在第一章中我们提到过概念空间探索的理论，其中将创作比喻为是在一个复杂的概念空间中寻找一个具有高价值和高新颖性的点。一个特定的创作主体的创作经验和创作手法决定了它在概念空间中探索时的起始区域和遍历规则——这意味一个特定的创作主体很容易被限制在一个对于他来说容易到达的区域里打转。而这个时候引入另一个完全不同的创作主体，就带来了两个概念空间搜索进程相互作用的可能性。

这种相互作用有很多方式。在 Sentient Sketchbook 的例子中，人类用户和算法轮流在一个未完成的地图上进行编辑操作，可以看作是人类用户和算法轮流在概念空间中使用各自的遍历规则和价值函数进行探索，每完成一轮探索，就将探索的结果交给对方，成为对方下一轮探索的起始点。这种轮流探索的模式，使得不论对于算法来说还是对于人类设计师来说，都更容易到达概念空间中未被涉足的新领域。

在这种意义上说，多个创作主体的合作本身就有助于更具创造性的作品的产生。

当然，这种对创造性边界的扩大效应不是共同创作必然就能带来的。Sentient Sketchbook 通过允许两个概念空间搜索进程之间的相互作用来增加到达概念空间中未被涉足的新领域的可能性。而这种相互作用之所以能有效，是因为在 Sentient Sketchbook 的例子中，两个搜索进程寻找的作品价值恰好是相互独立的——算法关注的是最基本的地图的可玩性指标，人类设计师关注的则是像地图的美观性、挑战性、叙事性等更加高层次的目标。

一般来说，给定任意一个符合人类设计师目标的地图，哪怕它存在可玩性上的硬伤，也有相当大的可能性可以对它进行一些无伤大雅的修改、使得它在仍然满足人类设计师的目标的前提下变得可玩；反过来说，给定任意一个算法生成的保证可玩性的地图，也应该能够在不破坏其可玩性的前提下让它变得更有趣、更具挑战性等等。也就是说，在 Sentient Sketchbook 的例子中，两个创作主体产生冲突的可能性是相对较低的。

而如果我们不去精心设计共同创作过程中多个创作主体的创作目标，就很容易在创作主体之间出现冲突，无法达成共识，最后甚至不能得到任何作品。

另一方面，如果多个创作主体在同一个创作目标上的意见过于一致，又可能互相加剧彼此意见的固化、让大家都失去探索其他可能性的动力，最后使得作品倾向于在创造性上反而更为保守。

因此，如何设计一个能够突破个人创造力边界的共同创造系统，不是一个简单的问题。

社会级别的共同创造

如果我们将视角放宽，就会发现，任何创作都可以看作是一种社会行为。

尽管一件作品可能只有一个作者，这个作者在创作的过程中也没有任何其他合作者，但作者毕竟是在长年累月的某个知识领域的教育和影响下想到的点子。而一旦作品被创作出来，作品也势必要被某个领域的其他“专家”所审视。

培养了作者的这个知识领域本身就可以看作是大量的其他创作者在这个领域的概念空间进行一代一代前仆后继的搜索之后到达的一片区域，因此这个作者可以看作是接下了这个巨大的多线程概念空间搜索进程的众多接力棒之一。

而另一方面，审视作品的那些其他“专家”，他们的意见很大程度上决定了这件作品能够在这个领域拥有怎样的地位，也很可能影响到作者本人进一步修改进化作品的方向。

如果从这种历史和社会整体的视角来看，任何创作都可以看作是一种广义上的共同创作（Co-creation）。

这种社会性的共同创作，是一系列作品在具有社会性的多个元素的复杂相互作用下创生和进化的过程。 学者 Csikszentmihalyi 在 1988 年的一篇论文[8] 中，将社会性共同创作过程中相互作用的这些社会性元素总结为了：1）领域（Domain）2）个体（Individual）和 3）圈子（Field）。

这其中个体（Individual）的概念很好理解，就是指的某一个具体的创作者。

领域（domain）指的是跟某个创作主题的相关的人类迄今为止的全部知识积累和最新的公共认知，也包括了全部相关的创作套路和当下被认为好的创作实践和应当遵从的创作规则。领域（domain）既为进行创作的个体提供了创作的知识、技能和价值观储备，也提供了能够被创新所颠覆的对象。

圈子（Field）指的则是对同一领域有影响力的全部个体的总和，包括在这个领域下进行创作的其他创作者、作品的消费者、甚至对这个领域进行报道的媒体等等一切有影响力的个体。圈子中的每一个个体各自拥有不同的影响力和领域内的专业能力，形成复杂的相互影响关系。

社会性视角下的创作一般过程是：领域（domain）将创作所需要的信息传递给了个体（Individual），个体（Individual）结合自身的特质将这些信息转化成了带有自身特色的作品，圈子（Field）再对由个体创作出的作品进行评审，选择性地根据这些作品来更新领域（Domain）中所包含的内容————如此形成一个闭环。

