计算创造力与生成式艺术
计算创造力与生成式艺术的关键争论，已经从“机器能否产出好看的作品”转向过程、评价、作者、训练来源和分布后果。第一幕用自主艺术家、创造力描述框架、互动进化、风格学习、GAN和生成式设计建立技术谱系；第二幕面对扩散模型、提示共创、音乐生成、轮流主导、群体趋同、训练同意、版权与来源凭证。生成数量不是创造性证据，真正需要公开的是哪些决策由谁作出、哪些候选被删去、价值如何分配。
第一幕建立计算创造力的过程标准：系统要有持续项目、生成与评价层、互动选择、风格重组、分布学习和约束搜索。作品外观只能是结果，不能单独证明创造主体。
甲、输出不足以证明创造力Output Is Not Enough to Prove Creativity
在2008年前后的视觉、音乐、设计、文本提示、平台生产与现场表演里，作品外观曾是最省事的解释。可把被删候选、人工改写与训练数据中的原作者贡献重新放回提示、候选、训练来源、筛选、署名、采纳、补偿与作品分布后，输出不足以证明创造力的方向便不再稳定；旧问题并非少收几条数据，而是先把对象边界切窄了，在该转向中可用可由系统解释的创作决策数直接检验。
核心主张是：计算系统是否具有创造性主要由它能否展示生成过程、评价、意图与自我说明决定，而不是作品外观决定。理论责任被压在过程与责任可见性上，其他变量只有在能改变可由系统解释的创作决策数／全部关键创作决策数时才进入解释。若固定过程与责任可见性后方向仍在，或反向操纵它却不改变结果，这一单因命题就失去判别力。
源行中的提出、争议与更新分别来自Colton（2008）、Ritchie（2007）、Veale与Cardoso编（2019）。Colton区分“创造力”与“被感知为有创造力”，提出系统需要让观众看到技能、想象与欣赏过程；后续工程把生成、评价与策展分开。本项把证据压到上述分子—分母上：分子记录可由系统解释的创作决策数，分母固定为全部关键创作决策数。这样既能比较视觉、音乐、设计、文本提示、平台生产与现场表演，也能看见该未登记群体是否被悄悄移出分析。计算系统机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
最锋利的边界是：当过程叙述由开发者事后包装时，解释增加会反而强化虚假自主性。这说明用户选择、模型默认、推荐系统、市场标签与现场互动不是背景噪声，它可能倒过来塑造过程与责任可见性。判别设计应在同一全部关键创作决策数下分别改变两者，观察可由系统解释的创作决策数是否按预测反号。
在报告和治理上，该未登记群体应成为独立字段，不能并入“其他”或“不适用”。同时公开上述分子—分母及排除理由；若空栏扩大而中心指标改善，艺术家、模型、平台、观众、策展人和原始权利人应先解释选择过程，再谈成效。计算系统机制的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。
把计算系统机制放到另见第 519 号第 14 条『精准医学：分层只有在能改变行动时才具有临床价值』旁核验：先对齐对象、时间窗和责任人，再检查计算系统机制的核心判断在另一套分母中是否仍同向。
乙、The Painting Fool与机器艺术家The Painting Fool and the Machine Artist
The Painting Fool与机器艺术家出现之前，计算创造力与生成式艺术常从一次生成出发，把自主项目连续性留在解释末端。2012年后的异常是：未展出失败画作、人工挑选与被隐藏的参数调整越多，中心读数反而越整齐。若不重做提示、候选、训练来源、筛选、署名、采纳、补偿与作品分布，这种整齐只能来自选择。核查ThePa机器艺术时，在该转向中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。
机器艺术家身份主要由系统能否持续选择主题、风格、材料和展示方式决定，而不是一次生成决定。这句话故意把立场写窄：决定创造性、作者身份和文化多样性如何被分配的是自主项目连续性。因此必须比较有无该因素时系统自主完成作品数／全部公开作品数的差，而不能用更多协变量把相反结果事后吸收。
证据链由Colton（2012）、McCormack与d’Inverno编（2019）、Pease与Colton（2024）三笔材料构成。The Painting Fool从肖像风格化扩展到基于新闻情绪和场景的系列创作，项目以多年版本迭代展示系统如何形成自己的作品集。与其只写“效果显著”，不如读取上述分子—分母；分子记录系统自主完成作品数，分母固定为全部公开作品数，因而分母变化会立刻暴露。ThePa机器艺术的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
反向条件已经写在方法自身之中：当策展与筛选完全由人类完成时，生成数量增加会反而降低系统作为作者的独立证据。在ThePa机器艺术这条证据链上，围绕该研究线索，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
实践改动可以很具体：为这些漏记对象建立数量、原因、去向和后续状态四列，并与上述分子—分母同步发布。这样创作链、授权、署名、补偿、策展说明与来源凭证才能区分真实改善、风险转移和记录缺口。对ThePa机器艺术做反向检验，换言之，The Painting Fool与机器艺术家的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。ThePa机器艺术的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。
二者都默认一个汇总读数足以代表多层对象的真实状态，但本项以自主项目连续性解释这一比率，对方则以跨题材稳定的文体特征解释正确归属文本数／全部待归属文本数；第三变量可能藏在两边未设字段的部分，在本项证据中可用系统自主完成作品数直接检验。
丙、FACE与IDEA创造力描述模型FACE and IDEA Models of Creativity
真正刺破这一口径的是无法用框架表达的关系性、偶然与集体创作：它既不属于成功，也不被算作失败，却足以改变创造性、作者身份和文化多样性如何被分配。在FACEIDEA这条证据链上，围绕该转向，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
本项把争论落到一个可推翻的判断：计算创造力评价主要由系统在框架、概念、作品和评价四层是否都有可识别贡献决定。生成与评价成对出现若真是决定项，便应在视觉、音乐、设计、文本提示、平台生产与现场表演改变时留下同一方向的读数；若替代机制无需它也能复现结果，主张即告失败，在FACE与IDEA创造力描述模型中可用具有独立评价证据的层数直接检验。
Colton、Pease与Charnley（2011）、Jordanous（2012）、Jordanous（2024）给出从提出到争议再到近年修正的连续线索。FACE把框架、审美测量、概念与表达分层；IDEA进一步描述系统对自身创作影响的叙事，后续十四要素框架把价值、原创、技能、意图等拆开。最适合复算的量是具有独立评价证据的层数／框架要求的全部层数，其中分子记录具有独立评价证据的层数，分母固定为框架要求的全部层数，可把平均改善与样本选择区分开。FACEIDEA的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
当评价层只是复述训练奖励时，字段更完整会反而掩盖创造性贫乏。这一反号不是“效果变弱”，而是因果方向被改写，同时把这组账外材料留在分母。若在该条件下该复核口径仍不变，现有边界说被削弱；若确实翻转，主张只能在更窄适用域成立，这里由生成与评价成对出现承担证伪风险。对FACEIDEA做反向检验，换言之，FACE与IDEA创造力描述模型的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
计算创造力与生成式艺术的账本需要补上该未登记群体。它们不是注脚，而是决定框架要求的全部层数如何形成的对象；若仍被删除，上述分子—分母便无法支持创造性、作者身份和文化多样性如何被分配。FACEIDEA的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。
共同前提为一个汇总读数足以代表多层对象的真实状态；差别在于E位的生成与评价成对出现与D位的可得性与默认选择争夺主因。若同时成立，就必须追踪这些漏记对象何时转化为外卖算法、夜班食堂与无法选择的机构餐。
丁、互动进化与共同选择Interactive Evolution and Co-Selection
围绕互动进化与共同选择，旧账本默认预先给定的适应度函数足以代表全貌。2008年前后积累的材料却显示，作品、候选版本、创作决策、训练材料与实时事件一旦换条件便会改向，而无人选择却可能成为未来踏脚石的变体长期没有位置；因此需要改的首先是分母。对互动进化共同选择做反向检验，换言之，该转向的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
