השוואת יצירתיות בין בני אדם ל-GenAI: האם המכונות יכולות ליצור כמו בני אדם?

בעידן של בינה מלאכותית מתקדמת, שבה מכונות מסוגלות לכתוב שירים, לייצר אמנות דיגיטלית ולככב בכתיבה יצירתית, עולה שאלה מהותית: האם **היצירתיות האנושית** עומדת בפני איום של תחרות מצד GenAI? השיח סביב הנושא הזה לא עוסק רק בטכנולוגיה, אלא בוחן את עומק ההגדרה של מהי בעצם יצירתיות, ומה מייחד את התהליך האנושי.

מהי יצירתיות באמת?

כדי להבין את ההבדלים בין בני אדם למערכות AI, חשוב שנגדיר מהי **יצירתיות**. בעוד שהמושג עשוי להתפרש בצורה שונה לפי תחומי עיסוק ופרספקטיבות, במובן הרחב, יצירתיות מתארת את היכולת **ליצור משהו חדש, ייחודי ומשמעותי**. הפסיכולוגית מרגרט בודן, למשל, מחלקת יצירתיות לשלושה סוגים מרכזיים:

• חדשנות משולבת: יצירת משהו שמתבסס על רכיבים קיימים אך בדרך חדשה.
• חדשנות מונעת: יצירת רעיונות או תוצרים לחלוטין חדשים במרחב הידע.
• חדשנות משנת-פרדיגמה: יצירה שמובילה לשינוי תשתיתי בתפיסת העולם.

במבט על מערכת Generative AI, כמו מודלים מסוג GPT או DALL-E, אפשר לראות שהן פועלות בעיקר בתחום החדשנות המשולבת – כלומר, הן משלבות רכיבים מתוך מאגרי מידע עצומים ליצירת מוצרים שנראים או נשמעים “חדשים”. השאלה המהותית היא, האם שינוי מבני או יצירה של משהו שלא התבסס על דוגמאות קודמות אפשריים בכלל למכונות?

השפעת הדאטה על היכולת של מכונות ליצור

בינה מלאכותית מבוססת למידה עמוקה מסתמכת במידה רבה על מאגרי מידע של קלט. לדוגמה, מודלים כמו GPT-4 לומדים מתוך מיליוני ספרים, מאמרים, וכמויות אינסופיות של תוכן אינטרנטי. מצד אחד, זה מאפשר להם לנתח תבניות לשוניות ולייצר תשובות קולחות. מצד שני, זה הופך אותם לתלויים במידע קיים. מכאן, עולה שאלה מעניינת סביב אפשרויות היצירתיות שלהם – עד כמה התוצרים שלהם הם באמת “מקוריים”, ועד כמה הם למעשה מיחזור מתוחכם של ידע קיים?

נסו לחשוב על תהליך יצירה אנושי – ציור, כתיבה, או הלחנה. לרוב, חוויות אישיות, רגשות ומחשבות עמוקות משתלבות בתהליך. AI, לעומת זאת, “דורך” על נתונים מאחרים; הוא לא חווה, לא שואף שינוי במהותו ולא מתמודד עם חוויות מכוננות כפי שבני האדם עושים.

מכונות מול יצירתיות בין-תחומית

פקטור נוסף המרחיב את פער היצירתיות נוגע לשילוב בין תחומים שונים. דמיינו סופר שמשתמש בידע במדע כדי לכתוב סיפור מדע בדיוני, או מעצב גרפי המשלב עקרונות פסיכולוגיה ליצירת קמפיין ציבורי. היכולת האנושית להעביר השראה בין תחומים, ולהשתמש באלמנטים מרחבי ידע שונים כדי לייצר משהו חדשני, היא תהליך מורכב ואינטואיטיבי. מנגד, מערכות AI מוגבלות בהפריה בין תחומית רחבה – הן חייבות לעבוד במסגרת הדאטה שזמין להן.

