Creatividad computacional

De Wikipedia, la enciclopedia libre
Ir a la navegación Ir a la búsqueda

Creatividad computacional (también conocida como creatividad artificial, creatividad mecánica, informática creativa o computación creativa) es un esfuerzo multidisciplinar que está localizado en la intersección de los campos de inteligencia artificial, psicología cognitiva, filosofía, y las artes.

El objetivo de creatividad computacional es modelar, simular o replicar la creatividad utilizando un ordenador, para conseguir uno de varios fines:[cita requerida]

  • Para construir un programa u ordenador capaz de alcanzar el nivel de creatividad humano.
  • Para entender mejor la creatividad humana y para formular una perspectiva algorítmica del comportamiento creativo humano.
  • Para diseñar programas que puede realzar la creatividad humana, sin que sean necesariamente creativos.

El campo de la creatividad computacional abarca asuntos teóricos y prácticos en el estudio de la creatividad. El trabajo teórico de la propia definición de creatividad se entiende en paralelo con el trabajo práctico en la implementación de sistemas creativos, con continua comunicación entre ambos.

Asuntos teóricos[editar]

Como se ha podido observar por la cantidad de actividad en el campo (p. ej., publicaciones, conferencias y talleres), la creatividad computacional es una área de investigación en pleno crecimiento. Pero el desarrollo de dicho campo todavía está obstaculizado por un gran número de problemas fundamentales.[cita requerida] Es muy difícil, incluso imposible, definir la creatividad en términos objetivos. Es un estado mental, un talento o habilidad, o un proceso? La creatividad toma muchas formas en la actividad humana, algunos eminentes (a veces referidos a tan "Creatividad" con C mayúscula) y algunos mundanos.

Estos son problemas que complican el estudio de creatividad en general, pero algunos problemas se vinculan específicamente a la creatividad computacional:[cita requerida]

  • Puede creatividad ser programada? En sistemas dotados de creatividad, es ésta del sistema o del programador o diseñador del mismo?
  • Cómo evaluamos la creatividad computacional? Qué cuenta como creatividad en un sistema computacional? Son los sistemas de generación de lenguajes naturales creativos? Son creativos los sistemas de traducción automática? Qué distingue la investigación en el campo de la creatividad computacional de la investigación en inteligencia artificial en general?
  • Si la creatividad eminente trata de romper las reglas o negar la convención, cómo es posible que un algoritmo sea creativo? En esencia, esto es una variante de la oposición de Ada Lovelace a la inteligencia de las computadoras, como han resumido teóricos modernos como Teresa Amabile.[1]​ Si una máquina sólo puede hacer aquello para lo que esté programado, cómo puede su comportamiento llamarse creativo?

De hecho, no todos informáticos estarían de acuerdo con la premisa de que los ordenadores sólo pueden hacer lo que están programados para hacer—un punto clave a favor de creatividad computacional.[2]

Definiendo la creatividad en términos computacionales[editar]

Debido a que ninguna perspectiva o definición parece ofrecer una descripción clara de creatividad, los investigadores en IA Newell, Shaw y Simon desarrollaron la combinación de novedad y utilidad al punto clave de una vista multifacética de creatividad, que utiliza los siguientes cuatro criterios para categorizar una cierta respuesta o solución como creativa:[3]

  1. La respuesta es novedosa y útil (ya sea para el individuo o para sociedad)
  2. La respuesta hace que rechacemos ideas aceptadas previamente
  3. La respuesta resulta de una intensa persistencia y motivación
  4. La respuesta proviene de aclarar un problema impreciso originalmente

Mientras que la definición anterior refleja un acercamiento general a la creatividad computacional, se ha desarrollado un estudio alternativo más exhaustivo por los psicólogos computacionales implicados en la investigación de redes neuronalel artificiales. Entre finales de 1980 y principios de 1990, por ejemplo, dichos sistemas neuronales estuvieron generados por algoritmos genéticos.[4]​ Los experimentos que implican redes recurrentes fueron exitosos generando melodías musicales sencillas y predecir las expectativas del oyente.[5]

A la vez que se hacía este estudio, algunos psicólogos computacionales tomaron la perspectiva, popularizada por Stephen Wolfram, de que comportamientos del sistema entendidos como complejos, incluyendo la producción creativa de la mente, podrían surgir de algoritmos considerados sencillos. Como entiende el pensamiento neuro-filosófico, también resulta evidente que el lenguaje presentó un obstáculo a la hora de producir un modelo científico de cognición, creativo o no, ya que trajo con él muchos halagos no-científicos que eran más reconfortantes que certeros. Por lo tantos surgen preguntas como cuán "rico," "complejo," y "maravillosa" era la creación cognitiva.[6]

Redes neuronales artificiales[editar]

Antes de 1989, las redes neuronales artificiales han sido usadas para modelar ciertos aspectos de la creatividad. Peter Todd (1989) primero entrenó una red neuronal para reproducir melodías musicales de un conjunto de piezas musicales de entrenamiento. Entonces utilizó un algoritmo de cambio para modificar los parámetros de entrada de la red. La red era capaz de, aleatoriamente, generar música nueva de una manera altamente incontrolada.[7][8]​ En 1992, Todd extendió este trabajo, utilizando el llamado enfoque del profesor distante, que había sido desarrollado por Paul Munro, Paul Werbos, D. Nguyen Y Bernard Widrow, Michael I. Jordania y David Rumelhart.[9][10][11][12][13]​ En la aproximación nueva hay dos redes neuronales, una de ellas suministra patrones de entrenamiento a la otra. Todd, en esfuerzos más tardíos, un compositor seleccionaría un conjunto de melodías que define el espacio de melodía, las colocaría en un segundoplano con una inferfaz gráfica, y entrenaría una red para producir aquellas melodías, y así escuchar las nuevas melodías que la red genera correspondientes a puntos intermedios en el segundo plano.

