АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Вычислительное творчество

Вычислительное творчество — междисциплинарное направление, находящееся на пересечении областей искусственный интеллект, когнитивная психология, философия и искусство (например, вычислительное искусство как часть вычислительной культуры[1]).

Описание

Вычислительное творчество предполагает применение компьютерных систем для имитации творческих процессов, свойственных человеку, с целью генерации художественных и дизайнерских результатов, обладающих оригинальностью и новизной.

Основной задачей вычислительного творчества является моделирование, симуляция или воспроизведение творческого процесса с использованием компьютеров для следующих целей[2]:

  • Создание программы или компьютера, способного проявлять творчество на уровне человека.
  • Улучшение понимания человеческого творчества и формулировка алгоритмического взгляда на творческое поведение человека.
  • Разработка программ, способных усиливать творчество человека, не обязательно будучи творческими сами по себе.

Дисциплина занимается как теоретическими, так и практическими аспектами изучения феномена творчества. Теоретические работы посвящены природе и определению творчества, а практические — реализации систем, демонстрирующих творческое поведение, что позволяет взаимно обогащать оба направления.

Практическое применение вычислительного творчества известно как медиасинтез.

Теоретические вопросы

Теоретические подходы фокусируются на сущности творчества, в частности — при каких условиях модель можно назвать «творческой», если признанное творчество зачастую связано с нарушением правил или отказом от традиций. Это связано с так называемым возражением Лавлейс относительно машинного разума, повторённым современными исследователями, такими как Тереза Амабиле[3]: если машина способна делать только то, на что её запрограммировали, может ли вообще её поведение быть названо творчеством?

Однако не все теоретики информатики соглашаются с тем, что компьютеры ограничены исключительно предписанной программой[4] — это важный аргумент в пользу вычислительного творчества.

Определение творчества с вычислительной точки зрения

Поскольку не существует единой общепринятой трактовки творчества, исследователи в области искусственного интеллекта Аллан Ньюэлл, Джей Шоу и Герберт Саймон[5] предложили считать критериями творчества новизну и полезность, выделив четыре признака, по которым решение может быть отнесено к творческим:

  1. Решение ново и полезно (для индивидуума или общества).
  2. Для получения решения пришлось отвергнуть ранее принятые идеи.
  3. Решение появилось в результате сильной мотивации и настойчивости.
  4. Решение родилось в процессе прояснения изначально расплывчатой проблемы.

Маргарет Боден делала акцент на первых двух критериях и считала, что творчество (особенно применительно к машинам) — это «способность выдвигать идеи или создавать артефакты, являющиеся новыми, удивительными и ценными»[6].

Михай Чиксентмихайи предлагал рассматривать творчество в социальном контексте, что воплощено в его модели DIFI (Domain-Individual-Field Interaction): индивид создает произведение, которое ново и ценно оценивается профессиональным сообществом («полем») и, получая обратную связь, произведение со временем становится частью культурного «домена», откуда последующие творцы могут черпать вдохновение[7].

В противовес «сверху-вниз» моделям творчества, в 1980–1990-х годы активно развивались «снизу-вверх» вычислительные подходы с использованием искусственных нейронных сетей, в частности генеративных нейросистем, обучаемых с помощью генетических алгоритмов[8]. Исследования с рекуррентными нейросетями[9] позволяли гибридизировать музыкальные мелодии и предсказывать ожидания слушателей.

Историческое развитие вычислительного творчества

Использование вычислительных методов для генерации творческих произведений имеет глубокие исторические корни. Уже в конце XVIII века музыкальные комбинаторные техники разрабатывали такие известные композиторы, как Моцарт, Бах, Гайдн и Кирнбергер[10]. В 1934 году появились простые механические модели для изучения математического мышления. С момента появления искусственного интеллекта креативные задачи (творчество, изобретательство, открытия) были обозначены как важнейшие цели, в том числе на Дартмутской конференции 1956 года[11].

В 1970–1980-х годах появились первые системы, моделирующие творчество на основе символьных, эвристических и правилах подходов. В создании историй были реализованы такие проекты, как TALE-SPIN Дж. Михана (1977), моделирующий решения персонажей с помощью решающих деревьев, и AUTHOR К. Ден (1981), симулирующий процесс создания рассказа автором[12].

В области искусств выдающейся системой стал проект AARON Гарольда Коэна, создающий художественные изображения на основе обширного набора символьных правил композиции. В научной области системы BACON воспроизводили открытие естественных законов через перебор гипотез.

