工業技術研究院

人工智慧（AI）這個詞在1956年還不存在。那年夏天，多位頂尖電腦科學家齊聚美國的達特茅斯學院（Dartmouth College），出席一場研討會議，旨在討論如何打造一種機器，讓它能夠使用語言、像人類一樣解決問題以及自我提升效能。電腦科學家麥卡錫（John McCarthy）最初為這場會議準備籌資提案時，才想出「人工智慧」一詞，但這個詞確實取得好，捕捉到主辦單位的創立理念：人類智慧的任何一項特性，「原則上均能取得精準描述，進而得以研發出機器並模擬這些特性」。

在會議提案中，與會專家先已列出幾項「人工智慧問題的面向」，最後一項是打造能夠展現創意與原創性的機器。如今看來，這點或許也是最難解的問題。
人類創意該如何定義與衡量，在當時讓心理學家傷透腦筋，因為原本的主流理論逐漸式微，大家不再認為創意是智力與高IQ的產物，但心理學家還不確定有哪個新的理論可以取代。達特茅斯會議的主辦專家自有一套見解。他們寫道：「一種是創意型思考，一種是缺乏想像力的功能型思考，兩者差異在於注入一些隨機性。」但他們也補充指出，這種隨機性「必須憑藉直覺，才能發揮效率」。

事過境遷將近70年，AI領域經過數次大起大落，如今市場已有或多或少遵循當年原則的AI模型。過去3年，能夠生成文字的大型語言模型大爆發，同時也有一種稱為「擴散模型」（Diffusion Model）的AI技術正在發酵，對創意領域造成前所未有的衝擊。擴散模型收到文字提示或其他輸入資料後，將隨機雜訊轉化為連貫的模式，進而生成新的圖像、影片或語音。若是厲害的模型，生成的內容跟真人作品難以分辨，但也會生成怪誕又超現實的內容，明顯沒有人的特質。

如今，這些模型正在挺進最容易遭到顛覆的創意領域：音樂。無論是管弦樂還是重金屬搖滾，AI生成的作品預計充斥在我們的日常生活，普及程度更勝其他AI產物。這些音樂可能出現在串流平台、派對與婚禮播放清單、配樂等，我們甚至可能沒有注意到創作者是誰（或是何物）？

擴散模型的生成內容究竟是創作，還是單純複製，在視覺藝術界已引發熱議多年，現在這場爭論也延燒到音樂，一種深植於人類經驗、記憶與社交的藝術形式。目前的音樂模型已能創作出動人心弦的歌曲，在在凸顯出一點：置身這個AI時代，「創作者」與「原創性」愈來愈難定義。

法院正在積極處理這片模糊地帶。主流唱片公司已對幾家知名AI音樂生成平台提出訴訟，指控擴散模型只是在複製人類藝術，卻未給予藝術家任何補償。模型開發商則反駁，這些工具的設計初衷在於協助人類創作。

在釐清誰對誰錯之前，我們不得不認真思考什麼是人類創意。無論是人工神經網路還是生物神經網路，創意是否只是大量統計學習與建立連結下、再加上一點隨機性的結果？倘若如此，「創作者」便成了難以捉摸的概念。但如果創意明顯蘊含人性特質，那麼「創作者」又是什麼？如果我們被非人創作者的作品所打動，這代表什麼含意呢？我第一次聽到一首真正好聽的AI創作歌曲時，內心不禁冒出這些問號。有個人只是打出指令，按下「生成」就寫出這首歌，我想到這點就忐忑不安。同樣的處境，你不久也會面臨。

建立連結

達特茅斯會議落幕後，與會專家各自走上不同的研究道路，致力於打造AI的基礎技術。與此同時，認知科學家也回應美國心理學會（American Psychological Association）會長吉福德（J.P. Guilford）在1950年的呼籲，解開何謂人類創意的課題。他們後來得出一個定義，由心理學家史坦（Morris Stein）於1953年在《心理學期刊》（Journal of Psychology）首度正式提出：所謂創意作品，必須同時具備「新奇性」與「實用性」，前者代表創新，後者是指對某人有實際用途。有些學者後來主張應該把「實用性」改成「滿意度」，也有人提出應該加入第三項標準：創意還必須「出乎意料」。