Más recientemente un modelo neurodinámico de redes semánticas ha sido desarrollado para estudiar cómo la estructura de conectividad de estas redes se relaciona al riqueza de las construcciones semánticas, o ideas, que pueden generar. Está demostrado que redes neuronales semánticas que tienen dinámicas semánticas más ricas que aquellos con otras estructuras de conectividad pueden proporcionar ideas a cómo la estructura física del cerebro determina una de las características más profundas de la mente humana – su capacidad para el pensamiento creativo.[14]

Conceptos claves de la literatura[editar]

Algunos temas de alto-nivel y filosóficos se repiten en el campo de creatividad computacional.[Aclaración requerida]

Categorías importantes de creatividad[editar]

Margaret Boden se refiere a la creatividad que es novedosa únicamente para el agente que lo produce como "P-creatividad" (o "creatividad psicológica"), y a la creatividad reconocida como novedosa por la sociedad como "H-creatividad" (o "creatividad histórica").[15][16]​ Stephen Thaler sugiere una nueva categoría que él llama "V-" o "creatividad Visceral", donde el significado se inventa para los sentidos de entrada a la arquitectura de la máquina creativa, para que la red produzca interpretaciones alternativas, y otras redes por debajo ajustan la interpretación para que se ajuste al contexto. Una variedad importante de la V-creativity es la consciencia, en la que el significado se inventa de forma reflexiva para activarse como en el cerebro.

Creatividad exploratoria y transformacional[editar]

Boden También distingue entre la creatividad que surge de una exploración dentro de un espacio conceptual establecido, y la creatividad que surge de una transformación deliberada o trasciende de este espacio. Etiqueta el anterior como creatividad exploratoria y el último como creatividad transformacional, viendo el último como un tipo de creatividad mucho más radical, desafiando, y menos común que el anterior. Siguiendo los criterios que Newell y Simon elaboraron anteriormente, podemos ver que ambas formas de creatividad tendrían que producir resultados notables y útiles (criterio 1), pero la creatividad exploratoria es más probable que surja de una búsqueda minuciosa y persistente de un espacio bien entendido (criterio 3) -- mientras la creatividad transformacional tendría que implicar el rechazo de algunos de las restricciones que define este espacio (criterio 2) o algunos de las suposiciones que define el propio problema (criterio 4). Las ideas de Boden han guiado trabajo en creatividad computacional a un nivel muy general, proporcionando más de un punto inspirador para desarrollar trabajos en un marco técnico de sustancia algorítmica. Aun así, las ideas de Boden son incluso más recientes que el tema de formalización, más notable en el trabajo por Geraint Wiggins.[17]

Generación y evaluación[editar]

El criterio que los productos creativos tendrían que ser útiles significa que los sistemas computacionales creativos están típicamente estructurados en dos fases, generación y evaluación. En la primera fase, nuevas (para el propio sistema, por lo tanto P-Creativo) construcciones se generan; todas las construcciones ya conocidas por el sistema son filtradas en este punto. Este cuerpo de construcciones potencialmente creativas es entonces evaluado, para determinar cuáles son significativos y útiles y cuáles no. Esta estructura bifásica conforma el modelo Geneplore de Finke, Ward y Smith, el cual es un modelo psicológico de generación creativa basada en la observación empírica de la creatividad humana.[18]

Creatividad Combinatoria[editar]

Un buen trato, a pesar de todo, de la creatividad humana puede ser entendida como combinación novedosa de objetos o ideas preexistentes. Estrategias comunes para la creatividad combinatoria incluyen:

  • Colocando un objeto familiar en contexto desconocido (p. ej., Marcel Duchamp Fuente) o un objeto desconocido en un encuadre familiar (p. ej., un pez-fuera-de-historia de agua como El Beverly Hillbillies)
  • Mezclando dos objetos o géneros diferentes (p. ej., la historia de ciencia ficción ambientada en el Oeste Salvaje, con cowboys robot, cuando en Westworld, o el revés, o al revés, como en Firefly; los poemas japoneses haiku, etc.)
  • Comparando un objeto familiar objeto no conocido (p. ej., "el maquillaje es el burka occidental"; "Un zoológico es una galería con exposiciones vivientes")
  • Añadiendo una característica nueva e inesperada a un concepto existente (p. ej., añadiendo un scalpel a un cuchillo de Ejército suizo; añadiendo un cámara a un teléfono celular)
  • Comprimiendo dos escenarios incongruentes a la misma narrativa para conseguir un chiste (p. ej., el Emo Philips "Las Mujeres siempre están utilizándome para adelantar sus carreras. Antropólogos malditos!")
  • Utilizando una imagen icónica de un ámbito en otro distinto para una idea no relacionada o incongruente (p. ej., utilizando el Marlboro imagen de Hombre para vender coches, o para anunciar los peligros de fumar).

La perspectiva combinatoria nos permite modelar la creatividad como un proceso de búsqueda a través del espacio de combinaciones posibles. Las combinaciones pueden surgir de la composición o concatenación de diferentes representaciones, o a través de una transformación basada en reglas o estocástica de representaciones iniciales e intermedias. Los algoritmos genéticos y las redes neuronales pueden usarse para generar mezclas o cruces de representaciones que capturan una combinación de entradas diferentes.

Mezcla Conceptual[editar]

Mark Turner y Gilles Fauconnier propone un modelo llamado Redes de Integración Conceptual que elabora sobre las ideas de Arthur Koestler de la creatividad[19]​ así como trabajo más reciente de Lakoff y Johnson, sintetizando ideas investigación Lingüística Cognitiva a espacios mentales y metáforas conceptuales.[20][21][22]​ Su modelo básico define una red de integración como cuatro espacios conectados:

  • Un primer espacio de entrada (contiene una estructura conceptual o espacio mental)
  • Un segundo espacio de entrada (para mezclarse con la primera entrada)
  • Un espacio genérico de imagen y convenciones que permiten a los espacios de entrada ser entendidos de una perspectiva integrada
  • Un espacio mezclado en el que una proyección seleccionada de los elementos de ambos espacios de entrada están combinados; las inferencias que surgen de esta combinación también reside aquí, a veces dirigiendo a estructuras emergentes que se encuentran en conflicto con las entradas.