В 1990-е годы методы моделирования стали адаптивнее, введя когнитивные творческие правила для поколенческих процессов: MINSTREL (1993, Д. Тернер) реализовал модель переиспользования творческого опыта, MEXICA (1999, Р. Перес и Майк Шарплз) моделировал чередование вовлечённости и рефлексии в процессе письма. Возникли гибридные подходы, сочетающие символическую генерацию с метриками оценки результата по предметной области.

В области генерации юмора система JAPE (1994) создавала каламбурные загадки на базе Prolog и WordNet[13]. Для музыкальной сферы показательна система EMI (Experiments in Musical Intelligence, Дэвид Коуп), обучавшаяся на стилях классиков и создающая новые произведения по выявленным паттернам.

С 2000-х годов методы машинного обучения становятся доминирующими. Исследователи (например, Михалча и Страппарава) обучали классификаторы отличать юмористический текст по стилю и семантике, шахматная система Deep Blue реализовывала эллементы «псевдотворческого» анализа за счёт поиска и параллельной обработки.

На институциональном уровне 1990-е годы отмечены появлением IJWCC (Международной совместной мастерской по вычислительному творчеству), а с 2000-х проводится Международная конференция по вычислительному творчеству (ICCC)[14]. Современная эволюция полей вычислительного творчества неотделима от глубоких моделей ИИ, систем трансформеров, передовых средств машинного обучения.

Машинное обучение и вычислительное творчество

undefined

В то время как классический подход к вычислительному творчеству строится на явно прописанных правилах с элементами случайности, методы машинного обучения позволяют системам обучаться эвристикам по входным данным и реализовывать творческие способности[15]. Особенно глубинные нейронные сети позволяют выделять сложные закономерности, дающие возможность нелинейного создания творческих объектов. Уже до 1989 года нейросети применялись для моделирования определённых аспектов творчества: Питер Тодд обучил сеть воспроизводить мелодии и генерировать новые, в дальнейшем использовав двухуровневую систему с «дистальным учителем» (Paul Munro, Paul Werbos и др.)[9].

В более поздних экспериментах пользователь мог выбирать мелодии, определяющие пространство поиска, а система генерировала новые промежуточные варианты на основании положения в этом пространстве.

Языковые модели и галлюцинации

Модели вроде GPT и LSTM применяются для генерации прозы, сценариев, поэзии. Эти модели склонны к явлению галлюцинации — созданию ошибочных, но выглядящих достоверно текстов. Многие авторы используют этот эффект для поиска неожиданных художественных ходов. Например, роман 1 the Road сформирован LSTM по мотивам «На дороге» Керуака и мультимодальным данным, собранным во время поездки[16][17]. Подобная техника применялась и при создании короткометражки Sunspring, где сценарий был сгенерирован ИИ[18].

Исследователи отмечают потенциал упорядоченного управления такими галлюцинациями генеративных моделей (например, «дивергенция-конвергенция»), разделяя фактические и достоверностные галлюцинации, чтобы отбирать ценные результаты[19].

Ключевые понятия и методы

Ряд концепций и категорий творчества широко обсуждается в теории вычислительного творчества.

Важные типы творчества

Маргарет Боден[6][20] различала:

  • P-творчество (psychological) — новое для самого творца;
  • H-творчество (historical) — признано новым для широкого общества.

Исследовательское и трансформационное творчество

Боден подчеркивает разницу между исследовательским творчеством (поиск новых комбинаций внутри заданного пространства) и трансформационным (сознательный выход за рамки исходной системы понятий и правил). По модели Ньюэлла и Саймона, оба типа должны давать новизну и полезность, но трансформационное связано с отбрасыванием ряда ограничений и допущений[21].

Генерация и оценка

Поскольку творческий продукт должен быть новым и полезным, вычислительные системы творчества часто реализуют две фазы: генерация (порождаются возможные варианты) и оценка (отбор наиболее ценных). Эта модель близка психологической модели Geneplore (Finke, Ward, Smith)[22].

Джорданус и Келлер сформулировали SPECS — Стандартизированную процедуру оценки креативных систем по 14 основным компонентам (работа с неопределённостью, самостоятельность, коммуникация, спонтанность и т. д.).

Совместное творчество

Значительная часть исследований фокусируется на совместном (человеко-компьютерном) творчестве и инструментах поддержки креативности[23]. Такие системы ориентированы на интеграцию, принятие решений и генерацию идей[24][25].