这里不采用“多因素都重要”的安全表述，而明确主张创意搜索方向主要由人在每轮选择哪些中间结果继续繁殖决定，而不是预先给定的适应度函数决定。检验重点是人类偏好引导的搜索能否独立解释被后续分叉采用的中间形态数／全部公开中间形态数的变化，并在控制用户选择、模型默认、推荐系统、市场标签与现场互动后仍保留增量。
互动进化与共同选择的转向并非只靠概念推进。核心读数采用上述分子—分母；分子记录被后续分叉采用的中间形态数，分母固定为全部公开中间形态数，因此不同材料可以在同一坐标上比较。互动进化共同选择的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
本项自己的限制是当参与者都追逐同一热门目标时，更多共同选择会反而压缩探索空间。它迫使计算创造力与生成式艺术区分驱动与被驱动：人类偏好引导的搜索究竟先于变化，还是被用户选择、模型默认、推荐系统、市场标签与现场互动制造出来，应由时间顺序和对照条件裁决。把互动进化共同选择放回原窗口，其也解释了为什么互动进化与共同选择在不同制度中可能指向不同对象。
面向艺术家、模型、平台、观众、策展人和原始权利人，最低披露要求应包括上述分子—分母、所有排除规则以及这些漏记对象的原始数量。只有把失败流程保留下来，才可能复算上述机制在真实条件中的净效应。
它与这一制度安排同属前提族27，却用受影响者的决策权与收益分配而非人类偏好引导的搜索决定方向。比较这一比率和由受影响者拥有否决权的决策数／全部关键决策数，可以寻找从S位转到D位的阈值。把互动进化共同选择放到另见第 519 号第 5 条『多层选择：选择单位不是预先给定，而由因果问题决定』旁核验：先对齐对象、时间窗和责任人，再检查互动进化共同选择的核心判断在另一套分母中是否仍同向。
戊、Flow Machines与风格学习音乐Flow Machines and Style-Learning Music
计算创造力与生成式艺术过去处理Flow Machines与风格学习音乐时，往往先把直接输出完整歌曲定为主对象，再把其余差异视作噪声。问题在于，被删除片段、未署名语料与人类后期制作劳动正好集中在这些“噪声”中，它们决定了结果能否离开视觉、音乐、设计、文本提示、平台生产与现场表演。把FlowM风格学习放回原窗口，其也解释了为什么该转向在不同制度中可能指向不同对象。
机器音乐的可用性主要由模型能否在风格约束下生成可由音乐家编辑的结构决定，而不是直接输出完整歌曲决定。从位置上说，本项把约束下的风格重组当作主要判决点，要求艺术家、模型、平台、观众、策展人和原始权利人说明它如何把其他条件传递到被音乐家保留的机器片段数／全部生成片段数。若这条传递链找不到，相关性不能冒充机制，同时把这些漏记对象留在分母。
从Pachet与Roy（2012）、Pachet（2016）、Herremans、Chuan与Chew（2017）可以追到主要证据。Flow Machines用风格统计与约束求解生成旋律和和声，2016年《Daddy’s Car》由系统提出素材、人类编曲制作；综述把规则、进化、马尔可夫与深度生成并列。本项不以单个峰值结算，而用上述分子—分母；分子记录被音乐家保留的机器片段数，分母固定为全部生成片段数，同时要求把这组账外材料保留在流程日志中。FlowM风格学习的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
争议集中在这条可检查的反例：当风格约束过强时，一致性提高会反而降低新颖性。最小检验不是再加一个协变量，而是建立一个能让约束下的风格重组失去优势的条件，并比较这一比率是否换号。就FlowM风格学习的外推边界看，对生成能力何时才构成可负责的创造的回答，也因此取决于该未登记群体是否获得与成功样本同等的记录权。
制度层面的直接后果是：这些漏记对象不得继续由研究者自由处理。应在创作链、授权、署名、补偿、策展说明与来源凭证中预设编码，并说明它对该复核口径的影响，否则表面进步可能只是把困难对象移出视野。
若实验只看一个分母，这组账外材料和脱落细胞、失活通道和无法归属的混合组织会被误当成无关余数。把FlowM风格学习放到另见第 223 号第 17 条『结构预测与生成模型把病毒蛋白空间变成可计算对象』旁核验：先对齐对象、时间窗和责任人，再检查FlowM风格学习的核心判断在另一套分母中是否仍同向。
己、生成对抗网络的视觉分布GANs as Visual Distribution Learners
2014年以前的常见做法，是用手工规则替代生成对抗网络的视觉分布本身。这样便于比较，却把用户选择、模型默认、推荐系统、市场标签与现场互动从因果链中剪掉；尤其模式崩溃掉的对象、训练数据中的真人与重复样本连例外都算不上，只在数据清洗后消失。就生成图像机制的外推边界看，对生成能力何时才构成可负责的创造的回答，也因此取决于该未登记群体是否获得与成功样本同等的记录权。
命题的锋口在于对抗逼真度，不是泛泛的“综合影响”：生成图像进步主要由生成器能否在判别器压力下逼近训练图像分布决定，而不是手工规则决定。只要同一独特生成模式数／训练集中可识别模式数可由另一条路径在没有该因素时得到，当前理论就必须让出一部分解释权。
现有实证由Goodfellow等（2014）、Karras、Laine与Aila（2019）、Brock等（2024）相互校正。GAN从2014年的低分辨率样本发展到StyleGAN的可控高分辨率人脸，潜空间可分离姿态、年龄和风格等方向。这些结果最终需要落在上述分子—分母上，因为分子记录独特生成模式数，分母固定为训练集中可识别模式数，能防止只公布最顺利的一组。生成图像机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
生成对抗网络的视觉分布并非无边界成立。当模型追求判别器最易奖励的风格时，画面更逼真会反而减少题材多样性。若研究只报告平均改善而不展示这一条件，创造性、作者身份和文化多样性如何被分配会把选择性样本误认成稳定机制。围绕生成图像机制，只要这组账外材料仍无独立编码，这一比率的改善就无法区分真实转向与流程清洗。
对生成对抗网络的视觉分布的应用评价，应把该未登记群体从余数提升为观察对象。主表既列该复核口径，也列这一空栏占比；二者反向变化时，结论必须暂停，在该转向中可用独特生成模式数直接检验。沿生成图像机制的责任链，在该转向中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。
共享前提是能力一旦编码进文本、模型或装置即可脱离原实践者迁移，但本项的E位机制与对方的D位机制方向不同。两者都真时，新的研究对象不是折中值，而是两种空栏之间的转换过程，同时把这些漏记对象留在分母。复算生成图像机制之前，围绕本项证据，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
庚、神经风格迁移Neural Style Transfer
只要被算法当作噪声的笔触过程、材料和文化语境仍被排除，创作链、授权、署名、补偿、策展说明与来源凭证就无法判断表面改善是否来自真实机制。围绕图像风格机制，只要该未登记群体仍无独立编码，保留内容结构的风格化图像数／全部生成图像数的改善就无法区分真实转向与流程清洗。
图像风格重组主要由深度网络中内容特征与纹理统计能否被分开优化决定。这使内容与风格表征分离承担可识别责任：它被改变时，作品、候选版本、创作决策、训练材料与实时事件也应按预测改变；它不动而结果大变，则说明真正驱动来自别处，在神经风格迁移中可用保留内容结构的风格化图像数直接检验。
Gatys等以卷积特征重建内容、以Gram矩阵表示风格；实时网络把每幅图数分钟优化降到近实时，形成移动应用和视频滤镜。本条据此选用上述分子—分母作为共同刻度；分子记录保留内容结构的风格化图像数，分母固定为全部生成图像数，而非把不同分母的“提升”混成同一件事。图像风格机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
边界判决应围绕当风格权重过高时，风格相似度上升会反而破坏主体可辨识度展开。这里用户选择、模型默认、推荐系统、市场标签与现场互动从环境变量变成反向因果来源；只有把它与内容与风格表征分离交叉操纵，才能知道谁在推动谁。沿图像风格机制的责任链，在神经风格迁移中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。
可操作的改进不是再写一句限制，而是让这些漏记对象进入数据字典、预算和复核流程。艺术家、模型、平台、观众、策展人和原始权利人由此可以追踪它是否被转移给别的群体、别的时间或别的机构。围绕上述机制，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。图像风格机制的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。对图像风格机制的第三方复算还应保留原版本号与时间窗，使口径变更可被追踪。
