“我从来没有通过理性思考的过程获得过任何发现。”
阿尔伯特·爱因斯坦
无论是通过强化学习还是监督学习。多年来，我们一直试图让虚拟代理学会理性行动并做出最佳决策。所有这一切都尽可能高效、精确。当谈到创造力时，事情却朝着完全相反的方向发展。脱离已知的、明显的和理性的，我们想要创造和实现一些有用的和新的东西。生成性意味着具有创造、产生、生产或复制某物的能力或功能。这个“东西”可以是原创的、新的和有用的。只有这样，我们对创造力的既定要求才能得到满足。为了对生成人工智能体具有创造性潜力、创造性行为和生产创造性产品的程度做出判断，我们需要仔细研究它的工作原理。
生成对抗网络（GAN）
GAN 是深度学习领域的一种架构。例如，在 GAN 的帮助 居住者名单 下，可以从现有图像数据库生成新图像，或者可以从歌曲数据库生成音乐。
GAN 由两部分组成。判别器和生成器。在上图中，您可以在“真实数据”下看到真实数据，例如我们传递给鉴别器的狗的图片。鉴别器根据他的先验知识来判断图像是否真实。根据判断是对是错，模型随后进行调整、学习，并且更有可能在下一张图像中做出正确判断。另一方面，我们有一个发电机。它接收真实图像并改变它 - 添加噪音 - 例如通过给狗戴上帽子。该图像也被传递给鉴别器进行评估。如果生成器未能通过修改后的图像的真实性测试，它将调整其模型以更好地模仿现实。目标是利用生成器对现实的了解来创建与现实非常接近的新事物，以至于鉴别器认为它是真实的。生成器的目标不是生成任何新的或有用的东西。没有具体的指示，他无法知道什么对我们有用。
GAN 本身是否可以仅仅因为“这以前没有发生过，每个人都会认为这真的很酷”而创造出带有彩虹色翅膀的蜥蜴和马？如果是这样，那么只是偶然。生成的每个图像仍然是任务的答案，并尝试尽可能接近给定的上下文和任务。关注主观感知：为了获得进一步远离现实的结果，提供另一个（非真实）世界的参考是有帮助的。例如“这是一个蒸汽朋克世界”或“这是一个幻想世界”。
在人类中，作为创造力以及发散性和聚合性思维基础的认知科学过程尚未得到充分研究。创造性思维是一个自发生成和受控阐述的迭代过程。它与学习过程密切相关。