Инновации

Вычислительное творчество становится предметом исследований в области инноваций и управления[26]. Вводится концепция «самоинновирующего искусственного интеллекта» (SAI), когда компании используют ИИ для создания новых продуктов и оптимизации уже существующих. Рост значения вычислительного творчества приводит к переменам в распределении креативных функций между человеком и ИИ.

Комбинаторное творчество

Большая часть художественного поиска связана с оригинальным сочетанием известных объектов и идей[27]. Классические стратегии комбинаторного творчества: помещение знакомого предмета в необычную обстановку, слияние жанров, перенос метафорических значений, добавление необычных свойств, использование визуальных икон в нестандартных связках. Генетические алгоритмы, нейросети и другие методы позволяют моделировать такие комбинации.

Концептуальное смешение

Модель «концептуального блендинга» (Turner и Fauconnier[28]) описывает процессы комбинирования концептов из разнородных областей на основе «пространств» и схем. Компьютерные реализации блендинга опираются на символьный ИИ, генетические методы и модели аналогий. В ряде работ были продемонстрированы практические результаты — например, генерация новых визуальных/мифологических существ.

Лингвистическое творчество

Естественный язык предоставляет широкий спектр возможностей для творчества: создание неологизмов, риффов, иронии, каламбуров, поэтических образов и др[29]. Многие формы креативности языка, такие как неологизмы или нестандартные рамки образности, пока не реализованы теоретически полно в компьютерных моделях.

Гипотеза паттернов креативности

Рональд Картер выделял два типа языкового творчества: перестройка шаблонов (через нарушение правил) и создание новых (путем следования правилам и симметрии)[30].

Генерация историй

C 1970-х годов была создана серия систем автоматического сочинения историй (TALE-SPIN[31], MINSTREL[32], BRUTUS, MEXICA[33]).

Метафора, сравнение, аналогия, шутка, неологизм

Разработаны многочисленные модели анализа и генерации метафор, сравнений и аналогий (см. работы Йорика Уилкса, Джеймса Мартина, Джона Барндена и др.) и генерации юмористических текстов (JAPE, STANDUP)[34].

Система ZeitGeist, например, собирает и создаёт неологизмы, анализируя новые слова в Википедии и WordNet.

Поэзия, рифма

Поэтические генеративные системы сочетают фрагменты известных стихотворений и правила сочинения (Gervás, ASPERA). В последние годы крупные языковые модели используются для генерации стихов (Pharmako-AI, I Am Code и др.).

Музыкальное творчество

Генерация музыкальных произведений компьютерными программами охватывает как стилевые имитации (Моцарт, Бах, джаз), так и создаёт совершенно новые формы. Система EMI Дэвида Коупа анализирует корпус композиторов и генерирует стилистически схожие сочинения[35][36].

Компьютер IAMUS впервые сочинил с нуля произведение для полного оркестра, исполненное Лондонским симфоническим оркестром[37]. Системы ОMax, SoMax и PyOracle позволяют создавать джазовые импровизации в реальном времени.

Визуальное и художественное творчество

Среди программ для генерации визуального искусства наибольший вклад принадлежит AARON Гарольда Коэна. Примечательна система NEvAr Пенуза Мачадо, использующая генетические алгоритмы для эволюции трехмерных поверхностей; человеческие пользователи направляют отбор понравившихся изображений через поколения[38].

The Painting Fool (Колтон) начинал как система цифровой перерисовки по фото, но в дальнейшем стал генерировать самостоятельные городские и природные пейзажи через ограниченное эвристическое моделирование.

Широко известна система DeepDream (Google, 2015), проявляющая паттерны в изображениях через сверточные нейронные сети[39][40]. Методы стилистической трансформации изображений получили развитие в DeepArt[41].

Творчество в решении задач

В психологии и когнитивистике нестандартное решение задач называется креативное решение проблем. Модель EII (Explicit-Implicit Interaction) реализована в рамках архитектуры CLARION и позволяет моделировать эффекты инкубации и инсайта в решении задач[42].

Дискуссии о «общих» теориях творчества

Некоторые исследователи считают разработку единой всеобъемлющей теории творчества невозможной из-за многообразия проявлений и пластичности языка, которым его описывают. Тем не менее предпринимаются попытки формулировать общие генеративные принципы — например, универсальные подходы на базе нейронных сетей (С. Талер и др.).

Критика вычислительного творчества

Классическим компьютерам традиционно приписывают неспособность к подлинному творчеству, поскольку они преобразуют конечный набор входных параметров в конечный набор выходных[43]. Эти аргументы сводятся к утверждению, что вычислительное творчество лишь имитирует новизну, не создавая принципиально нового, а только перерабатывая уже существующее в рамках детерминированных алгоритмов[44].