תמונה כללית: למידה לעומת יצירה

ברמה העקרונית, הטכנולוגיה של Generative AI מראה יכולת מרשימה לחקות יצירה. לדוגמה:

• יצירת אמנות פיקסלית שמחקה סגנונות אמנותיים ידועים.
• כתיבת סיפורים לפי מבנה קיים עם קווים עלילתיים הניתנים להכוונה.
• הלחנת מוזיקה בסגנונות מסורתיים על בסיס דפוסים שהתגלו בנתוני אימון.

אבל ישנו הבדל מהותי בין **למידה** לבין **יצירה**. מערכות AI לומדות מתוך הקיים ומבנה הדאטה עצמו, בזמן שהיכולת האנושית נובעת מהלך רוח, חזון, ומושגים שאינם תמיד ניתנים לכימות.

כעת, אנחנו עומדים בעידן שבו אנחנו צריכים לבחון מחדש לא רק את גבולות היכולת של המכונות, אלא גם את ההגדרה שלנו עצמנו על מהי יצירתיות ואיך היא ממשיכה להשתנות עם הקדמה הטכנולוגית. עם HD real-time Generative AI בעיצומה, נותר מרחב בלתי ננצל לשאול כיצד המערכת יכולה להיות כלי להעצמת היצירתיות האנושית במקום ניסיון להחליף אותה.

ניתוח יצירתיות של בינה מלאכותית דרך מסגרות אקדמיות

כשאנחנו מתעמקים בניתוח היצירתיות של מערכות Generative AI (GenAI), נעשים מאמצים רבים באקדמיה למדוד ולהבין את היכולות האמיתיות של הטכנולוגיה. אחת הדרכים החשובות ביותר לעשות זאת היא באמצעות מסגרות תיאורטיות שנוצרו מתוך ניסיון לפענח את מהותה של **יצירתיות אנושית**. גם אם קשה למדוד יצירתיות באופן ישיר – כי היא כוללת מרכיבים סובייקטיביים ורגשיים – כלים אקדמיים עוזרים להגדיר מדדים ברורים להשוואה זהירה בין אנשים לבין מערכות AI.

מהי יצירתיות לפי תאוריות פסיכולוגיות?

הקרקע התיאורטית להערכת יצירתיות נבנתה פעמים רבות באמצעות גישות פסיכולוגיות. אחת הדמויות המרכזיות בתחום היא מרגרט בודן, פסיכולוגית ומדענית מחשבים, שהניתוחים שלה על יצירתיות חוללו קפיצת מדרגה בדיון על AI. בודן הציעה שלושה סוגים של יצירתיות:

• יצירתיות קומבינטורית: שילוב של ידע או אלמנטים קיימים בעיבוד יוצא דופן – תחום שבו מערכות AI מראות הצלחה רבה. למשל, יצירת שירים על פי סגנונות מסוימים תוך שילוב טקסטים מתוך דוגמאות מוכרות.
• יצירתיות אקספלורטיבית: חקירה של המרחב החדשני תוך שינוי קל בחוקי המשחק – למשל, הפקת תמונה “חדשה” בטכניקה שלא הייתה מוכרת אך מבוססת על מאגר דומה.
• יצירתיות טרנספורמטיבית: שינוי פרדיגמות ותפיסת עולם, כמו המצאות ששינו את ההיסטוריה האנושית (כגון גילוי החשמל או פיתוח תורת היחסות). כאן AI מתקשה מאוד, משום שחדשנות כזו דורשת חוויה רגשית, השראה חיה, ודחפים עמוקים – דברים שאינם חלק מעולם המכונות.

אם מסתכלים על היצירתיות ש-GenAI מפגין כיום, ברור שהוא מתקשה להשתלט על תחום היצירתיות הטרנספורמטיבית. אבל למה? אחת התשובות טמונה בצורה שבה מערכות אלה מתוכננות ובמה שהן מתבססות עליו – דאטה.

איך מתמודדים החוקרים עם אתגר המדידה?

