چگونه هوش مصنوعی هنر و موسیقی تولید می کند و چرا "خلاقیت واقعی" همچنان مورد اختلاف است

ابزارهای هوش مصنوعی مولد اکنون از یک رمز متنی کوتاه تصاویر، آهنگ ها و آثار موسیقی کامل تولید می کنند و فناوری پشت سر آنها به یک جنگ حقوقی و فرهنگی زندهای تبدیل شده است. در اکتوبر 2026، ناشر موسیقی Reservoir علیه Suno و Anthropic در دادگاه منطقه ای ایالات متحده برای منطقه شمالی کالیفرنیا دعاوی قضایی رفع کرد، هر دو شرکت را متهم به آموزش سیستم های هوش مصنوعی بر روی هزاران ترکیب موسیقی دارای حق کپی رایت بدون مجوز. در کنار آن جنگ، محققان همچنان در مورد سؤال جداگانه بحث می کنند: آیا هر یک از این خروجی ها به عنوان خلاقیت محسوب می شود یا چیز کاملاً متفاوتی است؟

چگونه تصاویر تولید شده توسط هوش مصنوعی ساخته می شوند

ابزارهایی مانند Stable Diffusion، Midjourney و DALL-E بر آنچه مدل های پخش نام گذاری می شود متکی هستند. در طول آموزش، سیستم به تصاویر واقعی نشان داده می شود در حالی که نویز تصادفی به آنها مرحله به مرحله اضافه می شود تا اینکه تصویر اصلی غیر قابل تشخیص شود. سپس مدل فرآیند معکوس را یاد می گیرد — چگونه آن نویز را دوباره حذف کند، طبق یک راهنمای فنی که توسط Cloudinary منتشر شده است. نسل این را معکوس می کند: سیستم از نویز کاملاً تصادفی شروع می شود و آن را در مراحل حذف می کند، مراحل اولیه اشکال گسترده و ترکیب و مراحل بعدی بافت، نورپردازی و جزئیات را تا زمانی که تصویر منسجم ظاهر شود درست می کند. یک رمز متنی هر مرحله حذف نویز را هدایت می کند و به مدل می گوید کدام موضوع، سبک و تنظیم باید به سوی آن حرکت کند.

چگونه هوش مصنوعی موسیقی را از یک رمز متنی می سازد

سیستم های موسیقی مانند Suno و Udio در جزئیات متفاوت اما در اصل مشابه کار می کنند. زیرا صوت خام خیلی متراکم است — میلیون ها عدد در ثانیه — برای تغذیه مستقیم در مدلی به سبک زبان، این سیستم ها ابتدا صوت را با استفاده از کدک های صوتی عصبی به تعداد کمی از "نمادهای" منفصل فشرده می کنند، و فشرده سازی تقریبی 600 برابر را به دست می آورند، طبق یک بررسی فنی توسط AI-TLDR. پس از تبدیل صوت به نمادها، یک مدل تبدیل کننده — همان نوع معماری پشت مدل های بزرگ زبان — نماد بعدی را پیش بینی می کند، سپس بعدی، یک آهنگ کامل را قطعه به قطعه می سازد. یک رمز متنی (و هر گیتاری) ابتدا به یک طرح تقریبی گسترش می یابد که ژانر، تمپو و ساختار آهنگ را پوشش می دهد قبل از تولید نمادهای صوتی. مدل ها بر روی کتابخانه های موسیقی بزرگ آموزش داده می شوند و عملکرد می کنند، در توصیفی که توسط آن بررسی استفاده می شود، به عنوان "موتورهای ترکیب" که پیشرفت های آکوردی و ساختارهای آهنگ را جذب می کنند تا اینکه آهنگ های خاص موجود را بازیابی کنند.

