https://www.quantamagazine.org/researchers-uncover-hidden-ingredients-behind-ai-creativity-20250630/
研究者指出，現今產生圖像的 AI 系統，如 DALL·E、Imagen 與 Stable Diffusion，原本只是設計來模仿訓練資料，但卻意外展現出一種似乎具有創意的成像能力。這些基於 diffusion 模型的系統利用「去噪」過程，先將圖像轉換成雜訊，再重組成為看似全新且具語意的影像，有如將一幅畫作反覆撕碎後再重新拼湊，正因這過程中固有的技術瑕疪，結果反而催生出創意。
研究團隊由史丹佛大學研究生 Mason Kamb 與物理學家 Surya Ganguli 合作，提出一套稱為「等變局部分數 (equivariant local score, ELS) 機器」的數學模型，用以解析並預測經過去噪後影像的組成。他們發現，diffusion 模型在處理圖像時只聚焦於局部像素區塊，而對整體結構缺乏全局觀察；此外，模型對輸入微小位移所產生的影像變化保持一致性（平移等變性），這兩個因素竟然共同造就了創意的誕生。
實驗中，ELS 機器能以約 90% 的準確率重現訓練過的 diffusion 模型輸出，證明這些創意並非偶然，而是演算法固有機制自發產生的結果。這項研究不僅顛覆了先前把 AI 僅視為單純記憶與複製工具的觀念，同時也啟示我們，人類創意或許也源自於在不完整資訊中自行拼湊與修正，進而產生出既新穎又有價值的作品。
社群中有討論指出，許多網友認為所謂的「幻覺」與「創意」現象，其實只是在不同情境下對模型輸出結果的不同評價。有使用者舉例，調整生成溫度可能使影像更具連貫性，而部分評論則批評 AI 宣傳用語過度誇大，以致誤認為模型具有自主意圖。另有人提到，雖然該研究顯示 diffusion 模型的創意來源於局部處理，但其他類型的 AI 系統（如大型語言模型）展現的創意機制可能截然不同，提醒人們在討論 AI 創意時，應全面考量不同技術架構間的差異。