Caractérisant la créativité dans l’intelligence artificielle
La créativité n’est plus exclusive aux humains. Certaines formes d’intelligence artificielle sont capables de produire de la poésie, des concepts entrepreneuriaux, même de l’art visuel. De nombreuses personnes utilisent de grands modèles de langue (LLM) tels que Chatgpt, qui sont formés sur de grandes quantités de texte, pour la co-création: l’intelligence artificielle offre des idées et des suggestions, tandis que l’humain fournit des conseils, du contexte et de la direction.
Alors que les chercheurs ont examiné la production créative des LLM ces dernières années, le processus sous-jacent reste largement inexploré. C’est pourquoi Surabhi S. Nath, chercheur au Max Planck Institute for Biological Cybernetics à Tübingen, en Allemagne, a décidé de comprendre comment la créativité se produit dans les LLM et si leur processus créatif peut être comparé à la façon dont l’esprit humain trouve des idées. Le document est publié sur le arxiv serveur de préimprimée.
Approches créatives flexibles et persistantes
À cette fin, Nath s’est concentré sur un paramètre de créativité qui a été bien établi dans la recherche psychologique: la distinction entre les approches flexibles et persistantes. Il est peut-être mieux illustré par l’exemple. Lorsqu’ils sont invités à énumérer tous les animaux auxquels ils peuvent penser, les personnes ayant une approche persistante pourraient commencer par des animaux de compagnie, suivis des animaux de ferme, puis des oiseaux, etc., tandis que ceux qui préfèrent une approche plus flexible passeront souvent d’une catégorie à une autre.
« Le compromis entre la recherche large et profonde, entre l’exploration de nouvelles possibilités et l’exploitation des idées existantes, est au cœur de toute entreprise créative », explique Nath.
Pour tester ces différentes stratégies, Nath et ses collaborateurs ont demandé à la fois aux participants humains et à divers LLM pour effectuer des tâches de créativité psychologique standard, telles que proposer des utilisations alternatives pour une brique ou un trombone, par exemple, la réutilisation de la brique comme étape ou comme papier. Ils ont été surpris de constater que les personnes et les machines ont abordé la tâche de manière remarquablement similaire, en utilisant des stratégies flexibles et persistantes.
Chaque modèle de grande langue a montré une préférence claire pour une approche persistante ou flexible dans chaque tâche, mais sont moins cohérentes que les humains lors de la comparaison de différentes tâches. De plus, les LLM flexibles ont produit plus de résultats créatifs par rapport aux LLM persistants, tandis que chez l’homme, les deux méthodes ont conduit à une sortie similaire.
Améliorer la collaboration entre les humains et l’IA
Nath suggère que ces résultats ouvrent la voie à une co-création plus efficace: les personnes qui ont tendance à être persistantes pourraient bénéficier du choix d’un LLM flexible comme partenaire de combat dans une tâche, et vice versa. Elle envisage également que des recherches plus approfondies sur les processus créatifs des humains et des machines pourraient offrir un aperçu de la façon dont la créativité peut être apprise.
Il reste à voir si les résultats sont vrais pour d’autres types de tâches créatives. « Les contextes plus naturalistes sont beaucoup plus complexes et difficiles à étudier », prévient Nath. « La prochaine étape logique pourrait être de regarder la créativité dans les jeux; ils fournissent un scénario plus riche, mais sont toujours contrôlables. »