בעוד שהמחקר האקדמי ממשיך לנסות “לתפוס” יצירתיות במרווחים מדידים, ניתן ללמוד רבות מהשיטות החדשניות של השנים האחרונות. לדוגמה, מחקר שבחן את היכולות של מודלים לשוניים גדולים (Large Language Models, או בקצרה LLMs) התמקד באלמנטים של **חדשנות, ערך, והפתעה** – שלושת המדדים שתיארה בודן. מחקר שנעשה בלונדון על ידי מירקו מוסולזי וד”ר ג’ורג’יו פרנצ’סקלי הדגיש את ההבדל המהותי בין תוצאות חדשניות “בחזות” לבין תוצאות עם ערך מהותי ששופכות רעיונות פורצי גבול לתוך העולם שלנו.

תוצאות מחקרים אלה מראות בבירור ש-LLMs אכן מצליחים לייצר תוכן שנראה חדשני ומסקרן על פני השטח. לדוגמה, סיפור קצר שנכתב על ידי AI יכול לכלול התפתחויות מעניינות, אבל חסר לו משהו מהותי: הוא לא יכול להתייחס לקונטקסט התרבותי, לתפיסות חברתיות, או לצרף רגשות עמוקים מתוך חוויות אישיות. החלקים האלו שהם **בלתי-ניתנים לכימות**, הם בין הדברים שמייחדים את בני האדם.

חקר תהליכי יצירה – סיפורים מול מציאות

חוקרים אחרים, כמו דר’ נניאן פנג מאוניברסיטת קליפורניה, בחנו את היצירתיות של LLM-ים באמצעות אתגר של כתיבת סיפורים. בעוד שמערכות AI הראו יכולת להפיק סיפור קצר עם התחלה, אמצע וסוף, הבעיות התחילו להופיע כשירדו לפרטים:

• **עלילות חוזרות:** הסיפורים נטו להשתמש בתבניות שחוזרות על עצמן ונראו דומות בצורה חשודה לנתוני האימון של המודלים.
• **חוסר באיזון עלילתי:** הסיפורים התקשו לעיתים קרובות להעניק תחושת “קשת עלילתית” מלאה; דמויות מסוימות נשכחו או שסיפורי הצד לא נסגרו.
• **חוסר יציבות בקצב:** קצב הסיפור לעיתים היה מהיר מדי או איטי מדיי, בשל חוסר יכולת לנהל פרספקטיבה שדורשת אינטואיציה.

מסקנות של פנג וחוקרים נוספים היו חד-משמעיות: יצירתיות אנושית שונה מהותית מזו של AI. גם אם ניתן לשפר את התוצאות דרך פרמטרים, ההבדל המובנה נותר בעינו.

היתרונות של עבודה משותפת בין אדם למכונה

עם זאת, יש מקום לגישה פרודוקטיבית יותר: במקום לשאול האם AI “יכול להתחרות” באדם, יש יתרון בשימוש ב-GenAI ככלי שמעניק השראה או עוזר למקצוענים להרחיב את גבולות האפשרויות היצירתיות שלהם. לדוגמה:

• *כתיבת טיוטות ראשוניות:* מחבר יכול לשתף פעולה עם מודל LLM לקבלת רעיונות חדשים ומהירים.
• *אופטימיזציה של תהליכים:* שימוש ב-AI מאפשר למעצבים לייעל גרסאות ובדיקת תוצרים מרובים במקביל.
• *העשרת ההשראה:* שילוב אלמנטים נשכחים שנמצאים בנתוני המערכות ומעניקים דרכי חשיבה מחוץ לקופסה.

שיתוף פעולה זה מסוגל לשלב בין כוחות היצירתיות הייחודיים של האדם לבין מהירות החישוב וכמותיות המידע העצומה שמסוגלת GenAI להכיל.

בעשור האחרון, הבינה המלאכותית התקדמה במהירות שיא, ובמיוחד ה-GנAI (Generative AI), שהפכה לכלי רב עוצמה בעולם היצירתי. עם זאת, יחד עם ההתפתחות המדהימה, צצים גם סימני אזהרה שחושפים את האתגרים והגבולות של Generative AI בתהליכי יצירה כמו כתיבה וסיפור סיפורים. ננתח את הנושא לעומק ונתמקד ביכולות ה-LLMs (מודלים לשוניים גדולים), והקושי שלהם להביא יצירתיות דומה לזו האנושית במובנים כמו יצירת סיפורים מורכבים או עומק רגשי.

