到底谁更有创造力？10 万人和 AI 做了同一道题

先请你做道题

规则就一句：写下 10 个名词，彼此的意思离得越远越好。

「猫、狗、桌子」不行，这三个词太亲了，一看就是一家的。得写成「星系、叉子、自由、藻类、口琴」这样，每个词都来自互不相干的世界。

真的可以拿张纸试试，四分钟就够。写完再往下读——因为接下来这项研究里，10 万个人和 GPT-4、Claude3 这些模型，做的就是你手上这道题。

图：测验官网 datcreativity.com 的答题页。规则六条——只许英文单词、只许名词、不许专有名词、不许专业术语、要自己想（别看着屋里的东西抄）、要有创造力。

这道题有个正式名字，叫发散联想任务，2021 年发表在《美国国家科学院院刊》上。它量的东西很朴素——你想到的词，彼此能离多远。心理学里有个由来已久的看法：能想出新点子的人，常常能在两个八竿子打不着的东西之间看出联系。

出题人 Jay Olson 七岁开始变魔术，后来把这门手艺带进了心理学实验室。他在街头做过一个实验，请 118 位路人「随便」选一张牌，98% 的人选中了他想让他们选的那张，事后九成还确信是自己做的主。变魔术靠操纵注意力，做研究他挑的也是同类难题——人脑子里看不见摸不着的东西，怎么测？

创造力恰好是最难测的一种。传统的测法得请评委给答案打分，评委累，彼此的标准还常常不一致。这道题的聪明处，是把打分交给了算法。词的意思可以放进一张「语义地图」，意思相近的词挨得近，不相干的离得远；十个词两两之间的平均距离，就是你的分数。它量的是创造力里「发散联想」这一个侧面，不是全部——这笔账，文章最后会回来算。但正因为打分交给算法，谁来考都一样算，它也不问答卷的是人还是机器。

这一次，题出给了 AI

2026 年 1 月，《科学报告》刊出了迄今规模最大的一场人机创造力对比，领衔的是蒙特利尔大学认知神经科学家 Karim Jerbi，他的实验室平时研究脑电与意识。

合作者也都和创造力相关。第一作者 Antoine Bellemare-Pépin 在 Concordia 大学音乐系写曲子；Olson 也在，就是那位魔术师；Google DeepMind 的 Kory Mathewson 拿过加拿大喜剧奖，是最早把 AI 拉上即兴喜剧舞台的人之一；名单里还有深度学习先驱、图灵奖得主 Yoshua Bengio。作曲家、魔术师、喜剧演员和 AI 奠基人，这一次一起研究同一道十个词的小题。

图：作者之一、图灵奖得主 Yoshua Bengio。摄影 Maryse Boyce，来自 Wikimedia Commons，CC BY 4.0。

这道题此前积下 10 万人的答卷，男女各半，从 18 岁到 60 岁往上，五个年龄段各占两成。研究者让九款模型——GPT-3.5、GPT-4、GPT-4-turbo、Claude3、GeminiPro，加上 Vicuna 等四款开源小模型——答同一道题，再把机器的成绩和这 10 万人放在一起排名次。

平均分输了，最高分还在人这边

按平时的设置答题，分数最高的是 GPT-4，平均分显著超过人类平均；GeminiPro 和人类平均分不出高下；其余七款，包括 Claude3，都低于人类平均。十根柱子排开，人类的平均分位居第二，只低于 GPT-4。

图：DAT 创造力平均分，由低到高。灰柱是 10 万人，绿柱是 GPT-4；图中 GPT-3 即 GPT-3.5。图源 Bellemare-Pepin et al., Scientific Reports, 2026（CC BY 4.0）。

可是把 10 万人按分数排序再看：排名前一半的那 5 万人，取他们的平均分，仍然高于所有被测模型；只看前 10%，人和机器的差距还要更大。下面这张分布图说得更直白——10 万人的分数从 30 分一直铺到 95 分以上，右端最高的那段，没有一款模型的分数覆盖得到；而每款模型自己的分数，都挤在窄窄一段里。

图：各款模型与 10 万人（灰色）的分数分布。虚线为均值。图源同上（CC BY 4.0）。

研究者又挑出 GPT-3.5、Vicuna 和 GPT-4 三款，做了三道更接近真实创作的题——写俳句（日本的三行短诗）、写电影故事梗概、写微型小说。方向没有变：机器写得有模有样，但始终不如最会写的那批人。

榜单里还有一处意外：GPT-4 的后继版本 GPT-4-turbo，分数反而比前辈低了一大截，连 Vicuna、GPT-3.5 这些规模小它许多的模型都不如。至少在这批被测模型身上，规模和版本新旧，都换算不成分数。