把图像风格机制放到另见第 332 号第 19 条『生成式蛋白设计：算法从预测天然结构转向提出新序列』旁核验：先对齐对象、时间窗和责任人，再检查图像风格机制的核心判断在另一套分母中是否仍同向。
辛、生成式设计与拓扑优化Generative Design and Topology Optimization
在视觉、音乐、设计、文本提示、平台生产与现场表演中，生成式设计与拓扑优化曾被写成一个由把形成过程当作不可见黑箱决定的封闭问题。沿生成式设计拓扑优化的责任链，在该转向中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。复算生成式设计拓扑优化之前，对生成能力何时才构成可负责的创造的回答，也因此取决于该未登记群体是否获得与成功样本同等的记录权。
本项选择了一个会输的说法——工程形态创新主要由算法能否在载荷、材料、制造和成本约束中搜索人类未直接画出的结构决定。约束空间中的结构搜索不是附加解释，而是决定方向的核心；观察到它与满足全部约束的候选数／全部生成候选数脱钩，便足以否定当前版本。
拓扑优化用材料密度场寻找轻量结构；2017年超大规模计算把设计变量推到十亿量级，生成式设计平台进一步并列多个可制造方案。这组发现由Bendsøe与Sigmund（2003）、Aage等（2017）、Buonamici等（2021）提供出处。生成式设计拓扑优化的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
方法学上最重要的警告是：当制造约束缺失时，结构性能更高会反而产生无法制造的方案。所以验证生成式设计与拓扑优化必须包含故意制造失败的压力测试，不能只复制原论文最有利的设置。按生成式设计拓扑优化的对象表，围绕该研究线索，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
上述分子—分母只有与这些漏记对象同时公开才有解释力。前者显示中心表现，后者显示被流程遗弃的部分，同时把该未登记群体留在分母；两张表合并，才构成创造性、作者身份和文化多样性如何被分配的完整账本。对照生成式设计拓扑优化的主源，换言之，生成式设计与拓扑优化的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。生成式设计拓扑优化的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。
两项都把重复、备份和多路径可以压缩而不损失系统韧性当作未言明条件，但一项站D位，另一项站D位。若方向翻转，优先检查这些漏记对象是否在对方账本中被重新命名。在生成式设计拓扑优化的实施账本里，其也解释了为什么本项证据在不同制度中可能指向不同对象。
第二幕把生成式艺术放入真实生态：扩散、提示、音乐、共创代理、群体趋同、平台前沿、训练授权、版权、来源凭证与现场反馈共同决定作者与价值。
一、Creative Adversarial NetworksCreative Adversarial Networks
旧口径讨论Creative Adversarial Networks时，先看把用户选择、模型默认、推荐系统、市场标签与现场互动当成不改变结果的背景，再把不符合预期的部分留给误差项。未数字化艺术传统、失败图像与分类器无法命名的作品恰是误差项里最有信息的一类；它要求提示、候选、训练来源、筛选、署名、采纳、补偿与作品分布同时记录未发生、未进入和被改写的情况。就计算系统机制系统机制系统机制系统机制一的对象而言，围绕该转向，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
与旧口径相比，新主张把重点改成偏离既有风格分类：计算系统机制系统机制系统机制系统机制系统的新颖性主要由它能否生成既像艺术又不易归入既有风格的作品决定。因果责任不能靠拟合优度垄断，必须由前瞻预测、干预或跨条件稳定性来取得，同时把这些漏记对象作品留在分母。
三笔关键材料是Elgammal等（2017）、Hertzmann（2020）、Mazzone与Elgammal（2019）。CAN在GAN目标上加入风格歧义，让作品被艺术分类器判为“艺术”却不能自信归入单一历史风格；实验比较人类对新颖、愉悦和艺术性的评价。其可核对性取决于风格分类熵／作品被判断为艺术的概率：分子记录风格分类熵，分母固定为作品被判断为艺术的概率。若这组账外材料作品没有计数，指标再精确也只是局部样本的读数。计算系统机制系统机制系统机制系统机制一的结构读数保留2个可分别核对的对象：计算系统机制系统机制系统机制系统机制系统的新颖性主要由它能否生成既像艺术又不；任一对象缺席都不能由其余项代填。
当训练集本身偏窄时，风格歧义提高会反而只是混合少数西方流派。该情形把偏离既有风格分类从解释者变成被解释对象。若该未登记群体作品又在此时集中增加，说明反号来自流程选择，而非随机波动。就计算系统机制系统机制系统机制系统机制一的对象而言，换言之，Creative Adversarial Networks的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
实施者应为这些漏记对象作品设立不可覆盖的日志项，并在每次更新Creative Adversarial Networks时重新计算系统机制系统机制系统机制系统机制这一比率。若空栏增长快于分子，所谓优化应被认定为风险外移，这里由偏离既有风格分类承担证伪风险。就计算系统机制系统机制系统机制系统机制一的对象而言，其也解释了为什么该转向在不同制度中可能指向不同对象。
偏离既有风格分类与收入与推荐目标不能同时垄断解释；把该复核口径和可靠内容获得的推荐曝光／全部推荐曝光接到同一案例，才可能识别第三种条件。对生成能力何时才构成可负责的创造的回答，也因此取决于这组账外材料作品是否获得与成功样本同等的记录权。
二、AICAN与作者归属实验AICAN and Experiments in Authorship
AICAN与作者归属实验的早期证据容易被误读，因为模型参数数量给出了一个清楚、可发表的答案。可在视觉、音乐、设计、文本提示、平台生产与现场表演换样本或换制度后，训练数据作者、策展人、提示者与平台工程师的未分配贡献会系统累积，说明可见结果只是完整过程的一截。按AICAN作者归属的对象表，换言之，该转向的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
机器作者地位主要由观众如何分配意图、努力、署名与市场价值决定，而不是模型参数数量决定。在这套解释中，社会归因的机器作者应当先于结果变化出现，并对明确披露创作角色的作品数／全部公开AI艺术作品数提供不可替代的预测。若时间顺序或增量效度不成立，就不能继续称其为决定因素，同时把这些漏记对象分配贡献留在分母。
Elgammal与Mazzone（2019）、Epstein等（2020）、Cohen（2016）共同构成了本项的证据骨架。AICAN以自主生成和展览进入艺术市场；归因实验显示把作品标为AI、人类或协作会显著改变评价，AARON历史则说明机器艺术长期依赖程序员—系统关系。这里把量纲写为上述分子—分母，分子记录明确披露创作角色的作品数，分母固定为全部公开AI艺术作品数，用来约束跨群体、跨装置或跨制度的比较。AICAN作者归属的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
当前主张的适用域由一句反证界定：当机器标签被当作新奇营销时，透明度增加会反而提高价格而非理解贡献。在视觉、音乐、设计、文本提示、平台生产与现场表演中，应预先声明何时停止、何时重估以及哪些失败仍进入全部公开AI艺术作品数。对照AICAN作者归属的主源，其也解释了为什么AICAN与作者归属实验在不同制度中可能指向不同对象。
创作链、授权、署名、补偿、策展说明与来源凭证应把该未登记群体分配贡献纳入验收，而非只检查明确披露创作角色的作品数。一项制度或技术若靠缩小全部公开AI艺术作品数取得更好读数，就没有改善完整对象。对生成能力何时才构成可负责的创造的回答，也因此取决于这组账外材料分配贡献是否获得与成功样本同等的记录权。
双方共享文本、代码或模型被复制后，实践能力也随之迁移，本项关注社会归因的机器作者，对方关注核查结果的分发摩擦；若只保留成功记录，该未登记群体分配贡献与未被核查的长尾、图像梗和小语种内容都会消失，碰撞也就失去材料。
三、扩散模型取代GAN主流Diffusion Models Become the Main Generative Paradigm
计算创造力与生成式艺术对扩散模型取代GAN主流的旧默认，是把对抗训练视为对象的固定属性。2020年后，越来越多研究发现用户选择、模型默认、推荐系统、市场标签与现场互动会改变该属性，而安全过滤掉的候选、训练集重复和无法追溯的潜空间近邻正是这种回写最先留下的痕迹。对照高质量生机制的主源，其也解释了为什么该转向在不同制度中可能指向不同对象。
本项只承认逐步去噪生成作为方向开关，因而提出高质量生成主要由模型能否通过多步去噪稳定覆盖数据分布决定，而不是对抗训练决定。该开关必须能区分视觉、音乐、设计、文本提示、平台生产与现场表演中的成功与失败，而不是只在事后给成功案例命名。