המגבלות של מודלי השפה הגדולים

אחת המגבלות המרכזיות בכתיבה שנעשית על ידי LLM-ים היא הבסיס שעליו הם פועלים: דאטה קיים ודפוסים שחוזרים על עצמם. כל רעיון שהם “מייצרים” הוא תוצאה של חיבור בין נתונים שאוחסנו ונלמדו ממקורות כמו ספרים, אתרי אינטרנט ואפילו יצירות ספרותיות. למשל, הם עשויים לייצר סיפור שבו דמות נועזת תצא למסע הרפתקאות עוצר נשימה, אבל התבנית העלילתית, הדיאלוגים והנושאים יהיו מוכרים לעיתים עד כדי שעמום עבור הקורא, שכן הם מבוססים על מאות אלפי סיפורים דומים.

היעדר רגש וחוויה אנושית

LLMs לא “חווים” את המציאות. הם אינם חשים כאב, אובדן, התרגשות או אהבה – ולכן מתקשים להעביר מורכבות רגשית בסיפורים שהם כותבים. לדוגמה, אם נבקש ממודל לכתוב על אובדן של אדם אהוב, הוא יסתמך על תבניות מוכנות של רגשות מתוך קטעי טקסט שנסקרו. התוצאות לרוב מדויקות טכנית אך אינן מצליחות לגעת בליבו של הקורא, כפי שסופר שחווה את האובדן בעצמו עשוי לעשות.

בני אדם מביאים עמם זיכרונות, חוויות חיים וגישה אינטואיטיבית לכתיבה. תהליך היצירה עבורם כולל מאבק פנימי, רגשות עמוקים והשראה חיה, שלעיתים מתעוררת רק לאחר חוויות משמעותיות בחיים. דברים אלה הם בלתי ניתנים לשכפול על ידי מכונה.

קשיים בנרטיב ועלילה

כדי לכתוב סיפור טוב, נדרש איזון מדויק בקצב העלילה, פיתוח הדמויות ושזירת תהליכים מורכבים – מאפיינים שמודלים טובים בהם פחות. בהרבה סיפורים שנכתבו על ידי LLM-ים, ניתן לראות את האתגרים הבאים:

• תבניות שחוזרות על עצמן: סיפורים מבוססים על תבניות דומות מדי שאינן מתקדמות בנרטיב או מציעות שינוי משמעותי בקונספט.
• אובדן דמויות: לעיתים קרובות דמויות שמופיעות בתחילת הסיפור נשכחות לחלוטין בהמשך.
• חוסר עקביות בעלילה: סיפורים של GenAI עשויים לכלול קפיצות עלילתיות או חוסר יציבות בהתקדמות הסיפור, דוגמת סיום מהיר מדי שאינו פותר את הקונפליקט המרכזי.

דוגמה לכך היא מחקר שבדק את יכולותיו של GPT-3 בכתיבת סיפורים עלילתיים. התוצאות היו מסקרנות, אך הצביעו על בעיות רבות. לדוגמה, סיפור על גיבור שמנסה להציל את האנושות עוצר לפתע באמצע העלילה עם פיתרון סתמי, או דמויות שנראים לפתע ללא שום הקדמה והשפעה על הסיפור. מקרים כאלה בולטים בכך שהם מרחיקים את הקורא ומונעים ממנו להתעמק בסיפור או להזדהות איתו.

חוסר הקשר תרבותי וחברתי

יצירת storytelling מוצלח אינה רק אמנות טכנית, אלא גם מבוססת הקשר תרבותי וחברתי. בני אדם כותבים ומספרים סיפורים מתוך עולמם, מהידע שלהם על החברה שבה הם חיים וההיסטוריה שספגו. LLM-ים, לעומת זאת, פועלים מתוך אוקיינוס נתונים אך נעדרים כל קונטקסט חברתי, ולכן תוצריהם עלולים להיראות “נייטרליים” מדי או חיצוניים לאירועים קונקרטיים.