Fauconnier y Turner describen una colección de principios óptimos que pretenden guiar la construcción de una red integrada bien formada. En esencia, ven la mezcla como mecanismo de compresión en el que dos o más métodos de entrada están comprimidas en una única estructura. Esta compresión opera en el nivel de relaciones conceptuales. Por ejemplo, una serie de relaciones de semejanza entre los espacios de entrada pueden ser comprimidas en una única relación de identidad en la mezcla.

Algunos éxitos computacionales han sido conseguidos con el modelo de mezcla por extender modelos computacionales preexistentes de asignación analógica, que son compatibles por su énfasis en la conextión de estructuras semánticas.[23]​ Más recientemente, Francisco Câmara Pereira presentó una implementación de teoría de mezclado que emplea ideas tanto de GOFAI y algoritmos genéticos para darse cuenta algunos aspectos de la teoría de mexclado de forma práctica; los ámbitos de sus ejemplos van desde el lingüístico al visual, y el último más notablemente incluye la creación de monstruos míticos por combinar modelos gráficos 3-D.[24]

Creatividad lingüística[editar]

El lenguaje proporciona una oportunidad continua para la creatividad, evidente en la generación de nuevas frases, expresiones, juegos de palabras, neologismos, rimas, alusiones, sarcasmo, ironía, símiles, metáforas, analogías, ocurrencias, y chistes. Hablantes nativos de lenguas ricas morfológicamente, frecuentemente crean nueva-formas de palabras que son fáciles de entender, a pesar de que nunca encontrarán su definición en el diccionario. El área de generación del lenguaje natural ha sido bien estudiado, pero estos aspectos creativos de lengua diaria todavía tienen que incorporarse con robustez o escala.

Generación de historias[editar]

El trabajo sustancial en esta área de creación lingüística se ha llevado a cabo desde 1970, con el desarrollo del hilo de cuentos de James Meehan.[25]​ Dicho trabajo entendía las historias como descripciones narrativas de un esfuerzo que soluciona problema, y creó historias estableciendo primero un objetivo para los caracteres de la historia de modo que su búsqueda de la solución podría ser seguida y estudiada. El sistema MINSTREL representa una elaboración compleja de esta aproximación básica, distinguiendo una gama de objetivos de los personajes en la historia de una gama de los objetivos del autor para la historia.[26]​ Sistemas como Bringsjord BRUTUS elaboran estas ideas para crear historias con complejos temas interpersonales, como la traición.[27]​ Sin embargo, MINSTREL modela explícitamente el proceso creativo con un conjunto de Métodos de Adaptación de la Transformación de los recuerdos (TRAMs) para crear nuevas escenas a partir de las ya existentes. El modelo MEXICA de Rafael Pérez y Pérez y Mike Sharples está más interesado en el proceso creativo de contar historias, e implementa una versión del modelo cognitivo de escritura creativa.[28]

La compañía Ciencia Narrativa crea noticias generadas a ordenador y los informes comercialmente disponibles, incluyendo resúmenes de acontecimientos deportivos basados en datos estadísticos del juego. También crea informes financieros.[29]

Metáfora y símil[editar]

Ejemplo de una metáfora: "She was an ape."

Ejemplo de un símil: "Felt like a tiger-fur blanket." El estudio computacional de estos fenómenos principalmente ha centrado la interpretación como un proceso basado en el conocimiento. Científicos computacionales Como Yorick Wilks, James Martin, Dan Fass, John Barnden, y Mark Lee han desarrollado aproximaciones al procesamiento de metáforas basadas en el conocimiento, tanto a nivel lingüístico como lógico.[30][31]​ Tony Veale y Yanfen Hao ha desarrollado un sistema llamado Sardonicus, que adquiere una base de datos comprensible de símiles de la web; estos símiles son etiquetados como auténticos (p. ej., "as hard as steel") o irónicos (p. ej., "as hairy as a bowling ball", "as pleasant as a root canal"); los símiles de cualquier tipo pueden ser recuperados bajo demanda para cualquier adjetivo dado. Utilizan estos símiles como la base de un sistema de generación de metáforas on-line llamado Aristóteles, que puede sugerir metáforas léxicas para un objetivo descriptivo dado (p. ej., para describir una supermodelo como delgada).[32]

Analogía[editar]

El proceso de razonamiento analógico ha sido estudiado desde una perspectiva de asignación y recuperación, la última clave para generar nuevas analogías. La escuela dominante de investigación, como adelantó Dedre Gentner, ve la analogía como un proceso que preserva estructura; este enfoque ha sido implementado en la máquina de asignación de estructuras o SME, el MAC/FAC o máquina de recuperación (Muchos se llaman, Pocos Son Escogidos), ACMÉ (Motor de Mapeo de Restricciones Analógico) y ARCS (Sistema de recuperación de restricciones analógico).[33]​ Otro acercamiento basado en la asignación incluyen Sapper, el cual sitúa el proceso de asignación en un modelo de red semántica de memoria. La analogía es una sub-area muy activa de la computación creativa y cognición creativa; figuras activas en este área incluyen a Douglas Hofstadter, Paul Thagard, y Keith Holyoak. También digno de notar aquí es Peter Turney y Michael Littman con su aproximación con aprendizaje automático a la solución de problemas de analogías del estilo SAT; su aproximación consigue una puntuación que compara bien con la media de puntuaciones que consiguieron los humanos en estas pruebas.

