文管纵横 微信号：whcygl

“文管纵横”包含文化管理与政策学术创新共同体宣传、ACEI西安工作站（中国分会）宣传，文化产业导刊优秀文章推送。

AI在提升个体创造力的同时，是否会削弱文化多样性？

PART.01

当AI展现出更强的创造力，文化创作面临什么新问题？

2026年9月8日，OpenAI公布了一套由内部AI系统生成的Navier-Stokes千禧年大奖问题解答，并同步发布书面证明和Lean形式化证明。两天后，Clay数学研究所表示，这一长期开放问题“看来已经得到解决”，同时强调成果评估与学术归属仍需按照既定程序审查（OpenAI, 2026; Clay Mathematics Institute, 2026）。无论最终评审结果如何，这一事件至少表明，前沿AI已经开始参与高度复杂、开放性科学问题的求解。

AI已经展现出越来越强的推理与创造性问题求解能力，然而文化创作面对的是另一类创造。数学创造最终需要接受逻辑正确性的检验，一个问题往往指向可以被证明和验证的答案；文化创作则没有唯一正确的结果，小说、绘画和音乐的价值，很大程度上来自不同经验、风格和表达之间的差异。创造力研究通常把新颖性与有效性视为基本标准（Runco & Jaeger, 2012），而文化创作还需要关注不同表达之间能否持续保持差异。因此，智能时代文化创作需要关注的新问题是：随着越来越多的人借助少数通用基础模型写作、绘图、作曲与制作视频，AI在提升个体创作能力的同时，会让文化表达更加丰富，还是会催生大量质量不低却趋于同质的作品？

已有研究提供了值得注意的证据。一项在线随机实验发现，生成式AI提供的创意能够提高短篇故事的创造性、写作质量和阅读愉悦度，原本创造能力较弱的参与者提升尤其明显；但与此同时，AI辅助组创作出来的故事彼此之间也更加相似（Doshi & Hauser, 2024）。换言之，同一种技术可以提高单个创作者的表现，却同时缩小不同作品之间的差异。

基于此，AI时代文化创作领域真正值得关注的，是个体创造力提升与集体文化多样性之间可能出现的分离。对单个创作者来说，AI可以补足技能、提供灵感，提高作品完成度；但当越来越多的人同时借助少数基础模型进行创作时，他们调用的数据、生成机制和候选方案也拥有越来越多的共同来源。结果可能是，每个人相对于过去的自己都变得更强，彼此之间的差异却没有同步扩大。AI辅助下个体层面的能力提升，可能会导致集体层面文化多样性的下降。这正是AI进入文化创作后值得进一步研究的问题。

PART.02

技术是怎样一步步进入文化创作内部的？

要理解人工智能对文化创作带来的变化，需要把它放回更长的技术发展过程中观察。文化创作从来没有脱离技术而独立存在，文字依赖书写工具和载体，音乐依赖乐器和记录方式，影像也随着摄影、录音和放映技术的发展形成新的表达形态。真正发生变化的，是技术参与创作的位置和程度。沿着这一线索，可以看到技术从辅助人的表达，逐步进入作品生产、传播反馈和创意形成的过程。

在器物中介阶段，技术主要表现为人的身体能力和表达能力的延伸。书法需要笔墨纸砚，器乐演奏依赖具体乐器，雕刻也受到刀具和材料特性的限制。不同工具会影响作品最终呈现的质感，但作品的主题、结构和基本形式主要来自创作者自身的经验与判断。工具参与了创作，却很少直接提供一套完整的形式方案。在这一阶段，技术更多影响作品如何被表达，创作意图和形式判断仍主要掌握在人手中。

机械复制技术出现以后，技术开始深入文化产品的制作、复制与传播。印刷术使同一文本能够以较稳定的形式大规模传播，并改变了文本保存、校订和知识扩散的方式。有关欧洲印刷革命的经典研究表明，从手抄文本向印刷文本的转变深刻改变了知识生产与传播的条件（Eisenstein, 1980）。摄影、录音和电影又使图像、声音与表演可以脱离原有现场，被固定、复制并跨地域传播。机械复制由此改变了艺术作品的真实性、灵韵与接受方式（Benjamin, 2008）。技术也随之进入文化产品的生产结构，作品如何被制作、复制和传播，越来越受到技术体系的塑造。