למשל, כתיבת סיפור מדע בדיוני מצליח דורשת לא רק הבנה של מדע וטכנולוגיה אלא גם גישה רגשית ותרבותית לשאלות כמו “כיצד חברה עתידנית תיראה?” או “כיצד אנשים יגיבו לאתגרי העתיד?” בעוד שבני אדם שואבים השראה מתמונות היסטוריות, פחדים עתידיים וערכים חברתיים כדי להעשיר סיפורים כאלה, Generative AI פשוט מחבר אלמנטים קיימים מחדש.

הזדמנויות לגישור על הפערים

למרות המגבלות שהוזכרו, שיתוף פעולה בין בני אדם ל-AI יכול להיות פתרון מעניין. במקום לשאול האם AI יכול להחליף יוצר אנושי, יש ערך רב בשילוב שני הכוחות הללו ליצירת תוצרים מרשימים יותר:

• **שיפור מושגי בסיס:** מחברים יכולים להשתמש ב-AI כדי לבנות שלד ראשוני של סיפור, ואז להוסיף רובד רגשי עמוק.
• **השראה:** מודלים יכולים לספק רעיונות חדשים או לחשוף נקודות מבט שהמחבר לא חשב עליהן.
• **עריכת תכנים:** AI עשוי להיות כלי עזר בניקיון טקסט, סידור עלילה, ושיפור בהירות.

עצם יכולתו של ה-AI להציע זוויות חדשות, אך לא בהכרח מושלמות, עשויה להוביל את האנשים לשפר את היצירות שלהם ולפנות למקומות חדשים. מתוך שיתוף פעולה זה, הפוטנציאל ליצירתיות רחבת אופקים יכול להתרחב ולעודד פריחה אמנותית אמיתית.

בתחום ההערכה של היצירתיות המלאכותית, אחד האתגרים המרכזיים הוא פיתוח כלים שיכולים למדוד באופן אובייקטיבי ומדעי עד כמה התוצר של מכונה נחשב “יצירתי”. בהיות המכונה תלויה בלמידה מתוך מאגרי מידע קיימים, מבחן מקיף המבוסס רק על דעתם האישית של חוקרים אינו מספיק. לכן, פותחו גישות המשלבות בין פרספקטיבה אנושית לבין אמצעים חישוביים חדשים שמספקים מדדים כמותיים ותובנות מפורטות.

גישות מתקדמות למדידת יצירתיות מלאכותית

בשנים האחרונות, פותחו שיטות מתמטיות וחישוביות להערכת האופן שבו מערכות Generative AI (GenAI) מייצרות תוצרים יצירתיים. הכלים האלה מנסים לנתח לא רק את צורת התוצר, אלא גם את הערך המהותי שבו – עד כמה הוא שונה ממידע קיים וכיצד הוא מצליח להפתיע את הקורא או המשתמש.

• מדדי חדשנות: ניתוח שינויים בהשוואה לידע קיים. האם המוצר המתקבל באמת חורג מגבולות הדאטה ששימש לאימון המודל?
• מדדי ערך תוכני: בחינה של מידת הרלוונטיות והשימושיות של התוצר. האם התוצר שימושי בקרב קהלים שונים או מוביל לשימושים חדשים?
• מדדי הפתעה: מדד המבוסס על תגובת הקוראים. האם התוצר מצליח להפתיע את הקוראים? עד כמה הוא בלתי צפוי ובעל השפעה מרעישה?

המחקר בנושא מדדי יצירתיות התפתח מתוך שיתוף פעולה בין חוקרי בינה מלאכותית ובין מומחי פסיכולוגיה וקוגניציה. לדוגמה, מספר מחקרים בתחום נעזרו ברעיונות שמקורם בתחום הפסיכולוגיה היצירתית כדי להרחיב את ההבנה שלנו את הדרך בה נתפסות יצירות גנרטיביות במוח האנושי.