جنگ حق کپی رایت پشت این فناوری

آموزش این سیستم ها نیاز به مقادیر عظیمی از کار خلاقانه موجود دارد، که اکنون موضوع مقاضات فعال است. دعاوی Reservoir از 21 اکتبر 2026 ادعا می کند که Suno از 1050 ترکیب موسیقی دارای حق کپی رایت و اینکه Anthropic از کلمات 853 ترکیب — از جمله آثار Madonna، Johnny Cash و Joni Mitchell — بدون مجوز استفاده کرده است، طبق خلاصه ای از پرونده های بررسی شده توسط Law Commentary. Reservoir تقریباً 186.4 میلیون دلار خسارت قانونی از Suno و حدود 151.4 میلیون دلار از Anthropic، به علاوه ادعاهای تحت قانون حق چاپ دیجیتالی هزاره را می خواهد. Suno استدلال کرده است که آموزش هوش مصنوعی بر روی مواد دارای حق کپی رایت می تواند به عنوان استفاده منصفانه واجد شرایط باشد و به طور جداگانه توافق نامه های مجوز را با Warner، BMG و Believe امضا کرده است؛ Anthropic گفت که قصد دارد پرونده را دفاع کند. شکایت Reservoir از آن توافق های مجوز به عنوان شواهدی بر این که بازار قانونی برای استفاده از موسیقی در حال حاضر وجود دارد استناد می کند.

آیا هر یک از اینها "خلاق" است؟ محققان مختلف نظر دارند

جدای از سؤال قانونی، دانشمندان در مورد اینکه آیا خروجی این سیستم ها به هر تعریف معقول از خلاقیت مطابقت دارد مختلف نظر دارند. لسان شناس محاسباتی Emily Bender و همکاران مدل های بزرگ را به عنوان "طوطی های تصادفی" توصیف می کنند که الگوهای داده های آموزشی را به طور آماری تکرار می کنند تا اینکه ایده های اصلی را منبع کنند، طبق بررسی Heidelberg Laureate Foundation از بحث. محقق رؤیتر رایانه ای Alexei Efros تمایزی بین حوزه های بسته، محدود قواعد مانند شطرنج یا Go — که در آن می توان گفت سیستم های هوش مصنوعی در قوانین ثابت نوآوری می کنند — و حوزه های باز انتها مانند هنر، جایی که هدف ثابتی وجود ندارد کشید.

محققان دیگر از زاویه متفاوتی عقب می نشینند. محقق هوش مصنوعی Selmer Bringsjord استدلال می کند که خروجی هوش مصنوعی فعلی به میزان "تجدید ترکیب" داده های آموزشی است تا خلق واقعی، و او آزمایش Lovelace را پیشنهاد کرد، که طبق آن یک سیستم تنها زمانی خلاق محسوب می شود اگر خروجی تولید کند که طراحان خود نمی توانند توضیح دهند — میله ای که او می گوید مدل های امروزی از آن عبور نکرده اند، طبق خلاصه ای که توسط BrainFacts.org منتشر شده است. روان شناس Mark Runco می افزاید که نیت برای خلاقیت بشری مرکزی است: مردم آگاهانه انتخاب می کنند تا خلق کنند، در حالی که سیستم های هوش مصنوعی به رمزهایی پاسخ می دهند که نیت کاربر را منعکس می کنند نه نیت خود آنها. در زمین های آزمایش، همان خلاصه BrainFacts.org یادداشت می کند که برخی مدل ها، از جمله GPT-4، بالاتر از متوسط انسان در آزمایشات تفکر واگرایی که توانایی تولید ایده های متنوع را اندازه گیری می کند امتیاز دریافت کردند — اگرچه کارکنان خلاق بشری برتر هنوز سیستم های هوش مصنوعی مورد آزمایش را بهتر کردند.

جایی که بحث هنرمندان و شنوندگان را می گذارد

بررسی Heidelberg Laureate Foundation یادداشت می کند که، با توجه به اینکه تعریف خلاقیت بشری در میان محققان قبلاً به طور متنازع است، یک پاسخ قطعی در مورد هوش مصنوعی می تواند غیر ممکن باقی بماند. چندین مفسر که در آن بررسی استناد می شوند راه جلو را به عنوان معاملات هوش مصنوعی به عنوان ابزاری برای افزایش کار خلاقانه بشری تر از یک عامل خلاقانه جداگانه ترکیب می کنند — یک چارچوب که در کنار نزاعات حقوقی جاری بر سر چگونگی آموزش این سیستم ها در وهله اول قرار می گیرد اما حل نمی کند.