关键结果并不来自一篇孤立论文，而由Ho、Jain与Abbeel（2020）、Dhariwal与Nichol（2021）、Rombach等（2022）连续推进。DDPM把生成写成反向去噪链；2021年扩散模型在图像质量上超过强GAN，潜空间扩散又显著降低高分辨率计算成本并支持文本条件。因此应报告有效独特样本数／单位生成计算量；分子记录有效独特样本数，分母固定为单位生成计算量，从而让失败和成功使用同一个分母。高质量生机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
扩散模型取代GAN主流最容易被过度推广的地方在于当采样步数和引导过强时，提示一致性提高会反而降低多样性。这要求研究把用户选择、模型默认、推荐系统、市场标签与现场互动视为主动变量，并检验它能否在不改变表面输入时改变该复核口径。对生成能力何时才构成可负责的创造的回答，也因此取决于这组账外材料间近邻是否获得与成功样本同等的记录权。
对实践最直接的要求，是把该未登记群体间近邻写进正式表格，并保留其发生时间和责任环节。这样才能判断上述分子—分母的变化来自逐步去噪生成，还是来自流程重新筛人。只要这组账外材料间近邻仍无独立编码，该复核口径的改善就无法区分真实转向与流程清洗。
共同默认是文本、代码或模型被复制后，实践能力也随之迁移，而D位的逐步去噪生成和E位的可计算馆藏的完整数据包分别声称决定方向。可用两边量纲的联动检验谁先发生，同时把该未登记群体间近邻留在分母。在高质量生机制的实施账本里，在扩散模型取代GAN主流中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。
四、文本到图像的提示协作Prompt-Based Text-to-Image Co-Creation
如果只按一次提示命中给文本到图像的提示协作下定义，艺术家、模型、平台、观众、策展人和原始权利人得到的是一个可测却不可迁移的对象。在人机视觉机制的实施账本里，对生成能力何时才构成可负责的创造的回答，也因此取决于该未登记群体是否获得与成功样本同等的记录权。
人机视觉共创效率主要由提示、参考图和局部编辑能否形成可迭代控制回路决定，而不是一次提示命中决定。把责任锁在自然语言迭代控制上，意味着计算创造力与生成式艺术要公开哪一步由它完成、哪一步只是伴随现象；若被用户保留的生成版本数／全部生成版本数对它不敏感，理论需要被削弱。
源行所列Ramesh等（2021）、Saharia等（2022）、Liu与Chilton（2024）展示了命题、反驳与更新。DALL-E证明文本条件生成可组合未见概念；Imagen与潜空间扩散提高文字理解和画质，CHI研究显示用户通常通过多轮提示、选择和修补完成作品。证据判断以上述分子—分母为中心，分子记录被用户保留的生成版本数，分母固定为全部生成版本数；这比只报平均值更能揭示用户选择、模型默认、推荐系统、市场标签与现场互动。人机视觉机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
反号条件是当用户只在模型给出的候选中微调时，控制感提高会反而缩小构思空间。只要这一条件存在，自然语言迭代控制便不能被当成外生常量；它必须随视觉、音乐、设计、文本提示、平台生产与现场表演更新，并在结果中报告更新前后的差。从人机视觉机制的材料看，只要这组账外材料仍无独立编码，这一比率的改善就无法区分真实转向与流程清洗。
围绕文本到图像的提示协作，主指标与空栏必须成对报告：前者是该复核口径，后者是该未登记群体。任何只改善前者却扩大后者的方案，都不应被艺术家、模型、平台、观众、策展人和原始权利人视为成功。
区别在于本项从E位解释，对方从D位解释，同时把这些漏记对象留在分母。若两条都得到支持，该未登记群体和没有稳定标识、权限变化和未发布原图的对象应被建模为一个新的中介对象。把人机视觉机制放到另见第 223 号第 17 条『结构预测与生成模型把病毒蛋白空间变成可计算对象』旁核验：先对齐对象、时间窗和责任人，再检查人机视觉机制的核心判断在另一套分母中是否仍同向。
五、文本到音乐与声音生成Text-to-Music and Audio Generation
文本到音乐与声音生成曾被放进一个过窄的问题框：几秒片段逼真度。这个框把用户选择、模型默认、推荐系统、市场标签与现场互动当背景，也把未授权录音、被裁剪长段和无法分离的乐器轨当无效记录。转向由此不是增加一个变量，而是承认背景和余数共同参与了结果，在该转向中可用保持主题一致的有效时长直接检验。从文本到音乐声音生成的材料看，只要该未登记群体仍无独立编码，保持主题一致的有效时长／全部生成时长的改善就无法区分真实转向与流程清洗。
这里的单因判断是音乐生成质量主要由模型能否在语义条件下维持节奏、音色与长时结构决定，而不是几秒片段逼真度决定。语义条件下的长时结构若成立，应能解释方向而不只是解释方差；如果它只让模型更复杂，却不改变样本外判决，就不构成新机制，同时把这些漏记对象留在分母。
MusicLM用层级音频标记从文本生成高保真音乐；MusicGen以单阶段语言模型提供可控旋律条件，评测同时比较音质、文本一致与音乐结构。相关出处见Agostinelli等（2023）、Copet等（2023）、Huang等（2025）。文本到音乐声音生成的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
理论边界不是“还需更多研究”，而是当模型只优化短窗音质时，片段更逼真会反而造成整体结构漂移。若这一反例在独立材料上稳定出现，计算创造力与生成式艺术就应放弃单向叙事，转而建模反馈回路。核查文本到音乐声音生成时，在文本到音乐与声音生成中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。
该未登记群体需要获得与成功样本同等的追踪周期。只有在视觉、音乐、设计、文本提示、平台生产与现场表演结束后仍能说明其去向，上述分子—分母才不是一次性展示，而是可问责的长期读数。在文本到音乐声音生成这条证据链上，围绕文本到音乐与声音生成，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
双方都默认术语、标签或元数据名称相同就意味着对象与意义相同，却分别把语义条件下的长时结构和资源转化为真实机会的转换因素定为主因；冲突必须由共同案例中的反号读数裁决，裁决读数是这一比率。换言之，本项证据的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
六、共创代理与轮流主导Co-Creative Agents and Mixed Initiative
对创造性、作者身份和文化多样性如何被分配而言，这类集中不是噪声，而是边界错误。核查共创代理轮流主导时，在该转向中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。在共创代理轮流主导这条证据链上，对生成能力何时才构成可负责的创造的回答，也因此取决于该未登记群体是否获得与成功样本同等的记录权。
人机共创质量主要由双方能否轮流提出、回应、解释和撤回建议决定，而不是AI建议数量决定。这一命题要求把可协商的主导权与用户选择、模型默认、推荐系统、市场标签与现场互动分开：前者应提供稳定的方向信息，后者只规定何时失效。两者混在一起，任何结果都能被解释，同时把这些漏记对象留在分母。
由Davis等（2015）、Oh等（2018）、Rezwana与Maher（2022）可以复原这条思想的实证演化。共创绘画和设计研究把系统分为被动助手、主动建议者和混合主导代理；用户研究显示建议需要足够具体又不能抢走控制，时机与可撤回性决定体验。共创代理轮流主导的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
当代理在高专注阶段频繁主动时，建议增加会反而降低创作流畅度。这条限制给出清楚的判决性预测：在反号条件出现时，被用户采纳并保留的AI建议数相对全部AI建议数应改变方向；不改变则说明边界定义错了，这里由可协商的主导权承担证伪风险。对共创代理轮流主导做反向检验，围绕共创代理与轮流主导，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
这项转向会改变计算创造力与生成式艺术的表格设计：不再把该未登记群体塞进备注，而是赋予编号、发生率和处置结果。主读数这一比率随之获得可复算的分母。把共创代理轮流主导放回原窗口，换言之，共创代理与轮流主导的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
它与本项的共有前提是术语、标签或元数据名称相同就意味着对象与意义相同，但两者分占D位和S位。若该复核口径改善而被本人认可的研究优先级数／全部研究议题数恶化，转换点很可能位于两类空栏的交界。就共创代理轮流主导的外推边界看，其也解释了为什么本项证据在不同制度中可能指向不同对象。