Generación de chistes[editar]

El humor es un proceso de conocimiento "hambriento", y los sistemas de generación de chistes más exitosos hasta la fecha se han centrado en la generación de juegos de palabras, como se ve reflejado en el trabajo de Kim Binsted y Graeme Ritchie.[34]​ Este trabajo incluye el sistema JAPE, que puede generar una ámplia gama de juegos de palabras que han sido evaluadas como novedosas y divertidas por chicos jóvenes. Una versión mejorada de JAPE ha sido desarrollado en el aspecto del sistema STANDUP, el cual ha sido experimentalmente desarrollado como un medio de realzar la interacción lingüística con niños con discapacidades de comunicación. Pequeños progresos se han dado al generar humor que implica otros aspectos de lenguaje natural, como el malentendimiento deliberado de la referencia pronominal (en el trabajo de Hans Wim Tinholt y Anton Nijholt), así como en la generación de acrónimos humorísticos en el sistema HAHAcronym de Oliviero Stock y Carlo Strapparava.[35]

Neologismos[editar]

La mezcla de múltiples formas de palabras es una fuerza dominante para creación de nuevas palabras en el lenguaje; estas palabras nuevas son generalmente llamadas "mezclas" o "portmanteau palabras" (después de que Lewis Carroll). Tony Veale ha desarrollado un sistema que llamó ZeitGeist que cosecha palabras claves de Wikipedia y las interpreta en función a su contexto local en Wikipedia y en base a los sentidos de la palabra en cuestión en WordNet.[36]​ ZeitGeist Ha sido extendido para generar neologismos; combina elementos de un inventario de partes de palabras cosechadas de WordNet, y simultáneamente determina formas nuevas para estas palabras. Entonces utiliza búsqueda Web para determinar qué palabras nuevas son significativas y qué neologismos no han sido utilizados antes; esta búsqueda identifica el subconjunto de palabras generadas que son tanto nuevas ("H-creativo") como útiles. Las inspiraciones Neurolinguisticas se han utilizado para analizar el proceso de creación de palabras en el cerebro, entiende el proceso neurocognitivo como el responsable para la intuición, ideas, imaginación y creatividad y para crear un servidor que inventa nuevos nombres para productos, basados en su descripción.[37][38][39]​ Además, el sistema Nehovah mezcla dos palabras en un neologismo que mantiene los significados de las dos palabras de origen.[40]​ Nehovah Busca en WordNet para sinónimos y Thetoptens.com para hipónimos de la cultura pop. Los sinónimos e hipónimos se juntan para crear un conjunto de neologismos. Éstos son entonces puntuables basados en su estructura de palabra, cuán única es la palabra, cómo están comunicados los conceptos, y si el neologismo tiene una referencia de cultura del pop. Nehovah loosely Sigue el mezclado conceptual.

Poesía[editar]

Más que el hierro, más que el plomo, más que el oro, necesito electricidad.La necesito más de lo que necesito el cordero, el cerdo, la lechuga o el pepino.La necesito para mis sueños. Racter, de la barba del Policía está a medio construir

Como los chistes, los poemas implican una interacción compleja de restricciones diferentes, y un generador de poemas sin objetivo general combina adecuadamente el significado, fraseo, estructura y aspectos de rima de poesía. Sin embargo, Pablo Gervás ha desarrollado un sistema digno de mención llamado ASPERA, que emplea un caso basado en el razonamiento (CBR) para generar formulaciones poéticas de un texto de entrada dado, componiendo fragmentos poéticos que se recuperan de un caso-base de poemas existentes.[41]​ Cada fragmento de poema en el caso base de ASPERA está anotada con una palabra en prosa que expresa el significado del fragmento, y esta palabra se utiliza como clave para cada fragmento.Las reglas métricas se utilizan para combinar estos fragmentos en una estructura poética bien formada. Racter Es un ejemplo de dicho proyecto de software.

Creatividad musical[editar]

La creatividad computacional en el ámbito de música se ha centrado tanto en la generación de partituras musicales para el uso de músicos humanos, y en la generación de música para su interpretación por ordenadores. El ámbito de generación ha incluido música clásica (con software que genera música en el estilo de Mozart y Bach) y jazz.[42]​ Más notablemente, David Coope[43]​ ha escrito un sistema de software que llamó "Experimentos en Inteligencia Musical" (o "EMI") que es capaz de analizar y generalizar de música existente compuesta por un humano para generar nuevas composiciones musicales en el mismo estilo.[44]​ La salida de EMI es lo bastante convincente como para persuadir a oyentes humanos de que la música está generada por humanos a un nivel alto de competencia.[45]

En el campo de la música clásica contemporánea, Iamus es el primer ordenador que compone desce 0, y produce partituras que los intérpretes profesionales pueden tocar. La Orquesta Sinfónica del Londres tocó una pieza para orquesta, incluida en el CD de estreno de Iamus, el cual el New Scientist lo describió como "El primer trabajo importante compuesto por un ordenador y tocado por una orquesta".[46][47]​ Melomics, la tecnología detrás de Iamus, es capaz de generar piezas en estilos diferentes de música con un nivel de calidad similar.

La búsqueda de la creatividad en el jazz se ha centrado en el proceso de improvisación y las demandas cognitivas que se centran en un agente musical: razonando sobre el tiempo, recordando y conceptualizando qué ya ha sido previamente interpretado, y planear qué podría ser tocado después. El robot Shimon, desarrollado por Gil Weinberg de la Tecnológica de Georgia, ha demostrado la improvisación de jazz.[48]​ Software de improvisación virtual basado en modelos de aprendizaje automático de estilos musicales incluyen OMax, SoMax y PyOracle, son utilizados para crear improvisaciones al momento, realimentando al sistema con secuencias de longitud variable aprendidas del intérprete en directo.[49]

En 1994, una arquitectura de Máquina Creativa (ver encima) era capaz de generar 11,000 ganchos musicales, entrenando una red neuronal con 100 melodías que habían aparecido en el Top-10 de las listas de éxitos los últimos 30 años. En 1996, una Máquina Creativa observó las expresiones faciales de la audiencia a través de un sistema de visión y perfeccionó sus talentos musicales para generar un álbum llamado "Canciones de las Neuronas"[50]

En el campo de composición musical, los trabajos patentados por René-Louis Barón permitieron hacer un robot que puede crear y tocar una multitud de melodías de orquesta "coherentes" en cualquier estilo musical.[51]​ Todos los parámetros físicos exteriores asociados con los parámetros musicales, pueden influir y desarrollar cada una de las canciones (en tiempo real mientras escucha la canción). El patentado invento Medal-Composer crea problemas de copyright.

