（附圖由Gemini生成）
2026 年初一項由蒙特婁大學團隊發表於《Scientific Reports》的大型研究，針對超過十萬名「人類受試者」與當前幾個大型語言模型（如 GPT-4、Claude、Gemini 等）進行直接比較，發現一個驚人且值得深思的結果：
生成式 AI 在某些「衡量發散性創造力」的標準化測驗上，已經超過「平均人類」的表現，但是在人類「最具創造力」的那一小撮頂尖者（前 10%）面前，AI 仍難以望其項背。
💥研究設計與方法
研究的核心是「可比較性」：讓 AI 與人用「同一把尺」評估創造力。研究團隊採用並擴展了幾種任務，其中最重要的是由 Jay Olson 等人設計的「發散聯想任務」（Divergent Association Task, DAT）。
DAT 的評估方式是：提供單一提示（或無提示），請受測者列出 10 個在「語義」上彼此盡可能「沒有關聯」的詞。創意越高、詞與詞之間的「語意距離」越大，分數就越高。這個測驗只需 2~4 分鐘，很容易進行大規模評估，因此本研究得以收集超過 10 萬名人類受試者的資料，並把相同任務丟給多款大型語言模型進行比對。
實例：galaxy（銀河）、fork（叉子）、freedom（自由）、algae（藻類）、harmonica（口琴）、quantum（量子）、nostalgia（懷舊）、velvet（天鵝絨）、hurricane（颶風）、photosynthesis（光合作用）。
為了檢驗 AI 在更「真實」的創作情境下的能力，研究也加入了「創意寫作」挑戰，例如撰寫俳句、電影大綱、短篇故事等，藉此觀察 AI 在詞彙發散之外，能否延伸到敘事、情感與結構的創作。研究同時測試了模型設定（例如「溫度」參數會如何影響輸出）、以及不同提示（prompt）寫法對結果的影響。
💥主要發現
👉 在 DAT 與某些創意寫作任務上，部分 LLM（包括GPT-4）能超過「平均人類」的得分。
👉 然而若只看人類中創造力表現較佳的那些，其平均表現已超過所有受測 AI，而在創造力前 10% 的「頂尖人群」，人類的優勢更為明顯。也就是說：AI 可以打敗絕大多數人，但是面對真正的創新高手仍然落後。
👉 此外，研究發現 AI 的創造力並非固定不變。調整模型的「溫度」或改寫提示（例如要求模型從字源、結構或意象層面聯想）可以顯著提升 AI 輸出的「新穎度」與「奇異度」。換言之，AI 的創造力在很大程度上是可以（透過不同使用者）被「引導」或「調校」的。
💥解讀：這對我們意味著什麼？
👉 如果你不是那些超越 AI 的 10%人類，該怎麼面對與調整？（實務建議，給一般創作者、職場人、學生）
🔹接受現實，但不要絕望：
研究顯示大部分人的水平已可能被 AI 匹敵或超越，但這不等於你一定會被取代。因為創造力並不是單一維度，包括情感深度、倫理判斷、人生經驗、文化脈絡、審美直覺等，目前仍然是人類的強項。以此為基礎進行強化、升級，就有機會重建你的競爭力。
🔹把 AI 當作「擴音器」而非「敵人」：
學會用 AI 快速生成大量想法（量能），再運用人的審美、批判、重構能力進行篩選、編輯與賦予情感（質感）。這種「人 + AI」的協作往往比單打獨鬥（或者抗拒學習使用 AI）更具競爭力。
🔹練習判斷與篩選能力：
當 AI 可以源源不絕提出想法時，能分辨哪些想法有深度、可行性高、能起引共鳴，會成為最重要的核心價值。編輯、策展與美學判斷之類的專長，將會是人類難以取代的關鍵技能。
🔹深度鑽研：
雖然單靠發散聯想贏不了頂尖創作者，但是在某些細分領域（例如某個文化背景的口述史、專業技術、身體經驗等），你身為人類的「個人獨特經驗」是 AI 難以複製的。換句話說：專精＝差異化。
🔹系統性練習創造力：
採用科學化的創造力訓練（跨領域閱讀、聯想練習、限制式創作、反向思考等），並持續產出作品、進行反思。頂尖創造力多半源自長期練習與反覆更新，而非來自少數幾次的靈光乍現。
總結一句話：如果沒辦法「直接超越」AI，便專注於 AI 做不到的「人性」與「深度」，並且善用 AI「放大」你的產出速度與實驗幅度。
👉 「互動」與「提示設計」成為創作核心——人類要怎麼學會？（具體學習路徑與練習方法）
🔹學習 prompt engineering（提示設計）：
了解模型溫度、系統指令、步驟分解、範例對結果的影響。把提示視為新型工具語言，寫得好 AI 才能產出有用的草稿。因為研究結果明確指出，改寫提示能顯著提高 AI 的創造性輸出。
🔹做實驗日誌：
把每次對 AI 的提示、溫度、範例與結果記錄下來，形成自己的提示庫（prompt library），這可以系統化找出哪些提示模式在特定任務上最有效。
🔹學習「審稿力」而非只是學習「生成作品」：
越會編輯、整合與重構 AI 產出的文本，就越能產生具有個人風格的作品。換句話說，就是把「編輯」視為主要創作流程的一部分。
🔹跨領域融合（跨科學／藝術／歷史）：
提示若能融合多學科元素，往往更有機會誘發出更意外的聯想。練習把不同領域的概念用在提示詞裡，會比單一領域的提示更容易產生新意。這就是所謂的「橫向思考」。
🔹參加社群與競賽：
有許多線上社群、教學與挑戰賽（例如 DAT 線上測驗、創意寫作馬拉松），透過實戰學習提示微調與結果評估。
👉 創造力相關職業會怎麼演變？從業者與學生該如何抉擇？（產業趨勢＋職涯策略）
🔹職務分工將重塑：
容易被自動化的是「重複性、SOP 化的創意工作」（例如基礎文案生成），而需要深度判斷、倫理把關、文化脈絡與人際互動的職務（如導演、資深策展人、臨床藝術療癒師）仍相對安全。
🔹新職務會出現：
例如「AI 創意策劃師 / prompt 設計師」、「AI 內容審核專家」、「人機協作經理」等，這些職位要求既懂（專業）內容又懂運用 AI 工具（來強化、評估成品）。
🔹從業者應做的三件事：
一、學會工具（把 AI 當作助手）；二、累積不可替代的經驗（深厚領域知識、人脈與作品）；三、擅長整合與領導（把多個創意來源串成有故事、有價值的產品）。
🔹學生的選擇建議：
若偏向創意產業，除了學好基本創作技巧（寫作、視覺、敘事、編輯），也要學會 AI 使用、建立使用素養。而在選擇科系時，請務必記得「跨領域」通常競爭力更強（如藝術＋資料科學、人文＋計算思維）。把「如何使用 AI 進行創作」視為重要的必修能力，而非只是可有可無的選修。
🔹教育體系需要改變：
學校應該把評量從只看「最終產物」，改為重視「過程」、「反思」與「原創思考」能力（例如設計能證明創意來源與思考脈絡的評分方式），以免學生只會靠工具爭取分數。
💥最後的思考：創造力還是人類的事嗎？
研究提醒我們一個耐人尋味的事實：生成式 AI 的「想像力」愈來愈接近人類，但是真正能把想像變成文化影響力、情感共鳴並建立長久價值的，仍然多半來自具體的人類經驗、倫理判斷與社會脈絡。未來的創造力並不是「人或機器誰贏」的零和賽，而是「人與機器如何共舞」的合作場域。
