Google 用数学证明 AI 生图有创造力，艺术家不买账

Google 近期在一篇学术论文中提出，AI 图像生成器并非简单复制训练数据，而是通过数学上的「插值」产生新图像，并以此论证这些模型具备真正的「创造力」。这一观点随即在设计与艺术界引发广泛讨论。

论文核心主张：从噪声到图像的插值机制

这篇由 Google 研究科学家 Zhengdao Chen 撰写、题为《On the interpolation effect of score smoothing in diffusion models》的论文，已在 ICLR 2026 上正式发表。论文的核心思路如下：

• 扩散模型从随机噪声出发，逐步「雕刻」成图像；驱动这一过程的方向判断被称为「得分函数」（score function）。
• 若得分函数完全精确，模型每次都会把噪声拉回训练集中的某张原图，等同于高级复印机式的「记忆」。
• 但神经网络训练过程天然带有模糊效应（score smoothing），这种模糊削弱了对单一训练图像的锁定，使结果可能落在两张或更多图像之间的「中间地带」。
• Google 认为，这个「中间地带」就是新图像诞生的位置——不是复制，而是插值。

Google 的论证并非「营销话术」

需要承认的是，这篇论文并非市场宣传式包装，而是对模型行为给出的清晰、可验证的数学解释。它在技术层面有力反驳了「AI 生图只是拼贴」这一简化判断，为理解扩散模型的工作方式提供了更精确的框架。

艺术界的质疑：「插值」不等于「创作」

然而，对于以创作为职业的艺术家而言，论文中「创造力」一词的使用显得过于宽泛：

• 插值是数据点之间的几何运算，并不包含意图、选择或经验。
• 梵高漩涡式的星空来自日本浮世绘的影响、个人精神处境的投射，以及多年色彩与笔触的实验；莫奈反复描绘鲁昂大教堂，是因为他执着于同一主体在不同光线下的变化。这两位艺术家的「新颖性」背后都有一个具体的问题需要解决。
• 扩散模型在两个训练样本之间「找到中间点」，并不存在它想要回答的问题，也没有任何投入产出的利害关系。

未解的源头问题

更关键的是训练数据的来源。即便模型生成的不是任何单张原图的精确复制，也回避不了核心争议：未经授权与付费使用数百万艺术家的作品进行训练，是否本身就已构成问题。插值在数学上或许成立，但其「插值起点」——那些被使用的原作——同样真实存在。

Google 的数学推导看起来是可靠的，也在纠正「AI 只是拼接偷来的碎片」这种说法上有价值。但「模型如何生成新内容」与「这种生成能否被称为创造力」是两个完全不同的命题——至少在任何一个仍在工作的艺术家所能认同的意义上。