上述的这个对社会性共同创造的解释被称为是领域-个体-圈子-交互模型，简称DIFI 模型。

DIFI 模型不仅仅对社会级别的共同创作提出了成系统的理解和洞见，它同时也为用算法化的方式来模拟社会级别的共同创作提供了理论基础。学者 Saunders 提出了 Digital Clockwork Muse（数字钟表缪斯）算法，用一系列虚拟创作者（agent）之间的非中心化的相互作用来对社会性共同创作进行算法性模拟。

在 Digital Clockwork Muse 算法中，领域（domain）的概念被简化成为一种容器（Container），其中存放了所有被圈子（Fields）所“认可”的“作品（Artefact)”。

“作品（Artefact）”在该算法中是一个抽象的概念，具有一个重要的量化属性新颖度（Novelty）。因此领域（domain）的概念也就相应被表示为一个抽象意义上的作品（Artefact）的集合。

圈子（Field）中的个体（Individual）包含两个重要属性：兴趣曲线（Hedonic Function）和累积兴趣值（Accumulated Interest）。

兴趣曲线刻画了随着作品新颖度（Novelty）的提升，这个个体随之对它产生兴趣的程度如何变化。相关的人类学和心理学研究（[5]）表明，这个曲线通常是呈 U 形的：也就是说，当作品的新颖度（Novelty）从零开始上升，个体对它的兴趣也会随之上升；而到了下一个阶段，作品的新颖度再上升也不会引起个体的更多兴趣，反而由于这件作品与个体所熟悉的其他作品相差太大而导致个体对它的兴趣下降。

对于不同的个体来说，两个阶段的分界点在哪里是不同的。通过改变兴趣曲线分界点的位置，我们能够模拟更加开放和更加保守的个体。兴趣曲线刻画的是个体自身相对稳定的个人特质。

累积兴趣值刻画的则是个体当下所处的一种状态。当这个个体最近接触了非常多的高新颖度的作品，累积兴趣值就会提高，相反就会减少；但随着时间的流逝，这些过去消费过的作品对个体累积兴趣值的贡献又会衰减。累积兴趣值刻画了个体所接触的所有作品的新颖度根据时间加权平均得到的累积值。

Digital Clockwork Muse 算法的每一个模拟周期中，每一个个体需要进行三步操作：1) 审阅（或者说消费）接收到的作品；2）产生新的作品；3）如果累积兴趣值低于一定的阀值，个体会在领域（domain）（即已经得到认可的那些作品）中获取作品并更新自己的累积兴趣值。

步骤 1）模拟的是一个圈子中的个体对其他个体的作品给出评价。在这个步骤中，当前个体用它的兴趣曲线计算出对接收到的作品的兴趣值。如果这个兴趣值高于一定的阀值（阀值与当前个体无关，代表的是整个圈子的客观标准），这件作品就会被提交到领域（domain）中。除此之外，每一个个体还会保存着它迄今为止看到过的兴趣值最高的作品，如果当前作品的兴趣值超出这个最高兴趣值，就会更新这项纪录，模拟个体的“品味”高低。

步骤 2）模拟的是圈子中的个体的创作过程。在 Digital Clock Muse 中，所有算法过程中产生的“作品“都是创作者个体所见识到的兴趣值最高的来自其他个体的作品的某种变体（Variation）。个体同样会根据自己的兴趣曲线去计算对自己产生的这件作品的兴趣值，如果兴趣值高于一定阀值，个体就会将自己生成的这件作品发送给圈子内的其他个体。

步骤 3）模拟的是圈子中的个体主动向领域（domain）中汲取信息的过程。为了保证个体的累积兴趣值不会太低，个体能够在领域（domain）中获得已经被提交的作品，再用这件作品的兴趣值来更新自己的累积兴趣值。与尚未提交到领域（domain）的作品一样，如果这件作品的兴趣值超出个体的最高兴趣值，个体就会更新自己的记录。这个步骤就好比是一个鉴赏家如果一段时间里被过多的烂作淹没了，就会去重读经典来洗洗眼睛，保证品味不被过度拉低。

从上述描述中我们看到，Digital Clockwise Muse 算法对社会共同创造的模拟是过度简化的。作品完全是一个抽象的概念，除了新颖性完全不考虑它的其他方面；对作品是否值得被提交到领域，也简化成了通过任意一个个体的审核就行（而不像现实中需要大量同行专家或消费者的认可）；个体之间的内在差别，也被简化成了只有兴趣曲线的分界值。

然而，即使是这样一个极其简化的模型，也成功地模拟出了不少极具现实性的现象。

在 Saunders 报告的一组实验中，12 个虚拟个体参与了模拟，其中 10 个个体具有差不多的兴趣曲线分界值，另外两个个体的兴趣曲线分界值一个显著高于前 10 个个体，一个显著低于前 10 个个体。 经过一定数量的模拟周期后，10 个兴趣曲线分界值差不多的个体互相之间都有认可彼此的作品并提交到领域的行为，而任何一个它们之中的个体，与另外的两个个体之间都没有任何认可对方并提交到领域的行为。