חישוב באמצעות AI: שיטת DJ Search

אחת הדוגמאות היותר מעניינות לשיטות כאלו היא הפרויקט של Ximing Lu וצוותה מאוניברסיטת וושינגטון, שם פותחה תוכנה בשם DJ Search. התוכנה המתקדמת נוצרה כדי למדוד עד כמה התוכן שמפותח על ידי GenAI נובע ממרחב חדשני, ועד כמה הוא חוזר על דפוסים קיימים.

ב-DJ Search נעשה שימוש בטכנולוגיית ‘הטבעות’ (Embeddings), המייצגת את משמעות של מילות מפתח וצירופי טקסט במרחב דינמי של פיקסלים דיגיטליים. באמצעות טכניקה זו, הצוות הצליח לזהות האם תוכן מסוים באמת נמצא מחוץ למקבילות שקיימות במאגרי נתונים, ועד כמה הוא מביא עמו משמעות שונה מקונספטים קודמים.

המסקנה שהגיעה ממחקר זה הייתה חד משמעית: GenAI משתמשת במידע זמין, ולמרות היכולת המרשימה ליצור שילובים מעניינים ומורכבים, תהליכיה דומים לעיתים קרובות לתהליך של יצירת רמיקס מוזיקלי. הם יכולים לעורר השראה, אבל קשה לראות בהם יצירה נקייה.

דוגמאות מעשיות להשוואה בין GenAI לאדם

כדוגמה, ניתן להסתכל על ההבדלים הבולטים בין סיפורים שנכתבים בידי מחברים אנושיים לעומת סיפורים ש-LLMs מרכיבים. חוקרים שבחנו את העלילות ש-GenAI יוצרת מצאו את המגבלות הבאות:

• מידע מנותק מהקשר: בעוד שסופרים אנושיים שואבים השראה מתוך חייהם, תרבותם ופרספקטיבה רחבה, תוכן GenAI מסתמך על אינפורמציה סינטטית ונשמר בגבולות ידועים מראש.
• עמימות רגשית: הטקסטים שמייצרות מערכות AI עשויים להיראות טכניים מדי ולעיתים לא מצליחים לעורר רגשות חזקים בקוראים.
• נרטיב שטחי: חלק מהעלילות נראות כמו שילוב אקראי של אירועים ללא תובנה רבה או נגיעה בסוגיות עומק, כמו דילמות מוסריות או ערכים חברתיים מורכבים.

עם דוגמאות כאלה, אפשר להבין שלמרות השיפור המתמיד במודלים הלשוניים, הפער נשאר מהותי. היכולת של בן אדם לטעון את התוצרים שלו ברגש, חוויה וחזון נותרת ייחודית.

שיתוף פעולה אפשרי לאור המגבלות

מעניין לשים לב לכך שהמגבלות הללו יכולות להפוך בעצמן להזדמנויות. במקום להתחרות ב-GenAI, אמנים וכותבים אנושיים יכולים לתת לו תפקיד ככלי עבודה משלים:

• הפקת רעיונות ראשוניים: יכולות החיזוי והערכה של המודל מאפשרות לו לספק סקיצות טקסט ראשוניות, שעליהן היוצר האנושי יכול לעבוד.
• יצירת אפשרויות עיצוב: מעצבים גרפיים משתמשים במודלים כמו DALL-E כדי לחקור פרשנויות אמנותיות שאין סיכוי שייכנסו אוטומטית למוחם.
• חקירה של פרספקטיבות חדשות: היכולת של מערכות להצליב מאות אלפי מקורות יכול לספק זוויות חדשות לנושאים מורכבים.

במבט קדימה, המפתח יהיה בשימוש מושכל בטכנולוגיה. ברור שהמכונות אינן יכולות להחליף את עולמנו הרגשי, אך הן בהחלט יכולות לתרום כדלק להשראה וחדשנות. ליצירה משודרגת זו יש פוטנציאל לשנות את כללי המשחק באמנות, ספרות, ומדיה דיגיטלית.