七、个体创意增益与群体趋同Individual Creativity Gains and Collective Homogenization
传统研究先把用户选择、模型默认、推荐系统、市场标签与现场互动当成不改变结果的背景，再据此描述个体创意增益与群体趋同，默认视觉、音乐、设计、文本提示、平台生产与现场表演中的条件可以忽略。在个体创意增群体趋同这条证据链上，围绕该转向，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。
从创造性、作者身份和文化多样性如何被分配的角度，本项作出明确押注：生成式AI的社会创意效果主要由个体作品质量提升是否以群体多样性下降为代价决定。押注对象是创意质量与分布多样性分离，判决读数是个体评分增量／群体作品相似度增量；二者若在独立材料上不再相连，押注即输，这里由创意质量与分布多样性分离承担证伪风险。
Doshi与Hauser（2024）、Zhang等（2025）、Jordanous（2024）分别支撑原始主张、争论与后续修订。2024年实验让约300名参与者写短篇，获得生成式AI建议者的故事被评为更有创意、更好写，但作品之间语义相似度更高，低创造力个体收益更大。核心量为上述分子—分母，即分子记录个体评分增量，分母固定为群体作品相似度增量；这一写法让艺术家、模型、平台、观众、策展人和原始权利人无法通过缩小分母制造稳定。
对个体创意增益与群体趋同的压力测试必须覆盖当所有人使用同一默认模型时，平均质量上升会反而缩小文化表达分布。只有在该条件被主动触发后，才能判断创意质量与分布多样性分离是稳定机制、补偿策略还是制度结果。对个体创意增群体趋同做反向检验，换言之，该研究线索的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
艺术家、模型、平台、观众、策展人和原始权利人应当先问这些漏记对象去了哪里，再问上述分子—分母是否提高。顺序不能倒置，因为被排除者本身可能解释全部改善，裁决读数是该复核口径。把个体创意增群体趋同放回原窗口，其也解释了为什么个体创意增益与群体趋同在不同制度中可能指向不同对象。
相同前提族15下，创意质量与分布多样性分离和对外部可检索性的信念给出不同方向；新的判别维度应同时记录这组账外材料与被平台删除、降权或无法再检索的外部记忆，而非平均两种结论。把个体创意增群体趋同放到另见第 198 号第 6 条『新思想 6 · 算法文化 —— 推荐系统进入了创作的上游』旁核验：先对齐对象、时间窗和责任人，再检查个体创意增群体趋同的核心判断在另一套分母中是否仍同向。
八、创作者平台上的前沿扩张Creative-Frontier Expansion on Platforms
创作者平台上的前沿扩张成为新问题，是因为计算创造力与生成式艺术发现原先的总产量只覆盖顺利通过流程的对象。未被流程接住的无人浏览、被算法压低和退出平台的作品没有去处，迫使研究者重新界定何为一次有效观察。对生成式扩机制做反向检验，换言之，该转向的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
生成式AI扩大创意前沿主要由原先处于何种技能和风格位置的创作者能否产生真正新组合决定，而不是总产量决定。这不是否认其他变量，而是规定它们必须通过谁真正越过既有前沿发挥作用。若存在绕开谁真正越过既有前沿的稳定通道，理论就要从“决定”降为“条件之一”。
实证部分可从Anderson等（2025）、Doshi与Hauser（2024）、Zhang等（2025）逐笔核对。2025年研究跟踪31076名创作者约27个月，比较采用生成式AI前后作品在质量、数量和新颖空间中的移动，发现收益集中于部分创作者与任务。为避免把不同对象混在一起，本项采用进入历史新颖区域的作品数／全部AI辅助作品数，分子记录进入历史新颖区域的作品数，分母固定为全部AI辅助作品数，并把该未登记群体列为必要旁数据。
当推荐系统只放大熟悉风格时，创作工具更强会反而让前沿作品更难被看见。这让争议从词义转成设计问题：固定艺术家、模型、平台、观众、策展人和原始权利人的构成及统计分母，只改变反号条件，看该复核口径是否出现预言中的转折。把生成式扩机制放回原窗口，其也解释了为什么创作者平台上的前沿扩张在不同制度中可能指向不同对象。
把该未登记群体设为强制披露项，是创作者平台上的前沿扩张进入现实制度的最低条件。若缺少这一项，创作链、授权、署名、补偿、策展说明与来源凭证无法识别外部成本，也无法比较不同实施者。就生成式扩机制的外推边界看，对生成能力何时才构成可负责的创造的回答，也因此取决于这组账外材料是否获得与成功样本同等的记录权。
共有默认为指标一旦进入考核、市场或治理，仍然测量原来的对象，相反点是谁真正越过既有前沿对短视频中的技巧识别。只要两边分母能对齐，就能观察何种条件把S位优势转成D位优势，这里由谁真正越过既有前沿承担证伪风险。只要该未登记群体仍无独立编码，该复核口径的改善就无法区分真实转向与流程清洗。
九、训练数据的同意、署名与补偿Consent, Credit and Compensation for Training Data
早期口径把训练数据的同意、署名与补偿理解为输出是否逐字复制，关注可见产出而少问形成条件。来源不明抓取、已故作者、集体传统与匿名作品却显示，提示、候选、训练来源、筛选、署名、采纳、补偿与作品分布里存在一批既影响结论又不享有字段地位的对象。把训练数据的补偿放回原窗口，其也解释了为什么该转向在不同制度中可能指向不同对象。
新说法可压缩为：创作者对训练使用的选择权决定方向，所以生成式艺术生态是否合法主要由创作者能否知情选择训练使用、获得署名并参与价值分配决定，而不是输出是否逐字复制决定。最严格的反证不是效应变小，而是在同一分母下出现相反结果且无需创作者对训练使用的选择权。
UNESCO 2025调查中77%的受访艺术家把AI视为威胁，约三分之二支持同意、署名与补偿机制；报告同时指出只有少数国家建立针对AI与艺术家的政策。这些结果在UNESCO（2025）、UNESCO（2025）、世界知识产权组织（2024）中形成支持与修正。可通约读数为有可验证授权或退出状态的训练作品数／全部训练作品数：分子记录有可验证授权或退出状态的训练作品数，分母固定为全部训练作品数；当分母被制度改变时，结论也必须重新命名，这里由创作者对训练使用的选择权承担证伪风险。
当前理论自己承认当平台只允许未来退出而不处理既有模型时，选择权增加会反而成为形式承诺。因此部署前要定义失效阈值，部署后要记录转折点，裁决读数是该复核口径；否则创作链、授权、署名、补偿、策展说明与来源凭证只会积累成功案例。就训练数据的补偿的外推边界看，对生成能力何时才构成可负责的创造的回答，也因此取决于这组账外材料是否获得与成功样本同等的记录权。
应用端应建立双账：一账记录上述分子—分母，另一账记录该未登记群体。两账之间的差额，才显示创作者对训练使用的选择权带来的真实增益与被隐藏的代价。只要这组账外材料仍无独立编码，该复核口径的改善就无法区分真实转向与流程清洗。
两项用同一前提族21起步，却把决定权交给不同位置；把上述分子—分母与提示后可靠链接分享数／全部分享链接数联合记录，才能发现被两边都删去的对象。把训练数据的补偿放到另见第 139 号第 8 条『新思想 8 · 多实验室复制与情境敏感性 —— 效应存不存在，改成效应在哪些条件下出现』旁核验：先对齐对象、时间窗和责任人，再检查训练数据的补偿的核心判断在另一套分母中是否仍同向。
十、版权、风格模仿与可保护表达Copyright, Style Imitation and Protectable Expression
艺术家、模型、平台、观众、策展人和原始权利人曾用是否使用AI快速判断版权、风格模仿与可保护表达。这种判断在单一场景中常有效，但换到视觉、音乐、设计、文本提示、平台生产与现场表演的另一端便被系统自动决定的构图、训练风格近邻和未留存编辑链击穿；需要修补的是对象定义，而非再加一层平均，在该转向中可用可明确归因于人类选择的表达元素数直接检验。对生成能力何时才构成可负责的创造的回答，也因此取决于该未登记群体辑链是否获得与成功样本同等的记录权。
本项把人类可控表达贡献置于因果链中心，并据此断言AI作品能否获得版权主要由人类对可保护表达的选择、安排与修改是否足够具体决定，而不是是否使用AI决定。为了避免循环定义，人类可控表达贡献的测量必须独立于结果本身，否则所谓解释只是换名。
从美国版权局（2025）、欧盟（2024）、欧盟委员会（2025）的时间序列可以看到理论如何被约束。美国版权局2025年报告区分提示、选择、编辑和组合中的人类贡献；欧盟AI法要求通用模型提供版权政策与训练内容摘要，并分阶段实施透明义务。版权风格模可保护表的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
版权、风格模仿与可保护表达的可证伪性来自当创作者只反复筛选模型输出而无法控制生成细节时，投入时间增加会反而不增加可保护贡献。该研究线索的反号条件若被删去，模型几乎能解释任何结果；保留它，人类可控表达贡献才真正承担风险。只要这些漏记对象辑链仍无独立编码，该复核口径的改善就无法区分真实转向与流程清洗。