温度和提示词，都能改机器的成绩

那这个成绩是一成不变的吗？研究者试了两个办法。

第一个办法是调温度。温度是模型的一个参数，决定它的回答有多「野」：温度低，它选最稳妥的词；温度高，它敢选冷僻的词。普通用户平时改不了它，开发者可以。研究者把 GPT-4 的温度从 0.5 升到 1.5，分数随之上升，最高一档平均分到了85.6，超过 72% 的人类答卷。

第二个办法是改提示词。指示里添一句「从词的来历（词源）入手，找不相关的词」，GPT-3.5 和 GPT-4 的成绩都超过了用原版指示的自己；换成「查同义词典」的路子，分数没什么变化。

同一个模型考多少分，一部分取决于人怎么问它。研究者在论文里由此谈到，提示与交互本身，已经成了创作过程的一部分。

同类研究，三年里做了好几轮

早在 2023 年 9 月，芬兰和挪威的两位研究者就让 ChatGPT（3.5 和 4 两版）和文案工具 Copy.Ai 与 256 个人做过「不寻常用途」测验——给绳子、纸盒这样的日常物件想新用法。机器的平均分更高，可没有一款机器的平均分，超过人类的最高分。同一年，蒙大拿大学的团队把 GPT-4 的答卷混进学生答卷，寄给托兰斯测验（美国用了几十年的经典创造力测验）的官方评分机构，评分的人不知道里面混了机器。结果，AI 的原创性得分排进前 1%。

连着三年，三项独立研究各自看到：在自家用的那种测验里，最强的模型平均分不输人类平均。三项研究的任务、样本、模型各不相同，结论谁也代替不了谁；但方向一致。这次的研究拿 10 万人做参照，又添上写作题，是同类研究里规模最大的一项。

不过，质疑也一直没停，而且分好几路。第一路针对题目本身。创造力的教科书定义有两个条件，又新，又有用。这道题量得出词离得远不远，量不出这些联想到底有没有用。出题人自己在论文里也承认这一点。还有研究者拿它和别的创造力测验对测，报告相关比原研究弱，不过那份结果只在会议上讲过，还没过期刊那道由同行匿名挑错的关。

第二路不太好反驳：机器单次考分高，一群机器的答案却出奇地像。前面那张分布图里已经露了迹象：每款模型的分数都挤在一小段里。2025 年的一项研究看得更细——让许多款模型反复答这类题，机器答案彼此的相似程度，远高于人和人之间。夸张点说，不同公司出的模型，答起题来像一个宿舍出来的。另一组研究者做了两场共 1100 人的预注册实验（预注册，就是开工前把方案公开存档，防止事后只挑好看的结果讲）：人借着 AI 想点子，当场成绩确实更好；到了最后一轮不带 AI 的独立作答，研究者没观察到先前用 AI 带来的好处，点子倒有彼此趋同的迹象。人群里那种谁也不像谁的参差多态，恰恰是单人测验量不到的一面。

第三路是数据污染的老问题。这些题在网上是公开的，没法排除模型的训练材料里早就有它们，或有和它们相近的内容。这项研究的作者自己在论文里提过醒，标准化测验的高分，可以经由和人类不一样的路径达成。托兰斯那项的题目由评分机构保管，从不公开发表，这层风险小一些；像这道十个词的公开题，就难说了。

第四路认为测验条件本身对人不利。2025 年另一组研究者重做了那项 256 人的实验：只要多给人一点时间、把题目要求写清楚，人就能追平机器。原先的差距，有一部分来自测验条件本身。

回到你那十个词

四路质疑动摇的，是「测验分数等于创造力」这层引申；动摇不了的，是测出来的结果本身。

在「限时想出一批不落俗套的联想」这件事上，机器的成绩已在人类平均之上——DAT 和不寻常用途两种测验都看到了这个方向，托兰斯测验上 GPT-4 的原创性也排进了前 1%。真实的工作当然比一场四分钟的测验复杂，测验分数也换不来工作绩效的证据；但要是一份工作的核心本事就剩这种标准化的快速发散，这些分数至少值得当一声提醒——这是从测验往外的推想，不是研究的结论。宽心的理由也在数据里：前 10% 的人领先所有被测模型，写作题上方向相同；另一项研究还看到，至少在这些测验上，人群答案的花样远比模型之间的多——谁也不像谁，各有各的怪。

在这项研究里，机器考多少分，还和怎么问它有关——温度和提示词都改动过成绩，虽说不是随便哪句都灵。至于不同模型高度相似的答案，能不能靠人的引导变得更多样，现有研究只提出了问题，还没给出答案。Jerbi 在新闻稿里的态度倒是干脆：与其纠结谁替代谁，不如把生成式 AI 当成创造力的工具。它会怎样改变创作，要看下一批研究，也要看用它的人。

开头那道题，你写下的十个词还在手边吧。测验官网（datcreativity.com）今天还开着，四分钟出分。同一道题，10 万个人做过——你猜，自己能排进前百分之多少？