Creatividad visual y artística[editar]

La creatividad computacional en la generación de arte visual ha tenido algunos éxitos notables en la creación de arte abstracto y arte representacional. El programa más famoso en este ámbito es Harold Cohen AARON, el cual ha sido continuamente desarrollado y aumentó desde 1973.[52]​ Aunque formulaico, Aaron exhibe una gama de producciones, generando pinturas en blanco y negro o a color, que incorporan figuras humanas (como bailarines), plantas en tiestos, rocas, y otros elementos con imágenes de fondo. Estas imágenes son de una calidad suficientemente alta para mostrarse en galerías de alta reputación.

Otros artistas de software incluyen el sistema NEvAr (para "Neuro-Arte Evolutivo") de Penousal Machado.[53]​ NEvAr utiliza un algoritmo genético para derivar una función matemática que luego se usa para generar una superficie tridimensional a color. Un humano elige los mejores cuadros después de cada fase del algoritmo genético, y estas preferencias hacen de guía sucesivas fases, obligando así a la producción de NEvAr al espacio de búsqueda considerado más atractivo por los usuarios.

The Painting Fool, desarrollada por Simon Colton se originó como un sistema para volver a pintar imágenes digitales de una escena dada en función de estilos de pintura diferente, paletas de color y tipos de pinceles. Dada su dependencia en una imagen de entrada con la que trabajar, las primeras iteraciones de The Painting Fool generó dudas sobre la posesión o carencia de creatividad en un sistema de arte computacional. Sin embargo, en trabajos más recientes, The Painting Fool se ha extendido para crear nuevas imágenes, tanto como hace el proyecto AARON , de su propia imaginación limitada. Las imágenes incluyen ciudades y bosques, los cuales están generados por un proceso de selección de condiciones de algunos escenarios básicos proporcionados por el usuario (p. ej., estos escenarios dejan el sistema para inferir que los objetos más cercanos al plano de visión tienen que ser más grandes y sus colores más saturados, mientras que aquellos más lejanos tendrían que ser menos saturados y pequeños). Artísticamente, las imágenes ahora creadas por The Painting Fool aparecen con aquellas creadas por Aaron, aunque los mecanismos extensibles empleados por el anterior (selección de condiciones, etc.) puede permitirle desarrollar un pintor más elaborado y sofisticado.

La artista Krasimira Dimtchevska y el desarrollador de software Svillen Ranev han creado un sistema computacional combinando un generador de frases en Inglés basado en reglas y un constructor de composiciones visuales que convierte frases generadas por el sistema en arte abstracto. El software genera automáticamente un número indefinido de imágenes diferentes utilizando distintos colores, formas y tamaños de paletas. El software permite también al usuario seleccionar el tema de las frases generadas y/o las paletas que se van a usar en el constructor de composiciones visuales.

Una área emergente de la creatividad computacional es la de los videojuegos. ANGELINA es un sistema para desarrollar videojuegos de forma creativa en Java hecha por Michael Cook. Un aspecto importante es "Mechanic Miner", un sistema que puede generar segmentos cortos de código que actúa como mecánica del juego.[54]​ ANGELINA evalúa esta mecánica jugando niveles del juego irresolubles y probando para ver si la nueva mecánica hace el nivel resoluble. A veces "Mechanic Miner" descubre fallos en el código y los explota para hacer una mecánica nueva para que el jugador solucione problemas con ella.[55]

En julio de 2015, Google lanzó DeepDream – un programa de visión computacional de código abierto[56]​, creado para detectar caras y otros patrones en imágenes con el objetivo de clasificar las imágenes automáticamente, lo cual utiliza una red neuronal convolucional para encontrar y mejorar los patrones en imágenes a través de algoritmos pareidolia, creando así una apariencia de sueño psicodélico en el sobre-procesado de las imágenes.[57][58][59]

En agosto de 2015, investigadores de la universidad de Tubinga, Alemania crearon una red neuronal convolucional que utiliza representaciones neurales para separar y recombinar el contenido y el estilo de imágenes arbitrarias que es capaz de convertir imágenes en imitaciones de obras de arte de artistas como Picasso o Van Gogh en aproximadamente una hora. Su algoritmo se usa en la web DeepArt que permite a los usuarios crear imágenes artísticas con su algoritmo.[60][61][62][63]

A principios de 2016, un equipo internacional de investigadores explicaron cómo un nuevo método de creatividad computacional conocido como "Digital Synaptic Neural Substrate" (DSNS) podría ser utilizado para generar juegos de ajedrez originales que no deriven de la base de datos del final del juego.[64]​ La DSNS es capaz de combinar características de los distintos objetos (por ejemplo, problemas de ajedrez, pintura, música) mediante métodos estocásticos, con el fin de obtener una nueva característica que pueda ser utilizada para generar objetos en cualquiera de los dominios originales. Las partidas de ajedrez también han sido destacadas en YouTube.[65]

La creatividad en la resolución de problemas[editar]

La creatividad es también útil en la búsqueda de soluciones inusuales en la resolución de problemas. En psicología y ciencia cognitiva, este área de investigación se llama resolución creativa de problemas. La teoría de la interacción Explícita-Implícita (EII) de la creatividad ha sido implementada recientemente utilizando un modelo computacional basado en CLARION que permite el simulacro de incubación y visión en la solución de problemas.[66]​ El énfasis de este proyecto de creatividad computacional no está en funcionamiento por sí mismo (como en proyectos de inteligencia artificial) sino en la explicación de los procesos psicológicos que llevan a la creatividad humana y a la reproducción de datos recogidos en experimentos psicológicos. Por ahora, este proyecto ha conseguido proporcionar una explicación para efectos de incubación en experimentos de memoria sencilla e ideas en la solución de problemas.