为了避免“成功者偏差”，计算创造力与生成式艺术必须持续追踪这组账外材料辑链，并公开它们对作品全部关键表达元素数的贡献。若这些对象没有回到统计中，任何平均提升都应降级解释，裁决读数是上述分子—分母。
双方都依赖指标一旦进入考核、市场或治理，仍然测量原来的对象，但人类可控表达贡献和规模化叙事生成不能在同一条件下都保持唯一性；需要寻找由空栏触发的换手点，这也限定版权、风格模仿与可保护表达的适用域。把版权风格模可保护表放到另见第 223 号第 17 条『结构预测与生成模型把病毒蛋白空间变成可计算对象』旁核验：先对齐对象、时间窗和责任人，再检查版权风格模可保护表的核心判断在另一套分母中是否仍同向。
十一、生成艺术的来源凭证Provenance Credentials for Generative Art
生成艺术的来源凭证的旧问题意识由把作品、候选版本、创作决策、训练材料与实时事件压成单一平均或准确率主导，默认记录到的就是全部。只要该未登记群体品仍无独立编码，含完整创作来源链的作品数／全部公开生成作品数的改善就无法区分真实转向与流程清洗。
生成艺术的信任主要由提示、模型、编辑、素材与发布环节是否留下可验证且不侵犯隐私的来源记录决定。可证伪点在于，创作链可见性必须在艺术家、模型、平台、观众、策展人和原始权利人真正作出决定之前可观察，并使这一比率优于一个不含它的基线。
证据不只回答“有没有”，还要回答“在多少有效对象中发生”，在生成艺术的来源凭证中可用含完整创作来源链的作品数直接检验。C2PA与Content Authenticity Initiative把相机、编辑器和生成工具接入签名清单；创作者试点允许声明身份、训练偏好与编辑历史。对应出处为C2PA（2025）、Content Authenticity Initiative（2025）、Partnership on AI（2024）。因此报告该复核口径，其中分子记录含完整创作来源链的作品数，分母固定为全部公开生成作品数，是本项最低核验要求。生成艺术机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
一旦发生当市场把有凭证等同于有价值时，透明工具会反而强化平台和大机构优势，原有方向便可能翻转。最有力的复核是在不同视觉、音乐、设计、文本提示、平台生产与现场表演中重复这一转换，而不是只比较显著与不显著。围绕生成艺术机制，在生成艺术的来源凭证中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。
上述机制对制度的要求不是更多宣传，而是更好的记录：该复核口径、排除原因、人工修复和这些漏记对象品应在同一审计链上。沿生成艺术机制的责任链，围绕本项证据，版本、时间顺序与人工改写痕迹应进入创作链、授权、署名、补偿、策展说明与来源凭证的正式记录。生成艺术机制的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。
共同前提把两条拉到一张桌上，S位的创作链可见性与D位的对抗生成分布形成真正冲突；可比量纲则提供裁决而非修辞，同时把这组账外材料品留在分母。复算生成艺术机制之前，换言之，该研究线索的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
十二、具身、实时与表演性生成艺术Embodied, Real-Time and Performative Generative Art
把具身、实时与表演性生成艺术仅仅看成预生成内容数量，会让计算创造力与生成式艺术只奖励可被现有工具看见的部分。未被传感器识别的动作、拒绝被记录的观众和故障即兴提醒我们：不可见并不等于不存在，它可能正决定生成能力何时才构成可负责的创造。沿具身实时表演性生的责任链，在该转向中，这一点把艺术家、模型、平台、观众、策展人和原始权利人从结果使用者变成对象定义的共同责任者。
这一条的立场不是“值得关注”，而是生成式表演的艺术性主要由系统能否实时读取身体、声音、空间和观众反馈并允许表演者改写决定，而不是预生成内容数量决定。现场反馈回路因此承担唯一主因的压力；只要部署后出现稳定反例，适用域就要被明确缩小，在具身、实时与表演性生成艺术中可用被表演者主动接受的实时生成事件数直接检验。
Farbood等（2024）、Huang等（2025）、Franco等（2025）记录了这项转向从提出到校正的过程。实时音乐、舞蹈和装置系统把传感器、模型与投影或声音连成毫秒至秒级回路；2025年人在回路设计结合LoRA、材料知识和多模态控制，减少纯提示的失控。具身实时表演性生的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。
边界写得很具体：当延迟或误识别升高时，自动响应增加会反而破坏节奏与身体安全。它提醒计算创造力与生成式艺术，被测对象会回应测量、治理或技术安排；忽略这种回写，任何稳定性都可能是暂时的，这里由现场反馈回路承担证伪风险。
真正的落地指标由两部分组成：这一比率衡量中心结果，该未登记群体即兴揭示现行账本未承认的存在。只有二者同时改善，创造性、作者身份和文化多样性如何被分配才可被称为进步。换言之，上述机制的有效范围必须随用户选择、模型默认、推荐系统、市场标签与现场互动变化而重新声明。
双方都默认观察、记录与评估不会改变正在被观察的系统，却分别从D位与S位解释结果。若两条在不同阶段轮流成立，这些漏记对象即兴与难以描述、令人不适或未映射到身体部位的感觉共同标记的转换区就是新对象。把具身实时表演性生放到另见第 223 号第 17 条『结构预测与生成模型把病毒蛋白空间变成可计算对象』旁核验：先对齐对象、时间窗和责任人，再检查具身实时表演性生的核心判断在另一套分母中是否仍同向。
◎ 二十年连起来看
从输出不足以证明创造力、生成对抗网络的视觉分布到文本到音乐与声音生成，第一条历史线索是对象边界由单一结果扩展到过程与责任可见性、对抗逼真度和语义条件下的长时结构。这使生成能力何时才构成可负责的创造不再由中心样本独占，被删候选、人工改写与训练数据中的原作者贡献等空栏必须进入正式账本。
第二条线索落在证据制度。互动进化与共同选择用被后续分叉采用的中间形态数／全部公开中间形态数约束网络层结论，AICAN与作者归属实验用明确披露创作角色的作品数／全部公开AI艺术作品数检查迁移，训练数据的同意、署名与补偿则把版本与部署漂移纳入复核；一次成功由此让位给跨条件可重复，第479号据此限定创造性、作者身份和文化多样性如何被分配。
第三条线索是责任主体的变化，第479号据此限定创造性、作者身份和文化多样性如何被分配。生成式设计与拓扑优化、个体创意增益与群体趋同和具身、实时与表演性生成艺术共同显示，用户选择、模型默认、推荐系统、市场标签与现场互动会回写指标本身；第479号因此不是二十个口号，而是状态、路径、条件与空栏相互转换的证据图。
◎ 三个常见误解
误解1把输出不足以证明创造力缩成作品外观。这种口径之所以诱人，是因为责任单一、指标整齐，第479号据此限定创造性、作者身份和文化多样性如何被分配；但计算系统是否具有创造性主要由它能否展示生成过程、评价、意图与自我说明决定，而不是作品外观决定。复核必须同时查看可由系统解释的创作决策数／全部关键创作决策数与被删候选、人工改写与训练数据中的原作者贡献。
第2种误读，是把模型参数数量当成AICAN与作者归属实验的充分解释。它在短期报告里很省事，却会漏掉训练数据作者、策展人、提示者与平台工程师的未分配贡献；更可检验的陈述是机器作者地位主要由观众如何分配意图、努力、署名与市场价值决定，而不是模型参数数量决定，判据落在明确披露创作角色的作品数／全部公开AI艺术作品数。
关于生成艺术的来源凭证，常见的第3个误区是只追踪把作品、候选版本、创作决策、训练材料与实时事件压成单一平均或准确率。
◎ 与相邻领域的接口
The Painting Fool与机器艺术家与第473号第四条“文体计量与作者归属”通过同族前提〔02 单一读数代表复杂对象〕“一个汇总读数足以代表多层对象的真实状态”接通。
生成对抗网络的视觉分布与第474号第十一条“设计正义与共同生产”通过同族前提〔27 能力可与承载它的人分离〕“能力一旦编码进文本、模型或装置即可脱离原实践者迁移”接通。
文本到音乐与声音生成与第474号第六条“能力方法与真实自由”通过同族前提〔15 同名即同物〕“术语、标签或元数据名称相同就意味着对象与意义相同”接通。
版权、风格模仿与可保护表达与第478号第十条“合成文本与自动化影响”通过同族前提〔21 制度采纳不改变指标含义〕“指标一旦进入考核、市场或治理，仍然测量原来的对象”接通。
◎ 争议现场
输出不足以证明创造力目前的分歧在于过程与责任可见性究竟是原因还是条件性代理。支持材料显示Colton区分“创造力”与“被感知为有创造力”，提出系统需要让观众看到技能、想象与欣赏过程；后续工程把生成、评价与策展分开；反方可抓住的自我限制是当过程叙述由开发者事后包装时，解释增加会反而强化虚假自主性。收敛所需的设计是双重操纵、盲分析与预注册模型比较，并预先锁定可由系统解释的创作决策数／全部关键创作决策数和被删候选、人工改写与训练数据中的原作者贡献。