可以理解为，这 10 个兴趣曲线分界值差不多的个体形成了一个相互之间”可能沟通“的小圈子，而另外两个个体则完全被排除在了这个共同创造的进程之外。 这个实验结果模拟了这样的社会现象：一个圈子会按照其中大多数个体创新的速度进步，创新速度太慢的个体会被淘汰，而创新速度太快的个体也会因为过度超前而得不到认可。

在另一个实验中，10 个虚拟个体被分成了两组，在同一组内的个体具有差不多的兴趣曲线分界值，不同组的个体的兴趣曲线分界值则存在显著差别。 经过一段模拟之后，两组个体形成了两个“固步自封”的”小圈子“，“小圈子“内的个体频繁地互相认可，而”小圈子“之间则充满相互拒斥。

如果两组个体之间的兴趣曲线分界值相差不是非常大，则随着模拟的推进，两个小圈子有可能会慢慢融合；但如果这个差值非常巨大，模拟就会稳定在这个分裂的状态。

虽然模拟算法对个体的建模只考虑了兴趣曲线，但这个实验结果，非常容易让人联想到社会中思考方式接近的人相互抱团、相互认可、相互固化彼此的思考方式，从而与抱持其他思考方式的个体间越来越难以沟通的现象。

总结

这一章，我们考察了共同创造力（Co-creativity）的概念，介绍了比较松散意义上的协作创作现象（单个创造力主体的能力扩展）和严格意义上的共同创造力（浮现式创造），并以游戏关卡设计程序 Sentient Sketchbook 为例，介绍了浮现式创造如何能够出现在人类创作者和算法之间。最后，我们放宽视角，讨论了社会级别的共同创造的概念，并考察了将这种社会性创造行为进行算法化的尝试。

撇开计算机算法或者人工智能，多个人类组成的系统作为创造力的主体，越来越成为常见的现象。

工业革命推动了生产方式的主流由小作坊式的生产变成为大工厂流水线式的生产，这不仅仅适用于普通的产品，也适用于文化产品。五百年前的人们习惯于将某一件作品的伟大归功于某一两个作者，而一旦这一两个作者退出创作领域或者去世，可能就意味着人类永远地失去了他（们）所代表的那种独特创作风格。而今天的我们却习惯了去讨论某个团队、某个工作室甚至某个大公司的作品。

而对于不少团队/工作室/大公司而言，也努力地想要通过建立团体的创作范式和文化来尽可能地降低成员的离职对作品的风格和成败的影响。

当创造主体是个人的时候，创造力的关键是个人能力的培养；而当创造主体是一群人组成的系统的时候，创造力的关键就变成了形成人与人之间交互的某种机制和过程，从而以不依赖于团队中个人的方式稳定地产出具有创造性的作品。

这样的需求推动了研究共同创造力的整个学术领域的出现。但它仍然是一个非常新兴的研究领域。多人之间的相互启发与个人脑中的灵机一动究竟有什么共通和不同之处？而在人工智能流行的这个时代，算法又能够在群体性创作中扮演什么样的角色？众多耐人寻味的问题，在等待这个领域给出清晰的回答。

参考文献

[1] Colton, Simon. "Creativity Versus the Perception of Creativity in Computational Systems." AAAI spring symposium: creative intelligent systems. Vol. 8. 2008.

[2] Gatti L., Özbal G., Guerini M., Stock O., Strapparava C. (2019) Computer-Supported Human Creativity and Human-Supported Computer Creativity in Language. In: Veale T., Cardoso F. (eds) Computational Creativity. Computational Synthesis and Creative Systems. Springer, Cham.

[3] Saunders, Rob. (2019). Multi-agent-based Models of Social Creativity. 10.1007/978-3-319-43610-4_14.

[4] Yannakakis, G.N., Liapis, A., Alexopoulos, C.: "Mixed-Initiative Co-Creativity" in Proceedings of the 9th Conference on the Foundations of Digital Games, 2014.

[5] Berlyne D E. Conflict, arousal, and curiosity[J]. 1960.

[6] Anna Kantosalo and Tapio Takala, Five C’s for Human–Computer Co-Creativity —An Update on Classical Creativity Perspectives, in Proceedings of the Eleventh International Conference on Computational Creativity, pp 17-24, 2020

[7] Antonios Liapis and Georgios N. Yannakakis and Julian Togelius. (2013) Sentient Sketchbook: Computer-Aided Game Level Authoring. In Proceedings of ACM Conference on Foundations of Digital Games, 2013.

[8] Csikszentmihalyi, M. (1988). Society, culture and person: A systems view of creativity. In R. J. Sternberg (Ed.), The nature of creativity: Contemporary psychological perspectives (pp. 325–339). Cambridge, UK: Cambridge University Press.