数字平台出现以后，技术对文化创作的影响进一步进入创作者的决策过程。点击量、完播率、停留时间、评论和转发等行为被转化为数据，平台据此分配可见性，创作者又根据反馈调整后续内容。相关研究将这一变化概括为“算法文化”，即排序、分类和层级化等文化工作越来越多地交由计算系统完成（Striphas, 2015）。平台化研究进一步发现，平台基础设施已经深入文化内容的生产、分发和流通，数据化反馈也会促使文化产品被持续修改和重新包装（Nieborg & Poell, 2018）。平台由此不再只是传播渠道，也开始参与塑造创作者下一步选择什么、怎样表达。

生成式人工智能进一步把技术带入方案形成和创意探索的环节。传统数字工具通常要求创作者先形成较明确的目标，再借助软件完成写作、绘图、剪辑或后期处理；生成模型则可以在目标尚未完全清晰时直接提供候选方案。已有实验表明，ChatGPT能够提高参与者在多种创意任务中的表现（Lee & Chung, 2024）；但人机协作的具体方式也会改变创造结果，直接编辑AI生成的完整作品与真正参与共同创作并不产生相同效果（McGuire et al., 2024）。随着这种协作方式普及，创作者的一部分工作开始从独立提出方案，转向提出问题、调用方案、比较结果和作出判断。

回顾这一过程可以看到，技术介入文化创作的位置逐渐向前移动。器物主要延伸人的身体和技艺，机械复制技术深入作品的制作与传播，数字平台通过数据反馈影响创作者的后续选择，生成模型则进一步参与创意方案的形成。这些形态今天仍然同时存在，并非简单的前后替代关系。真正值得关注的变化在于，过去许多技术主要作用于创意形成之后的实现过程，如今技术已经能够在构思尚未完成时提供大量候选形式，并由此进入原本主要依靠创作者自身经验完成的思考与选择过程。

PART.03

AI越强，文化为什么可能越相似？

生成式AI参与文化创作带来的一个可能的问题是个体创造力提升与集体文化多样性收窄之间的矛盾。单个创作者可以获得更强的表达能力和更高的作品完成度，但当大量创作者共享相似的模型、数据和生成机制时，彼此之间的差异也可能随之缩小。已有研究已经提供了“个体增益与集体趋同并存”的证据（Doshi & Hauser, 2024; Meincke et al., 2025）。但当前真正需要解释的，是这种分离如何发生。

生成模型首先改变了创作的起点。面对空白文档，创作者通常从个人经验、阅读积累、地方知识和偶然联想中寻找方向；进入生成模型之后，创作开始更多地从训练数据和模型结构已经组织过的内容空间出发。现有语言技术中的资源分布并不均衡，大量语言与地方性文化材料仍处于低资源状态，生成模型本身也会呈现可识别的文化倾向（Lu et al., 2025）。这意味着，数字记录丰富、重复出现频率高的表达更容易成为模型稳定调用的资源，而数据稀缺、语境依赖强的表达可能处于相对不利的位置。生成式AI扩大了可调用方案的数量，也可能在无形中改变创作的初始边界。

模型还会改变创作者形成判断的方式。传统创作要求作者自己决定问题从哪里开始、哪些方向值得探索，生成式AI则可以直接提供候选方案。已有诗歌创作实验发现，先接受AI生成的完整作品再进行编辑，其创造表现低于独立创作；当人机关系转向共同创作后，这种差异明显减弱（McGuire et al., 2024）。另有研究将“锚定于AI创意”视为生成式AI可能收窄创作差异的重要机制之一（Doshi & Hauser, 2024）。方案越完整，创作者越可能围绕既有答案继续加工。人拥有了更多可选项，却未必因此拥有更大的探索空间。

当这种作用扩展到大量创作者时，个体增益就可能转化为群体层面的收敛。一项对5万多名创作者、400多万件数字艺术作品的分析发现，文生图AI显著提高了创作生产率和作品获得认可的概率，但平均内容新颖性下降，视觉新颖性也整体下降（Zhou & Lee, 2024）。更近的研究进一步从群体层面观察到类似趋势。实验发现，ChatGPT可以提高单个创意的平均创造性，却降低一组创意的整体多样性（Meincke et al., 2025）；对2200篇大学申请文书的比较也发现，随着文本数量增加，人类作品带来的新增语义差异明显高于GPT-4生成文本（Moon et al., 2025）。AI可以让单个作品表现更好，却不能自动保证群体层面的差异同步扩大。