到了1990年代，功能性磁振造影（fMRI）技術興起，科學家得以進一步研究大腦中驅動創意的神經機制，研究範疇涵蓋多個領域，音樂也在其中。運算方法近年大幅進步，也讓科學家更容易描繪出記憶與聯想思考（Associative Thinking）在創意決策中扮演的角色。

但研究至今，對於創意如何在大腦產生與發展的命題，科學界尚無一套完整理論，反而是累積了愈來愈多的有力觀察。人類的創意過程可先分成幾個階段：最初是發想或構思，再進入批判與評估，判斷哪些想法具有價值。這兩個階段的驅動因素是什麼，可用一個主流理論來解釋，稱為「創意聯想理論」（Associative Theory of Creativity），也就是，創意最豐沛的人能在彼此看似不相關的概念建立起新連結。

「可能就像擴散激發（Spreading Activa-tion）的過程。」賓州州立大學（Penn State）創意認知神經科學實驗室負責人畢提（Roger Beaty）解釋說：「想到一個概念，自然而然觸發與它相關的其他概念。」

這些連結主要依賴儲存概念與事實的語意記憶（Semantic Memory），而非情節記憶（Episodic Memory），後者負責儲存特定時間與地點的記憶。科學家近年運用更精密的運算模型，研究人類如何將兩個「語意距離」（semantic distance）遙遠的概念建立連結。比方說，「世界末日」這個詞跟「核能」比較相關，不會讓人想到「慶祝」。研究發現，創意型人想到語意差別很大的概念，可能會覺得彼此相關。藝術家產生文字聯想時，能夠比一般人橫跨更遠的語意距離。其他研究也認為，創意型人有注意力漏洞的特質，亦即經常會注意到與眼前任務無特別相關的資訊。

用神經科學方法來評估這些過程，並未發現創意來自大腦某個特定區域。「大腦不像腺體會分泌荷爾蒙，並不會分泌出創意。」創意研究權威西蒙頓（Dean Keith Simonton）在《劍橋創意神經科學手冊》（Cambridge Handbook of the Neuroscience of Creativity）中寫道。

畢提指出證據剛好相反，大腦在創意思考時會啟動幾個分散的神經網路，一個透過聯想思考產生初步構想，一個會判別哪些構想有潛力，一個則負責評估修正。根據哈佛醫學院研究人員在2月發表的一項新研究，創意甚至可能會抑制大腦某些特定神經網路，例如自我審查的網路。

現階段而言，所謂的「機器創意」看起來與人類創意大相逕庭。達特茅斯會議舉辦當時，AI研究人員的關注重點固然在於機器如何向人腦取經，但等到大約10年前擴散模型問世時，研究人員已經轉移焦點。

擴散模型的運作原理，看名字就知道。想像你把沾滿紅墨水的畫筆浸入玻璃杯，墨水在水中擴散旋轉，看似隨機，最後變成淡粉色液體。擴散模型反向模擬這個過程，從隨機狀態重建出可辨識的形式。

以圖像說明，假設有一張大象的照片。為了訓練模型，先把這張照片複製一份，然後疊加上一層隨機的黑白雜訊。再複製一份，多加一層雜訊，如此重複數百次，直到最後一張只剩下純雜訊，完全看不出大象。針對層層疊疊的每一張圖，統計模型會預測有多少是雜訊、有多少是真正的大象，並將預測結果與正確答案比對，從錯誤中學習。經過數百萬個的訓練案例後，模型愈來愈擅長「去雜訊」，並將這些圖像與描述詞連結，描述詞例如「婆羅洲公象站在空曠草地」。

模型完成訓練後，生成新圖像就是把這個過程反過來。只要輸入一個提示詞，例如「長滿青苔的森林裡有一隻快樂的紅毛猩猩」，模型會先生成一張由隨機白雜訊組成的圖像，反向運作，透過統計模型一步步移除雜訊。最先會浮現模糊的形狀與顏色，然後是細節，成功的話最後就會出現一隻紅毛猩猩。模型在過程中完全不必「知道」什麼是紅毛猩猩。

