AI的“创造力”真的是技术缺陷吗？ ？随着生物系统自我组装的过程的参考，提出并证明了一个大胆的假设 - 分配的扩散模型的可分离过程，就像细胞的对比和修复，以及在ICML 2025所接受的论文中所形成的图像AI无法准确的图像的原因，这两个研究人员的创建模型由Insventional the Indertional of Diff of Diff of Fiff of Fiffriendity'' - 模型架构的直接而不可避免的结果。他们的假设从何而来？他们做了什么来证明这一假设？让我们一起看看。此事的原因：算法的Theunique创造力人工智能系统进一步模仿了人类思维在进化过程中的能力，并显示了“创造力”的独特和独特的才能。 。但是，实际上，它们似乎正在即兴，融合了我n图像创建新事物 - 没有毫无意义的颜色簇，而是相互关联的语义图像。是什么使他们能够即兴创作？朱利奥·比洛利（Giulio Biroli）是人工智力研究人员和巴黎的español师范大学的物理学家，称这种现象为扩散模型的“讽刺”：如果它们完美地工作，则只能是记忆。但是他们没有 - 他们确实制作了新样本。为了生成图像，扩散模型使用了一个称为Denaising的过程： - 传播数字噪声中的图像（一组无序的像素集），然后再次将其组合。这就像重复通过碎纸机通过粉碎机的通过，直到只剩下灰尘，然后将碎片返回。多年来，研究人员感到震惊：如果扩散模型重新培养数据，创造力从何而来？这就像整合 - 一幅破碎的绘画，使其成为艺术品的新作品。两个物理学提出了一个大胆的假设：任何信息都可以重新修复是否可以disappear？难题可能能够根据说明返回原型，但是如果说明消失了怎么办？他们在纸上证明了自己的想象力，其中包括ICML2025。校正 - 发现：真相的相似性和AI的“超声手指”。这两个物理学将提出与它们的背景密切相关的假设：本文的第一作者梅森·坎布（Mason Kamb）长期以来一直沉迷于形态发生 - 生命系统自我组装的动态过程。他的研究生主管（以及另一位纸张）也曾在神经生物学工程领域任职。根据图灵模型，细胞的配位在局部水平上完全进行：没有“指挥官” toadminister Toadminister BILTLININES细胞，以确保它们都符合身体结构的最终计划。换句话说，单个单元没有完全的身体蓝图作为其工作的基础，它们仅根据SI进行调整并进行调整来自附近细胞的子质。下面的系统通常运行良好，但有时会误认为是使多指畸形的手。好的？多头手用可怕的手？不是经常批评的第一批AI生成图像的图像吗？ ？ KAM立即将AI在形态发生中产生的奇怪图像链接在一起：“看起来自下而上的系统会出错。”在形成图像时，AI研究人员已经知道，在传播模型后将采取一些技术快捷方式：局部横流。局部性意味着扩散模型一次仅集中在一个像素的集合或“块”上。虽然异地剂规则是：如果将某些图片的输入的图像朝任一方向移动，则系统将自动调整以在生成的图像中进行相同的更改 - 这就是模型保持相互关联的方式，并且没有它，创建现实的图像将变得更加困难。由于这些属性，扩散模型不集中关于如何将块的特定区域嵌入最终图像中。他们仅着眼于同时建立区域块的形成，然后使用称为分数函数的数学模型自动自动加强它们的位置，该模型可以被视为数字化的图灵模式。就像一个拼图，对吗？当PWE加入拼图时，我们还看了看它们。一些艺术家故意“干预”以下难题，创作新的艺术作品或不同绘画的一部分 - 这种艺术称为“拼贴艺术”。但是，研究人员长期以来一直将局部性和异端病态视为剥夺过程的局限性，这是一项技术挑战，可以防止扩散模型的图像完美复制，并且它们不会将它们与创造力联系起来，因为创造力被视为一种更先进的现象。但是凸轮不这么认为。相反，他认为扩散模型的“创造力”的原因是当地和其他人的等效问题是一个问题！证明方法：仅优化局部性和尤等性来验证这一假设，由KAM和GANGGUNE提出了一个验证思想：如果他们可以设计一个仅优化局部性和异端性的系统，那么该系统应像扩散模型一样起作用。两位物理学家称他们的系统为等值的本地评分机（ELS）。这不是一种习惯的扩散模型，而是一组方程式 - 可以仅基于位置和异义化机制来研究和预测图像。然后，他们将使用一系列图像，这些图像与许多功能强大的扩散模型（包括Resnet和UMET）一起转换为数字噪声，以进行比较测试。结果是“令人惊讶的”：总的来说，ELS可以完全匹配受过训练的扩散模型的输出，平均精度为90％。卡姆说，结果是“闻所未闻的机器学习”。该研究的结果似乎证明了他们的SPE瓦卡 - 哈卡：当添加当地限制时，“创造力”将自动上升；它来自系统的动态，自然而然。也就是说，这些机制限制了在可分离过程中限制扩散模型的范围，迫使他们专注于单个图像块，而不管这些块以哪种块以成品结束，而不是创造其创造力。对于扩散模型中出现的“超声手指”现象也是如此，该现象是该模型对局部像素块开发的过度聚焦的直接副产品，并且缺乏一般的背景理解。这项研究表明，扩散模型的创造力可以被视为Danising本身的过程的副产品，并且可以以前所未有的准确性进行正式化和预测。几乎就像神经科学家一样，将一群人类艺术家放入MRI成像师中，发现背后有一种共同的神经机制可以将创造力写成一组方程式，无疑称为“伟大”。但是这种解释并不干扰吗？答案不是。其他问题：不使用局部性和异位液的模型似乎表现出创造力，即使论文和恒河解释了扩散模型的生物的机制，仍然有一些疑问需要解决：例如，大型语言模型和其他AI系统似乎显示出创造力，但它们不使用创造力，并且它们不使用局部性和局部性。他们的创造力从何而来？但是，这一发现具有很大的价值，如前所述，将扩散模型与神经科学进行比较可能仅超过隐喻：对两种物理学的研究也可以提供对人类思维的“黑匣子”的见解。佐治亚理工学院的机器研究研究员本·胡佛（Ben Hoover）说：“人们和人工智能的创造力可能没有什么不同。” “我们将基于WH的事物结合在一起我们正在经历，梦想，看到，倾听或渴望。根据这一观点，AI还结合了基本要素。 https://www.quantamagazine.org/researchers-ocover-hiden-unredients-behind-i-crectribity-20250630/praping：https：// arxiv.org/abs/2412.20292