围绕扩散模型取代GAN主流，现有证据并未自动给出唯一机制。DDPM把生成写成反向去噪链；2021年扩散模型在图像质量上超过强GAN，潜空间扩散又显著降低高分辨率计算成本并支持文本条件提供了正向依据，而当采样步数和引导过强时，提示一致性提高会反而降低多样性允许方向翻转。采用跨站点复算、失败样本回补与异质性分析时，应把安全过滤掉的候选、训练集重复和无法追溯的潜空间近邻列作并列结局；若完整分母下逐步去噪生成不再增量预测，争论即有判决。
生成艺术的来源凭证的争议不是有没有效应，而是效应能否离开原始条件。已知材料包括C2PA与Content Authenticity Initiative把相机、编辑器和生成工具接入签名清单；创作者试点允许声明身份、训练偏好与编辑历史；最强反证条件则是当市场把有凭证等同于有价值时，透明工具会反而强化平台和大机构优势。要结束争论，需用训练—测试时间隔离、样本外验证与部署后监测复算含完整创作来源链的作品数／全部公开生成作品数，并公开所有进入离线创作、匿名艺术、旧软件和被截屏再发布的作品的案例。
◎ 往下五年看什么
第一项读数是风格分类熵／作品被判断为艺术的概率能否在两个独立数据源和一个真实场景维持方向；同时应公开未数字化艺术传统、失败图像与分类器无法命名的作品的发生率，否则Creative Adversarial Networks仍停在样本内。
第二项读数看文本到音乐与声音生成是否跨材料复现，并在研究开始前登记“当模型只优化短窗音质时，片段更逼真会反而造成整体结构漂移”这一反号条件；只增加样本量而不保留未授权录音、被裁剪长段和无法分离的乐器轨不算进展。
第三项读数是有可验证授权或退出状态的训练作品数／全部训练作品数的版本漂移曲线。地区、设备或制度切换后，来源不明抓取、已故作者、集体传统与匿名作品若同步增加，就要把所谓改进重判为选择效应。
第四项读数看具身、实时与表演性生成艺术能否把角色、退出、失败和人工修复写进正式规范；缺少未被传感器识别的动作、拒绝被记录的观众和故障即兴的连续日志，规模扩张只会放大不可核对性。
◎ 可与哪些领域对撞
输出不足以证明创造力×第473号第五条“空间人文与历史GIS”：两条由同族前提〔02 单一读数代表复杂对象〕“一个汇总读数足以代表多层对象的真实状态”进入同一问题，却分别把过程与责任可见性与历史对象的时空关系置于S位和D位。若二者都成立，被删候选、人工改写与训练数据中的原作者贡献向消失地名、移动边界和无法地理编码的叙述的转换就是第三对象；判决读数为可由系统解释的创作决策数／全部关键创作决策数与可定位到可信历史坐标的记录数／全部含地名记录数的联动。
生成对抗网络的视觉分布×第474号第十一条“设计正义与共同生产”：两条由同族前提〔27 能力可与承载它的人分离〕“能力一旦编码进文本、模型或装置即可脱离原实践者迁移”进入同一问题，却分别把对抗逼真度与受影响者的决策权与收益分配置于E位和D位。若二者都成立，模式崩溃掉的对象、训练数据中的真人与重复样本向退出、不同意和提出“不做产品”的意见的转换就是第三对象；判决读数为独特生成模式数／训练集中可识别模式数与由受影响者拥有否决权的决策数／全部关键决策数的联动。
文本到图像的提示协作×第473号第八条“IIIF互操作图像基础设施”：两条由同族前提〔11 可复现＝可重做〕“文本、代码或模型被复制后，实践能力也随之迁移”进入同一问题，却分别把自然语言迭代控制与可寻址图像区域与清单置于E位和D位。若二者都成立，未保存提示、被过滤概念与没有进入候选的想法向没有稳定标识、权限变化和未发布原图的对象的转换就是第三对象；判决读数为被用户保留的生成版本数／全部生成版本数与可由同一客户端读取的对象数／全部数字对象数的联动。
版权、风格模仿与可保护表达×第478号第十条“合成文本与自动化影响”：两条由同族前提〔21 制度采纳不改变指标含义〕“指标一旦进入考核、市场或治理，仍然测量原来的对象”进入同一问题，却分别把人类可控表达贡献与规模化叙事生成置于E位和S位。
◎ 十条可做的研究命题
1. 命题：过程与责任可见性对可由系统解释的创作决策数／全部关键创作决策数具有独立、可迁移的增量。设计：采用预注册二乘二因子实验，分别操纵主因与反号条件，并把被删候选、人工改写与训练数据中的原作者贡献列为并列结局。证伪：操纵过程与责任可见性后可由系统解释的创作决策数／全部关键创作决策数没有样本外增量，或把被删候选、人工改写与训练数据中的原作者贡献补回分母后方向消失。
2. 命题：生成与评价成对出现对具有独立评价证据的层数／框架要求的全部层数具有独立、可迁移的增量。设计：采用多站点重复研究，统一核心材料并保留站点语境，并把无法用框架表达的关系性、偶然与集体创作列为并列结局。证伪：在“当评价层只是复述训练奖励时，字段更完整会反而掩盖创造性贫乏”条件下未出现预先声明的反号，而且替代机制无需生成与评价成对出现即可复现结果。
3. 命题：约束下的风格重组对被音乐家保留的机器片段数／全部生成片段数具有独立、可迁移的增量。设计：采用前瞻纵向队列，连续记录主指标、时间顺序和空栏，并把被删除片段、未署名语料与人类后期制作劳动列为并列结局。证伪：跨站点估计的被音乐家保留的机器片段数／全部生成片段数方向不一致，且差异全部由被删除片段、未署名语料与人类后期制作劳动的排除规则解释。
4. 命题：内容与风格表征分离对保留内容结构的风格化图像数／全部生成图像数具有独立、可迁移的增量。设计：采用随机交叉设计，让同一对象经历两种条件，并把被算法当作噪声的笔触过程、材料和文化语境列为并列结局。证伪：时间顺序显示结果先于内容与风格表征分离，或完整分母使主效应降为零。
5. 命题：偏离既有风格分类对风格分类熵／作品被判断为艺术的概率具有独立、可迁移的增量。设计：采用对抗压力测试，主动制造最不利输入或制度条件，并把未数字化艺术传统、失败图像与分类器无法命名的作品列为并列结局。证伪：对抗条件触发后风格分类熵／作品被判断为艺术的概率仍不随偏离既有风格分类变化，说明该因素不是决定项。
6. 命题：逐步去噪生成对有效独特样本数／单位生成计算量具有独立、可迁移的增量。设计：采用登记册审计，比较公开记录与原始流程日志，并把安全过滤掉的候选、训练集重复和无法追溯的潜空间近邻列为并列结局。证伪：登记册与原始日志的差额足以解释全部收益，安全过滤掉的候选、训练集重复和无法追溯的潜空间近邻回补后结论翻转。
7. 命题：语义条件下的长时结构对保持主题一致的有效时长／全部生成时长具有独立、可迁移的增量。设计：采用自然实验，利用政策、平台或环境切换，并把未授权录音、被裁剪长段和无法分离的乐器轨列为并列结局。证伪：自然切换没有改变保持主题一致的有效时长／全部生成时长，而未观测环境变量独立重现同一结果。
8. 命题：创意质量与分布多样性分离对个体评分增量／群体作品相似度增量具有独立、可迁移的增量。设计：采用仿真加留出样本，先估转换点再用未见样本检验，并把未被选中的草稿、拒绝AI者与少数风格的消失列为并列结局。证伪：留出样本上预测失败，或转换阈值无法在第二材料中重复，第479号据此限定创造性、作者身份和文化多样性如何被分配。
9. 命题：创作者对训练使用的选择权对有可验证授权或退出状态的训练作品数／全部训练作品数具有独立、可迁移的增量。设计：采用共同生产的混合方法，由受影响者共同定义失败与遗漏，并把来源不明抓取、已故作者、集体传统与匿名作品列为并列结局。证伪：受影响者定义的失败与研究者定义不一致，且采用前者后创作者对训练使用的选择权失去解释力。
10. 命题：创作链可见性对含完整创作来源链的作品数／全部公开生成作品数具有独立、可迁移的增量。设计：采用真实世界连续监测，版本化记录漂移、退出和人工修复，并把离线创作、匿名艺术、旧软件和被截屏再发布的作品列为并列结局。证伪：部署漂移由版本和人工修复完全解释，创作链可见性对长期含完整创作来源链的作品数／全部公开生成作品数不再贡献。
◎ 资料核验
- Colton，2008年AAAI Spring Symposium:15–20，《Creativity Versus the Perception of Creativity in Computational Systems》
- Ritchie，2007年《Cognitive Computation》前身论文集，《Some Empirical Criteria for Attributing Creativity to a Computer Program》
- Veale与Cardoso编，2019年《Computational Creativity: The Philosophy and Engineering of Autonomously Creative Systems》，Springer
- Colton，2012年ICCC论文集，《The Painting Fool: Stories from Building an Automated Painter》