音樂圖像

這種方法應用在音樂也成立。真人樂團創作歌曲會先從鋼琴和弦開始，再加入人聲和鼓聲，但擴散模型不同，所有元素同步生成。之所以如此，是因為一首歌涵蓋的元素錯綜複雜，但可以用一張波形圖（Waveform）呈現，也就是把聲波振幅隨時間變化畫成曲線。

不妨想像一下唱片機，唱針沿著黑膠唱片的刻痕前進，會模仿唱片上雕刻的聲波路徑，轉成信號送到揚聲器。揚聲器單純根據這些模式把空氣推出，產生聲波，就此播放出整首歌。

從遠處看，波形圖彷彿只是顯示音量變化，但如果把它放大，可看到尖峰與谷底的一連串圖形，例如貝斯吉他彈奏低音G時，每秒會產生49個波。波形圖涵蓋所有樂器與織體（Texture）的頻率總和。「有些形狀會慢慢浮現。」AI音樂公司Udio共同創辦人丁恩（David Ding）說：「這些形狀對應到整體旋律的輪廓。」

波形圖或類似的頻譜圖（Spectrogram）都能當成圖像處理，因此也能用來建立擴散模型。模型會讀取數百萬個現有歌曲的片段，每段都附有文字描述。要生成一首新歌時，模型會先從純粹的隨機雜訊開始，再一步步反向推回，產生新的波形圖。至於它會走哪條路徑，取決於輸入的提示詞內容。

丁恩曾在Google DeepMind擔任資深研究工程師5年，負責開發圖像與影片的擴散模型，但隨後於2023年離職，在紐約創辦Udio公司。連同位於美國麻州劍橋的競爭對手Suno，這兩家公司目前在音樂生成模型的競賽居於領頭羊地位，目標都是打造AI工具，讓素人也能創作音樂。Suno的規模較大，號稱使用者已超過1,200萬人，並在2024年5月完成1.25億美元募資，合作藝人包括提姆巴蘭（Timbaland）。Udio則在2024年4月籌得1千萬美元種子資金，投資人包括知名創投霍羅維茲（Andreessen Horowitz），還有威爾（Will.i.am）與凡夫俗子（Common）等音樂人。

從Udio與Suno目前的成果可看出，有不少人可能不在意自己聽的音樂是由人還是由機器創作。Suno設有創作者專屬頁面，有些人已累積大量粉絲，他們完全靠AI生成歌曲，通常還會搭配AI生成的肖像。這些創作者並不算傳統定義的音樂人，而是擅長下提示詞，作品無法說是出自哪個作曲家或歌手。在這個新興領域裡，「創作者」的既有定義幾乎瓦解，「創作」與「複製」的界線也模糊不清。

音樂產業開始反擊。2024年6月，兩家公司遭到大型唱片公司提告，訴訟至今仍在進行中。根據環球音樂（Universal）與索尼音樂（Sony）等音樂公司的指控，這些AI模型以版權音樂為訓練素材，「規模難以想像」，並生成「模仿真人錄音品質」的歌曲。以Suno的訴訟案為例，有首創作聽似ABBA合唱團的歌，甚至借用原曲歌名，取名為《繃跳女王》（Prancing Queen）。

本刊聯絡Suno說明訴訟案，並未得到回應，但Suno執行長舒爾曼（Mikey Shulman）去年8月曾在官方部落格對此聲明，該公司的訓練素材來自公開網路上的音樂，「確實包含受版權保護的作品」。但他同時表示：「學習並不是侵權。」

Udio的代表則表示，該公司不評論尚未判決的訴訟。Udio在訴訟階段曾發布聲明指出，他們的模型有過濾機制，能確保「不會重製版權作品或藝人聲音」。

讓情況更複雜的是，美國著作權局（Copy-right Office）在1月公布相關指引，指出AI生成作品如果包含相當程度的人為創作，仍可獲得版權。隔月，有位以AI創作出視覺藝術作品的紐約藝術家拿到版權保護，可能是歷史首例。接下來或許就是歌曲取得版權了。