这也要求我们区分个体创造力与集体文化多样性。创造力研究通常关注作品的新颖性与有效性（Runco & Jaeger, 2012），而本文所说的集体多样性，关注的是不同创作者和不同作品之间能够保留多少差异。已有研究发现，与独立创作相比，AI辅助创作的故事在创造性评价上得分更高，但不同故事之间也表现出更高的相似性（Doshi & Hauser, 2024）。因此，一个创作者变得更强，并不意味着整个文化系统一定变得更丰富。前者关注单个作品的表现，后者关注群体作品的差异分布，两者属于不同层次的文化结果。

如果生成内容继续进入下一轮生产，这种收敛还可能获得进一步强化。AI生成的文字、图像和视频会被传播、模仿和再加工，其中一部分还可能进入后续训练数据。已有证据表明，当生成模型反复使用前代模型生成的数据进行训练时，原始数据分布中的低概率信息会逐渐流失，并可能出现“模型坍缩”（Shumailov et al., 2024）。虽然这一结果讨论的是机器学习中的数据退化，不能直接推导社会文化必然趋同，但它提示了一个值得关注的反馈风险。如果低频内容在生成、传播和再训练中长期处于弱势，其进入下一轮文化生产的机会可能进一步减少。

由此看，AI对文化多样性的影响可能贯穿整个创作过程。训练数据影响创作起点，候选方案参与塑造人的判断，大量创作者共享相似的技术条件，生成内容又可能继续回流。个体能力提升与集体差异收窄由此具备了同时发生的条件。AI可以让更多人创作得更好，但文化世界是否因此变得更丰富，还取决于差异能否在这一循环中持续被保存、产生和放大。

PART.04

接下来哪些问题值得真正研究

如果个体文化创作能力提升与集体文化多样性收窄可以同时发生，那么研究的重点就不能只停留在单件作品的效果评价上。前文已经看到，生成式AI会进入创作起点、影响方案判断，并通过共享模型和内容回流作用于更大范围的文化生产。顺着这条机制链条，至少有四个问题仍有待充分回答。

第一个问题，不同的人机分工方式，会怎样改变人的文化创造过程？生成式AI已经开始参与选题、构思、方案生成和修改等多个环节，但现有证据表明，AI参与更多并不必然带来更高的创造表现（McGuire et al., 2024）。真正值得研究的是，哪些环节应由人主导，哪些环节可以交给模型，以及这种分工会怎样影响人的独立构思、方案探索和判断能力。如果模型过早给出完整答案，创作者可能更容易沿着已有方案继续加工；如果人仍然掌握问题设定和方向选择，AI则可能更多发挥扩展思路的作用。什么样的人机分工能够扩大创造空间，什么样的分工会让创作逐渐依赖模型提供的路径，仍需要更系统的比较。

第二个问题，单个作品质量的普遍提高，是否等同于文化整体的丰富？不少AI创造力研究仍以单件作品为主要评价对象，关注作品是否更加新颖、完整和有价值（Lee & Chung, 2024; McGuire et al., 2024）。但单件作品变好，并不能直接说明一组作品之间的差异也在扩大。近来的研究已经开始用语义距离、创意池多样性和“多样性增长率”等指标观察群体层面的变化（Meincke et al., 2025; Moon et al., 2025），说明这一测量方向正在形成。下一步仍需解决的问题是如何把单件作品的质量评价与群体作品的差异分布放进同一框架，并进一步扩展到文本、图像、音乐等不同文化形态。

第三个问题，共享基础模型会不会成为文化趋同的新机制？平台研究已经表明，共享技术基础设施能够通过数据化、选择机制和反馈规则重塑文化生产（Nieborg & Poell, 2018; van Dijck et al., 2018）。生成式AI把这种共享进一步推进到内容生成的前端。大量创作者虽然身处不同地区、拥有不同经验，却可能同时调用少数基础模型，并由此面对相近的数据结构、生成逻辑和默认表达。通用模型、专业模型以及经过地方文化资料调整的模型，是否会形成不同的表达分布，模型集中度又会怎样影响文化多样性，目前系统性的跨模型、跨文化证据仍然有限。更需要回答的是，共享基础模型通过哪些机制推动文化表达收敛，以及这种作用会在什么条件下被强化或削弱。