Debate sobre teorías "generales" de creatividad[editar]

Algunos investigadores sienten que la creatividad es un fenómeno complejo cuyo estudio es mucho más complicado por la plasticidad de la lengua que utilizamos para describirlo. No solo podemos describir el agente de creatividad como "creativo", si no también el producto y el método. Consecuentemente, se podría afirmar que es poco realista de hablar de una teoría general de creatividad. Sin embargo, algunos principios generativos son más generales que otros, llevando a algunos abogados a afirmar que algunas técnicas computacionales son "teorías generales". Stephen Thaler, por ejemplo, propone que algunas modalidades de redes neuronales son suficientemente generativas, y bastante generales, para manifestar un alto grado de capacidades creativas. Así mismo, la Teoría Formal de la Creatividad está basada en un principio computacional sencillo publicado por Jürgen Schmidhuber en 1991.[67][68][69]​ La teoría postula que la creatividad, curiosidad y la atención selectiva en general son subproductos de un principio algorítmico sencillo para medir y optimizar el progreso de aprendizaje.

Crítica de la Creatividad Computacional[editar]

Ordenadores tradicionales, principalmente utilizados en la aplicación de la creatividad computacional, no permiten la creatividad, ya que fundamentalmente se transforman en un conjunto de parámetros de salida discretos que utilizan un conjunto limitado de funciones computacionales. Cuando tal, un ordenador no puede ser creativo, ya que todo lo que produce tiene que haber estado ya presente en los datos de entrada o en los algoritmos. Algunos debates relacionados y referencias a trabajos similares se pueden encontrar en trabajos recientes de funcaciones filosóficas de simulación.[70]

Matemáticamente, el mismo conjunto de argumentos en contra la creatividad has sido propuestos por Chaitin.[71]​ Las observaciones provienen de una perspectiva de la Teoría del Modelo. Toda esta crítica enfatiza que la creatividad computacional es útil y puede parecer creatividad, pero no es creatividad real, ya que no se crea nada nuevo, solo se transfroma con algoritmos bien definidos.

Acontecimientos[editar]

La Conferencia Internacional de Creatividad Computacional (ICCC) ocurre anualmente, organizado por La Asociación para Creatividad Computacional. Los acontecimientos incluyen:

  • ICCC 2018, Salamanca, España
  • ICCC 2017, Atlanta, Georgia, EE.UU.
  • ICCC 2016, París, Francia
  • ICCC 2015, Ciudad de Parque, Utah, EE.UU.. Keynote: Emily Corta
  • ICCC 2014, Ljubljana, Eslovenia. Keynote: Oliver Deussen
  • ICCC 2013, Sydney, Australia. Keynote: Arne Dietrich
  • ICCC 2012, Dublín, Irlanda. Keynote: Steven Smith
  • ICCC 2011, Ciudad de México, México. Keynote: George E Lewis
  • ICCC 2010, Lisboa, Portugal. Keynote/Inivited Charlas: Nancy J Nersessian y Mary Lou Maher

Anteriormente, la comunidad de creatividad computacional ha mantenido un taller dedicado, el Taller de Junta Internacional en Creatividad Computacional, cada año desde entonces 1999. Los acontecimientos anteriores en esta serie incluyen:Uso incorrecto de la plantilla enlace roto (enlace roto disponible en Internet Archive; véase el historial y la última versión).

  • IJWCC 2003, Acapulco, México, cuando parte de IJCAI'2003
  • IJWCC 2004, Madrid, España, cuando parte de ECCBR'2004
  • IJWCC 2005, Edimburgo, Reino Unido, cuando parte de IJCAI'2005
  • IJWCC 2006, Riva del Garda, Italia, cuando parte de ECAI'2006
  • IJWCC 2007, Londres, Reino Unido, una posición-acontecimiento solo
  • IJWCC 2008, Madrid, España, una posición-acontecimiento solo

La 1.ª Conferencia encima Simulacro de Ordenador de Creatividad Musical fue:

  • CCSMC 2016, 17–19 junio, Universidad de Huddersfield, Reino Unido.[72]​ Keynotes: Geraint Wiggins Y Graeme Bailey.

Publicaciones y foros[editar]

La Informática de diseño y la cognición es una conferencia que dirige a la creatividad computacional. La conferencia ACM Creatividad y Cognición es otro foro para los asuntos relacionados con la creatividad computacional. Journées d'Informatique Musicale 2016 keynote por Shlomo Dubnov estaba en la Información Teórica de la Creatividad.[73]

Algunos libros recientes proporcionan una introducción o una visión general del campo de la Creatividad Computacional. Entre ellos destacan:

  • Pereira, F. C. (2007). "Creatividad e Inteligencia Artificial: Un Conceptual Blending Aproximación". Aplicaciones de serie de Lingüística Cognitiva, Mouton de Gruyter.
  • Veale, T. (2012). "Explotando el Mito de Creatividad: Las Fundaciones Computacionales de Creatividad Lingüística". Bloomsbury Académico, Londres.
  • McCormack, J. Y d'Inverno, M. (eds.) (2012). "Ordenadores y Creatividad". Salmer, Berlín.
  • Veale, T., Feyaerts, K. Y Forceville, C. (2013, próximo). "Creatividad y la Mente Ágil: Un estudio Multidisciplinar de un Multifaceted fenómeno". Mouton de Gruyter.

Además de conferencias y talleres, la comunidad de la creatividad computacional ha producido las siguientes revistas dedicadas al tema:

  • Informática de Generación nueva, volumen 24, asunto 3, 2006
  • Revista de Conocimiento-Basó Sistemas, volumen 19, asunto 7, noviembre 2006
  • AI Revista, volumen 30, número 3, Caída 2009
  • Mentes y Máquinas, volumen 20, número 4, noviembre 2010
  • Computación cognitiva, volumen 4, asunto 3, septiembre 2012
  • AIEDAM, volumen 27, número 4, Caída 2013
  • Ordenadores en Diversión, dos asuntos especiales encima Música Meta-Creación (MuMe), Caída 2016 (próximo)

Además de estos, ha empezado una revista enfocada en la creatividad computacional dentro del campo de música.