是創新還是模仿

這些訴訟案涉及AI發展的灰色地帶，正如其他領域的官司一樣。爭議點出在，訓練AI模型能否使用受版權保護的內容，生成歌曲又是否不當抄襲某位音樂人的曲風。

但無論判決結果如何，AI音樂很可能以某種形式逐漸普及。據報導，YouTube已與大型唱片公司洽談授權音樂作為AI訓練素材，Meta近期也與環球音樂集團（Universal Music Group）擴大授權協議，顯示授權訓練AI音樂的合作模式不無可能。

如果AI音樂成為常態，它會「好聽」嗎？這點可從訓練資料、擴散模型本身、提示詞輸入等三大要素來看。模型的品質要好，取決於它所學習的音樂資料庫以及描述音樂的文字，描述必須夠細膩，才能完整捕捉到音樂的精神。

接著，模型架構會判斷能否利用所學來生成歌曲。而模型接收到的提示詞與「理解」能力同樣重要，例如模型如何詮釋「降低薩克斯風的音量」。

或許最重要的要素是第一個：訓練資料有多龐大多樣？資料標註的品質有多好？Suno與Udio都尚未公開訓練資料包含哪些音樂，但可能在訴訟過程不得不揭露。

Udio表示，歌曲的標註方式對模型很重要。「如何讓音樂的描述愈來愈精細，是我們積極研究的一個領域。」丁恩說。最基本的標註是描述曲風，但也可以進一步說這首歌是憂鬱、是激昂，還是平靜。更技術一點，標註可能還會寫出2-5-1和弦進行或特定音階。Udio指出，他們的做法是結合機器標註與人工標註。

「我們的目標用戶很廣泛，所以也需要各類型的音樂標註人員。」他說：「不只是借重能夠專業描述音樂的音樂博士，也要有音樂愛好者，因為他們形容音樂時有自己的非正式語彙。」

AI音樂生成平台的激烈競爭，因此也必須持續從人類創作的新歌學習，否則生成作品只會停留在過去，聽起來過時而了無新意。AI音樂模型現在的學習素材仍舊以人類作品為主，但未來可能會從自己的生成作品取經，其他AI領域已經在實驗這種做法。

AI模型一開始是隨機從雜訊採樣，因此具備非確定性（Nondeterministic），亦即，同一個AI模型輸入相同的提示詞，每次生成的歌曲都會不同。另一個原因是，許多擴散模型的開發公司（包含Udio）會在過程中額外注入隨機性，就好比把每個步驟生成的波形圖稍微扭曲，希望這些小瑕疵增添成品的趣味或真實性。1956年那場達特茅斯會議的主辦專家便是建議這種做法。

Udio共同創辦人暨營運長桑切斯（Andrew Sanchez）指出，生成式AI模型正是存在隨機性，成品才會讓許多人大感意外。過去70年來，電腦都是執行具有確定性（Deterministic）的程式：將指令輸進軟體，每次都會得到相同結果。

「許多跟我們合作的音樂人會納悶：結果為什麼會這樣？」他說：「我們其實也不確定。」置身這個生成時代，我們需要建立起全新的心態，即便是開發公司也要知道，AI程式可能雜亂無章而難以捉摸。

生成作品是創作，或只是在複製訓練資料？AI音樂的粉絲說，這個問題也適用於人類創意。我們年輕時聽音樂，負責學習的神經機制更易受到影響，形成記憶，進而左右我們的創作成果。在萊斯大學（Rice University）擔任音樂教授的作曲家布蘭特（Anthony Brandt），近期在一項研究指出，人類與大型語言模型一樣，都是利用過往經驗來評估未來可能情境，做出更好的選擇。

確實，人類藝術很多都是借用他人靈感下的結果，音樂圈尤其常見，因此常有音樂人告上法庭，指控歌曲未經同意就被複製或節錄。有些音樂人認為，擴散模型應該更加透明化，公布歌曲的靈感來源，例如四分之三是華麗搖滾巨星大衛鮑伊（David Bowie），四分之一是龐克搖滾教父路瑞德（Lou Reed）。Udio表示，目前已有相關研究探討實務做法，但還沒有公司能切實做到。