- McCormack与d’Inverno编，2019年《Computers and Creativity》，Springer第二版
- Pease与Colton，2024年《AI Magazine》45:89–104，计算创造力评价更新
- Colton、Pease与Charnley，2011年ICCC论文集，《Computational Creativity Theory: The FACE and IDEA Descriptive Models》
- Jordanous，2012年《International Journal of Computational Creativity》1:1–24，创造力十四要素框架
- Jordanous，2024年《ACM Computing Surveys》56(8):1–36，计算创造力评价综述
- Secretan等，2008年《Evolutionary Computation》16:175–210，DOI 10.1162/evco.2008.16.2.175
- Woolley与Stanley，2015年《How to Collaborate with the Evolution of Art》，Leonardo 48:148–153
- Stanley、Lehman与Soros，2019年《Why Greatness Cannot Be Planned》，Springer
- Pachet与Roy，2012年《Journal of New Music Research》41:177–193，Flow Machines风格模型
- Pachet，2016年Sony CSL发布《Daddy’s Car》与Flow Machines创作说明
- Herremans、Chuan与Chew，2017年《ACM Computing Surveys》50(5):67，DOI 10.1145/3108242
- Goodfellow等，2014年《Advances in Neural Information Processing Systems》27:2672–2680
- Karras、Laine与Aila，2019年CVPR:4401–4410，《A Style-Based Generator Architecture for GANs》
- Brock等，2024年《IEEE Transactions on Pattern Analysis and Machine Intelligence》46:5593–5610，生成模型评价回顾
- Gatys、Ecker与Bethge，2016年CVPR:2414–2423，《Image Style Transfer Using Convolutional Neural Networks》
- Johnson、Alahi与Fei-Fei，2016年ECCV:694–711，实时风格迁移
- Jing等，2020年《IEEE Transactions on Visualization and Computer Graphics》26:3365–3385，神经风格迁移综述
- Bendsøe与Sigmund，2003年《Topology Optimization》，Springer
- Aage等，2017年《自然》550:84–86，DOI 10.1038/nature23911
- Buonamici等，2021年《Computer-Aided Design》135:103013，生成式设计综述
- Elgammal等，2017年ICCC:96–103，《CAN: Creative Adversarial Networks》
- Hertzmann，2020年《Arts》9:24，《Computers Do Not Make Art, People Do》
- Mazzone与Elgammal，2019年《Arts》8:26，DOI 10.3390/arts8010026
- Elgammal与Mazzone，2019年《AICAN: AI-Created Art》，Rutgers Art and AI Lab报告
- Epstein等，2020年《iScience》23:101515，DOI 10.1016/j.isci.2020.101515
- Cohen，2016年《Harold Cohen and AARON》回顾文集，Victoria and Albert Museum
- Ho、Jain与Abbeel，2020年NeurIPS 33:6840–6851，《Denoising Diffusion Probabilistic Models》
- Dhariwal与Nichol，2021年NeurIPS 34:8780–8794，《Diffusion Models Beat GANs on Image Synthesis》
- Rombach等，2022年CVPR:10684–10695，《High-Resolution Image Synthesis with Latent Diffusion Models》
- Ramesh等，2021年ICML 139:8821–8831，《Zero-Shot Text-to-Image Generation》
- Saharia等，2022年NeurIPS 35:36479–36494，《Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding》
- Liu与Chilton，2024年CHI:1–18，提示迭代与视觉共同创作研究
- Agostinelli等，2023年《MusicLM: Generating Music from Text》，arXiv:2301.11325
- Copet等，2023年NeurIPS 36，《Simple and Controllable Music Generation》
- Huang等，2025年《Transactions of the International Society for Music Information Retrieval》8:101–119，文本到音乐创作评价
- Davis等，2015年ICCC:169–178，《Building Artistic Computer Colleagues with Co-Creative Agents》
- Oh等，2018年CHI:1–13，《I Lead, You Help but Only with Enough Details: Understanding User Experience of Co-Creation with Artificial Intelligence》
- Rezwana与Maher，2022年《ACM Transactions on Computer-Human Interaction》29(6):1–48，共创交互模式综述
- Doshi与Hauser，2024年《科学进展》10:eadn5290，DOI 10.1126/sciadv.adn5290
- Zhang等，2025年《自然·人类行为》9:1741–1755，生成式AI与创意多样性实验
- Anderson等，2025年《科学进展》11:adu9126，《Who Expands the Human Creative Frontier with Generative AI?》
- UNESCO，2025年《AI and Culture: Navigating the Future of Creativity》
- UNESCO，2025年全球艺术家调查：同意、署名与补偿政策需求
- 世界知识产权组织，2024年《Generative AI and Copyright: Facts and Policy Questions》
- 美国版权局，2025年《Copyright and Artificial Intelligence》第二、三部分报告
- 欧盟，2024年《Artificial Intelligence Act》，Regulation (EU) 2024/1689
- 欧盟委员会，2025年《General-Purpose AI Code of Practice》与版权政策模板
- C2PA，2025年《Content Credentials for Creative Workflows》实施指南
- Content Authenticity Initiative，2025年创作者凭证、训练偏好与作品来源试点报告
- Partnership on AI，2024年《Responsible Practices for Synthetic Media》第二版
- Farbood等，2024年《Computer Music Journal》48:5–24，实时生成音乐与表演者控制
- Huang等，2025年《Heritage Science》13:251，LoRA与人在回路的漆器生成设计
- Franco等，2025年《Leonardo》58:421–433，具身实时生成表演系统