  • JCMS 2016, Revista de Sistemas de Música Creativa

Véase también[editar]

Referencias[editar]

  1. Amabile, Teresa (1983), The social psychology of creativity, New York, NY: Springer-Verlag 
  2. Minsky, Marvin (1967), Why programming is a good medium for expressing poorly understood and sloppily formulated ideas, pp. 120-125 
  3. Newell, Allen, Shaw, J. G., and Simon, Herbert A. (1963), The process of creative thinking, H. E. Gruber, G. Terrell and M. Wertheimer (Eds.), Contemporary Approaches to Creative Thinking, pp 63 – 119. New York: Atherton 
  4. Gibson, P. M. (1991) NEUROGEN, musical composition using genetic algorithms and cooperating neural networks, Second International Conference on Artificial Neural Networks: 309-313.
  5. Todd, P.M. (1989). «A connectionist approach to algorithmic composition». Computer Music Journal 13 (4): 27-43. doi:10.2307/3679551. 
  6. Thaler, S. L. (1998). «The emerging intelligence and its critical look at us». Journal of Near-Death Studies 17 (1): 21-29. 
  7. Bharucha, J.J.; Todd, P.M. (1989). «Modeling the perception of tonal structure with neural nets». Computer Music Journal 13 (4): 44-53. doi:10.2307/3679552. 
  8. Todd, P.M., and Loy, D.G. (Eds.) (1991). Music and connectionism. Cambridge, MA: MIT Press.
  9. Todd, P.M. (1992). A connectionist system for exploring melody space. In Proceedings of the 1992 International Computer Music Conference (pp. 65-68). San Francisco: International Computer Music Association.
  10. A dual backpropagation scheme for scalar-reward learning. P Munro - Ninth Annual Conference of the Cognitive Science, 1987
  11. Neural networks for control and system identification. PJ Werbos - Decision and Control, 1989.
  12. The truck backer-upper: An example of self-learning in neural networks. D Nguyen, B Widrow - IJCNN'89, 1989.
  13. Forward models: Supervised learning with a distal teacher. MI Jordan, DE Rumelhart - Cognitive Science, 1992.
  14. Marupaka, Nagendra, and Ali A. Minai. "Connectivity and creativity in semantic neural networks." Neural Networks (IJCNN), The 2011 International Joint Conference on. IEEE, 2011.
  15. Boden, Margaret (1990), The Creative Mind: Myths and Mechanisms, London: Weidenfeld & Nicolson 
  16. Boden, Margaret (1999), Computational models of creativity., Handbook of Creativity, pp 351–373 
  17. Wiggins, Geraint (2006), A Preliminary Framework for Description, Analysis and Comparison of Creative Systems, Journal of Knowledge Based Systems 19(7), pp. 449-458 
  18. Finke, R., Ward, T., and Smith, S. (1992), Creative cognition: Theory, research and applications, Cambridge: MIT press. 
  19. Koestler, Arthur (1964), {The act of creation}, London: Hutchinson, and New York: Macmillan 
  20. Fauconnier, Gilles, Turner, Mark (2007), The Way We Think, Basic Books 
  21. Fauconnier, Gilles, Turner, Mark (2007), Conceptual Integration Networks, Cognitive Science, 22(2) pp 133–187 
  22. Lakoff, George; Johnson, Mark (2008), Metaphors we live by, University of Chicago press 
  23. Veale, Tony, O'Donoghue, Diarmuid (2007), Computation and Blending, Cognitive Linguistics, 11(3-4), special issue on Conceptual Blending 
  24. Pereira, Francisco Câmara (2006), Creativity and Artificial Intelligence: A Conceptual Blending Approach, Applications of Cognitive Linguistics. Amsterdam: Mouton de Gruyter 
  25. Meehan, James (1981), TALE-SPIN, Shank, R. C. and Riesbeck, C. K., (eds.), Inside Computer Understanding: Five Programs plus Miniatures. Hillsdale, NJ: Lawrence Erlbaum Associates 
  26. Turner, S.R. (1994), The Creative Process: A Computer Model of Storytelling, Hillsdale, NJ: Lawrence Erlbaum Associates 
  27. Bringsjord, S., Ferrucci, D. A. (2000), Artificial Intelligence and Literary Creativity. Inside the Mind of BRUTUS, a Storytelling Machine., Hillsdale NJ: Lawrence Erlbaum Associates 
  28. Pérez y Pérez, Rafael, Sharples, Mike (2001), MEXICA: A computer model of a cognitive account of creative writing, Journal of Experimental and Theoretical Artificial Intelligence, 13, pp 119-139 
  29. «Archived copy». Archivado desde el original el 3 de noviembre de 2011. Consultado el 1 de mayo de 2011. 
  30. Martin, James (1990), A Computational Model of Metaphor Interpretation, Academic Press 
  31. Barnden, John (1992), Belief in Metaphor: Taking Commonsense Psychology Seriously, Computational Intelligence 8, pp 520-552 
  32. Veale, Tony, Hao, Yanfen (2007), Comprehending and Generating Apt Metaphors: A Web-driven, Case-based Approach to Figurative Language, Proceedings of AAAI 2007, the 22nd AAAI Conference on Artificial Intelligence. Vancouver, Canada 
  33. Falkenhainer, Brian, Forbus, Ken and Gentner, Dedre (1989), The structure-mapping engine: Algorithm and examples, Artificial Intelligence, 20(41) pp 1–63 
  34. Binsted, K., Pain, H., and Ritchie, G. (1997), Children's evaluation of computer-generated punning riddles, Pragmatics and Cognition, 5(2), pp 309–358 
  35. Stock, Oliviero, Strapparava, Carlo (2003), HAHAcronym: Humorous agents for humorous acronyms, Humor: International Journal of Humor Research, 16(3) pp 297–314 