放眼偉大的藝術家，「創新與影響同時存在。」桑切斯說：「我覺得AI技術也是如此。」

然而，有許多領域試圖將人類神經網絡與人工神經網絡畫上等號，但往往經不起仔細檢驗。布蘭特指出，有一個領域可以看出人類的創意明顯超越機器，他稱之為「放大異常」。AI模型的運作基礎是統計取樣，目標在於減少誤差、找出可能存在的模式，而不強調特例。人類就不同了，往往被奇特之處吸引。這些奇特之處，「不被當成異數或一次性事件，反而會融入創作成品。」布蘭特寫道。

他舉例說，貝多芬在《第八號交響曲》的最後一個樂章中，特意加入一個彷彿走音的突兀音符。「貝多芬本來可以就此打住。」布蘭特說：「但他沒有把這個決定當成例外，還不斷用各種方式回應這個不協調的音符，把一個短暫的異常放大成深遠的影響。」類似的異常做法也出現在其他音樂，例如披頭四晚期作品會有倒放錄音的片段、歌手法蘭克海洋（Frank Ocean）把自己的歌聲升調，或者歌曲融入「環境音」，例如錄下行人號誌聲或關門聲、CP查理（Charlie Puth）等歌手，以及怪奇比莉（Billie Eilish）的製作人菲尼亞斯（Finneas O'Connell）特別偏愛這個技巧。

如果創作的定義確實兼具「新奇性」與「實用性」，布蘭特的解讀或許意味著：機器在「實用性」這點可能已經趕上我們，但「新奇性」還是人類厲害。

為了驗證這一點，我花了幾天時間實際操作Udio模型。生成30秒的音樂需要1、2分鐘，但付費版本能夠生成完整歌曲。我決定選12種曲風，各生成一小段歌曲，再找出由人類創作的相似音樂。我還設計了小測驗，請新聞室同事分辨哪些歌曲是AI創作。

結果答對率平均是46%，某些曲風（特別是純樂器）的答對率更低。我看著大家進行測驗，每個人聽到聲音假假的樂器，或是奇怪的歌詞，都很有信心指出這是AI作品，但我發現這些線索常常是錯的。就跟預期的一樣，如果是自己不熟悉的曲風，答對率比較低，例如有些人在鄉村或靈魂樂的表現還可以，但對爵士、古典鋼琴或流行音樂完全沒輒。創意研究專家畢提的答對率有66%，反觀作曲家布蘭特只有50%，但他在管弦樂與鋼琴奏鳴曲的測驗全對。

會有這些歌曲，並非都是AI模型的功勞，背後還是有賴音樂人創作出作品，再當成訓練資料。然而，只需要幾個提示詞，模型就能生出一首幾乎無人辨認得出的AI歌曲，有些拿到派對上播放，可能也不會人反對。而我這個從小學音樂、對音樂一向挑剔的人，甚至找到兩首真心喜歡的作品。只不過，聽起來「真實」，並不等於「原創」。這些歌曲聽不到怪奇或異常的元素，更別說像貝多芬那樣的「驚嚇效果」了。此外，AI歌曲似乎也不會打破曲風界線或大幅跳躍主題。在我的測驗中，大家有時分不出歌曲是AI作品，還是單純難聽。

分不分得出來，最終會有多重要？法院將扮演重要角色，決定出AI音樂模型到底是複製還是創作，音樂人又應該如何獲得補償。但我們身為聽眾，會決定這些模型的文化價值。要欣賞一首歌，我們是否要想像背後有個有經驗、有抱負、有想法的音樂人？如果一首好歌被發現是AI創作，它還算好歌嗎？
桑切斯說，大家或許會想知道創作者是誰。「但說到底，不管AI占了多少成分，人類又占了多少成分，藝術終究是藝術。」他說：「大家看的還是它的美學價值。」

但在我的實驗裡，我發現這個問題對大家真的很重要，有些人甚至強烈排斥欣賞AI音樂。有個受測者聽到一首電子流行歌曲時，不自覺隨著音樂搖頭晃腦，但臉上卻露出疑惑的神情，彷彿在努力想像創作者是人類，而不是電腦。「天啊。」她說：「我真心希望這不是AI。」

它偏偏就是。

歐唐納是《麻省理工科技評論》記者，報導人工智慧趨勢。
Copyright©2025, Technology Review. All Rights Reserved.