第四个问题，文化趋同如何被削弱或逆转？前文讨论的起点收窄、方案锚定、共享模型和内容回流，都建立在特定条件之上，因此文化收敛并非不可改变。真正值得研究的是，哪些因素能够重新扩大文化表达的差异。个人经验、地方知识、田野材料等异质资源持续进入创作过程，能否削弱模型对高频内容的偏向；创作者保留独立判断、多种模型并存以及多元评价机制，能否降低既有表达模式的累积优势。因此，这里要回答的根本问题是文化趋同的边界在哪里，以及怎样的创作条件能够让文化生产持续保持开放和差异。

以上四个问题共同指向文化创作研究的一个重要转向。生成式AI进入文化创作之后，创造力已经很难只从个体能力或单件作品来理解，还需要观察创作者、模型与文化环境如何共同影响差异的产生。一个文化系统的创造力，既看个体能走多远，也看彼此能否走出不同的路，以及新的差异能否持续产生。当智能技术逐渐成为共同的创作基础设施，真正需要追问的是文化是否仍能持续生成差异、容纳异质，并保持开放的意义创造空间。

PART.05
参考文献

Benjamin, W. (2008). The work of art in the age of its technological reproducibility, and other writings on media (M. W. Jennings, B. Doherty, & T. Y. Levin, Eds.; E. F. N. Jephcott, R. Livingstone, & H. Eiland, Trans.). The Belknap Press of Harvard University Press.

Clay Mathematics Institute. (2026, September 10). Navier-Stokes announcement. https://www.claymath.org/news/navier-stokes-announcement/

Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290

Eisenstein, E. L. (1980). The printing press as an agent of change: Communications and cultural transformations in early-modern Europe. Cambridge University Press. https://doi.org/10.1017/CBO9781107049963

Lee, B. C., & Chung, J. (2024). An empirical investigation of the impact of ChatGPT on creativity. Nature Human Behaviour, 8, 1906–1914. https://doi.org/10.1038/s41562-024-01953-1

Lu, J. G., Song, L. L., & Zhang, L. D. (2025). Cultural tendencies in generative AI. Nature Human Behaviour, 9, 2360–2369. https://doi.org/10.1038/s41562-025-02242-1

McGuire, J., De Cremer, D., & Van de Cruys, T. (2024). Establishing the importance of co-creation and self-efficacy in creative collaboration with artificial intelligence. Scientific Reports, 14, 18525. https://doi.org/10.1038/s41598-024-69423-2

Meincke, L., Nave, G., & Terwiesch, C. (2025). ChatGPT decreases idea diversity in brainstorming. Nature Human Behaviour, 9, 1107–1109. https://doi.org/10.1038/s41562-025-02173-x

Moon, K., Green, A. E., & Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans, 6, 100207. https://doi.org/10.1016/j.chbah.2025.100207

Nieborg, D. B., & Poell, T. (2018). The platformization of cultural production: Theorizing the contingent cultural commodity. New Media & Society, 20(11), 4275–4292. https://doi.org/10.1177/1461444818769694

OpenAI. (2026, September 8). On the Navier–Stokes Millennium Prize Problem. https://openai.com/index/navier-stokes-solution/

Runco, M. A., & Jaeger, G. J. (2012). The standard definition of creativity. Creativity Research Journal, 24(1), 92–96. https://doi.org/10.1080/10400419.2012.650092

Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y

Striphas, T. (2015). Algorithmic culture. European Journal of Cultural Studies, 18(4–5), 395–412. https://doi.org/10.1177/1367549415577392

van Dijck, J., Poell, T., & de Waal, M. (2018). The platform society: Public values in a connective world. Oxford University Press. https://doi.org/10.1093/oso/9780190889760.001.0001

Zhou, E., & Lee, D. (2024). Generative artificial intelligence, human creativity, and art. PNAS Nexus, 3(3), pgae052. https://doi.org/10.1093/pnasnexus/pgae052