  36. Veale, Tony (2006), Tracking the Lexical Zeitgeist with Wikipedia and WordNet, Proceedings of ECAI'2006, the 17th European Conference on Artificial Intelligence 
  37. Duch, Wlodzislaw (2007), Creativity and the Brain, In: A Handbook of Creativity for Teachers. Ed. Ai-Girl Tan, World Scientific Publishing, Singapore, pp 507–530 
  38. Duch, Wlodzislaw (2007), Intuition, Insight, Imagination and Creativity, IEEE Computational Intelligence Magazine, 2(3) pp 40–52 
  39. Pilichowski Maciej, Duch Wlodzislaw (2007), Experiments with computational creativity, Neural Information Processing – Letters and Reviews, 11(4-6) pp 123-133 
  40. Smith, M. R., Hintze, R. S., and Ventura, D. (2014), Nehovah: A Neologism Creator Nomen Ipsum, Proceedings of the International Conference on Computational Creativity (ICCC 2014), pp 173-181 
  41. Gervás, Pablo (2001), An expert system for the composition of formal Spanish poetry, Journal of Knowledge-Based Systems 14(3-4) pp 181–188 
  42. D. Herremans, C.H., Chuan, E. Chew (2017). «A Functional Taxonomy of Music Generation Systems». ACM Computing Surveys 50 (5): 69:1-30. doi:10.1109/TAFFC.2017.2737984. 
  43. Cope, David (2006), Computer Models of Musical Creativity, Cambridge, MA: MIT Press 
  44. David Cope (1987), "Experiments in Music Intelligence." In Proceedings of the International Computer Music Conference, San Francisco: Computer Music Assn.
  45. «Triumph of the Cyborg Composer». Archivado desde el original el 26 de febrero de 2010. Consultado el 30 de noviembre de 2018. 
  46. Iamus' debut CD, Melomics Records, 2012 [1]
  47. «Computer composer honours Turing's centenary». New Scientist. 5 de julio de 2012. 
  48. «A Robot Named Shimon Wants To Jam With You». NPR.org. 22 de diciembre de 2009. 
  49. Dubnov, Shlomo; Surges, Greg (2014), Delegating Creativity: Use of Musical Algorithms in Machine Listening and Composition, Newton Lee (Ed.), Digital Da Vinci, Springer 
  50. «Song of the Neurons». 
  51. (en francés) Article de presse : « Génération automatique d'œuvres numériques », article sur l'invention Medal de Béatrice Perret du Cray », Science et Vie Micro
  52. McCorduck, Pamela (1991), Aaron's Code., W.H. Freeman & Co., Ltd. 
  53. Romero, Juan, Machado, Penousal (eds.) (2008), The Art of Artificial Evolution: A Handbook on Evolutionary Art and Music, Natural Computing Series. Berlin: Springer Verlag 
  54. «Introducing Mechanic Miner». Games By Angelina. 
  55. «Why I Think Mechanic Miner Is Cool». Games By Angelina. 
  56. Plantilla:Github
  57. Szegedy, Christian; Liu, Wei; Jia, Yangqing; Sermanet, Pierre; Reed, Scott; Anguelov, Dragomir; Erhan, Dumitru; Vanhoucke, Vincent et al. (2014). «Going Deeper with Convolutions». Computing Research Repository. Bibcode:2014arXiv1409.4842S. arXiv:1409.4842. 
  58. Mordvintsev, Alexander; Olah, Christopher; Tyka, Mike (2015). «DeepDream - a code example for visualizing Neural Networks». Google Research. Archivado desde el original el 8 de julio de 2015. 
  59. Mordvintsev, Alexander; Olah, Christopher; Tyka, Mike (2015). «Inceptionism: Going Deeper into Neural Networks». Google Research. Archivado desde el original el 3 de julio de 2015. 
  60. McFarland, Matt (31 de agosto de 2015). «This algorithm can create a new Van Gogh or Picasso in just an hour». Washington Post. Consultado el 3 de septiembre de 2015. 
  61. Culpan, Daniel (1 de septiembre de 2015). «This algorithm can create an imitation Van Gogh in 60 minutes». WIRED. Consultado el 3 de septiembre de 2015. 
  62. «GitXiv - A Neural Algorithm of Artistic Style». gitxiv.com. Consultado el 3 de septiembre de 2015. 
  63. Gatys, Leon A.; Ecker, Alexander S.; Bethge, Matthias. «A Neural Algorithm of Artistic Style». arXiv:1508.06576. 
  64. Iqbal, Azlan; Guid, Matej; Colton, Simon; Krivec, Jana; Azman, Shazril; Haghighi, Boshra (2016). The Digital Synaptic Neural Substrate: A New Approach to Computational Creativity. SpringerBriefs in Cognitive Computation. Switzerland: Springer. ISBN 978-3-319-28078-3. 
  65. Chesthetica's YouTube Channel
  66. Helie, S.; Sun, R. (2010). «Incubation, insight, and creative problem solving: A unified theory and a connectionist model». Psychological Review 117: 994-1024. PMID 20658861. doi:10.1037/a0019532. 
  67. Schmidhuber, Jürgen (2010). «Formal Theory of Creativity, Fun, and Intrinsic Motivation (1990-2010)». IEEE Transactions on Autonomous Mental Development 2 (3): 230-247. doi:10.1109/tamd.2010.2056368. 
  68. Schmidhuber, Jürgen (2006). «Developmental Robotics, Optimal Artificial Curiosity, Creativity, Music, and the Fine Arts». Connection Science 18 (2): 173-187. doi:10.1080/09540090600768658. 
  69. Schmidhuber, J. (1991), Curious model-building control systems. In Proc. ICANN, Singapore, volume 2, pp 1458-1463. IEEE.
  70. Tolk, A. (2013). Truth, Trust, and Turing–Implications for Modeling and Simulation. In: Ontology, Epistemology, and Teleology for Modeling and Simulation, pp. 1-26. Springer Publishing.
  71. Chaitin, G. J. (1987). Algorithmic information theory. Cambridge Tracts in Theoretical Computer Science, Cambridge University Press.
  72. CCSMC 2016, Wordpress, 2016.
  73. available at http://jim2016.gmea.net/?ddownload=470

Lecturas complementarias[editar]

Documentales[editar]