Отдельная линия критики выделяет отличие человеческой и машинной креативности в плане морали, целеполагания, интенциональности решений[45]. Также обсуждается риск ограничения человеческого творчества из-за доминирования алгоритмических решений в обществе[46].

События

Международная конференция по вычислительному творчеству (International Conference on Computational Creativity, ICCC) проводится ежегодно Ассоциацией вычислительного творчества (Association for Computational Creativity)[47]:

  • ICCC 2023 — Ватерлоо, Канада
  • ICCC 2022 — Больцано, Италия
  • ICCC 2021 — Мехико (виртуально из-за пандемии COVID-19)
  • ICCC 2020 — Коимбра, Португалия (виртуально)
  • ICCC 2019 — Шарлотт, Северная Каролина, США
  • ICCC 2018 — Саламанка, Испания
  • ICCC 2017 — Атланта, США
  • ICCC 2016 — Париж, Франция
  • ICCC 2015 — Парк-Сити, Юта, США
  • ICCC 2014 — Любляна, Словения
  • ICCC 2013 — Сидней, Австралия
  • ICCC 2012 — Дублин, Ирландия
  • ICCC 2011 — Мехико, Мексика
  • ICCC 2010 — Лиссабон, Португалия

Ранее сообщество организовывало Международную совместную мастерскую по вычислительному творчеству (IJWCC, с 1999 года).

Первую конференцию по компьютерному моделированию музыкального творчества (CCSMC) провели в 2016 году (Хаддерсфилд, Великобритания).

Примечания

  1. ↑ The Arts and Computational Culture: Real and Virtual Worlds. — Springer, 2024. — ISBN 978-3-031-53864-3. — doi:10.1007/978-3-031-53865-0.
  2. ↑ Anna Jordanous. What is Computational Creativity? (10 апреля 2014). Дата обращения: 7 января 2019. Архивировано 12 августа 2025 года.
  3. ↑ Amabile, Teresa (1983), The social psychology of creativity, New York, NY: Springer-Verlag 
  4. ↑ Minsky, Marvin (1967), Why programming is a good medium for expressing poorly understood and sloppily formulated ideas, Design and Planning II—Computers in Design and Communication, с. 120–125 
  5. ↑ Newell, Allen, Shaw, J. G., and Simon, Herbert A. (1963), The process of creative thinking, H. E. Gruber, G. Terrell and M. Wertheimer (Eds.), Contemporary Approaches to Creative Thinking, pp 63–119. New York: Atherton 
  6. ↑ 1 2 Boden, Margaret (1990), The Creative Mind: Myths and Mechanisms, London: Weidenfeld & Nicolson 
  7. ↑ Feldman, D. H.; Csikszentmihalyi, Mihaly & Gardner, H. (1994), Changing the World: A Framework for the Study of Creativity, Prager 
  8. ↑ Gibson, P. M. (1991). NEUROGEN, musical composition using genetic algorithms and cooperating neural networks, Second International Conference on Artificial Neural Networks: 309–313.
  9. ↑ 1 2 Todd, P. M. (1989). “A connectionist approach to algorithmic composition”. Computer Music Journal. 13 (4): 27—43. DOI:10.2307/3679551. JSTOR 3679551. S2CID 36726968.
  10. ↑ Ratner, Leonard G. Ars combinatoria: chance and choice in eighteenth-century music. — New York, 1970.
  11. ↑ Boden, Margaret A. (2009). “Computer Models of Creativity”. AI Magazine [англ.]. 30 (3): 23—34. DOI:10.1609/aimag.v30i3.2254.
  12. ↑ Gervás, Pablo (2009). “Computational Approaches to Storytelling and Creativity”. AI Magazine [англ.]. 30 (3): 49—62. DOI:10.1609/aimag.v30i3.2250.
  13. ↑ Ritchie, Graeme (2009). “Can Computers Create Humor?”. AI Magazine [англ.]. 30 (3): 71—81. DOI:10.1609/aimag.v30i3.2251.
  14. ↑ Cardoso, Amílcar; Veale, Tony; Wiggins, Geraint A. (2009). “Converging on the Divergent: The History (and Future) of the International Joint Workshops in Computational Creativity”. AI Magazine [англ.]. 30 (3): 15—22. DOI:10.1609/aimag.v30i3.2252.
  15. ↑ Mateja, Deborah; Heinzl, Armin (декабрь 2021). “Towards Machine Learning as an Enabler of Computational Creativity”. IEEE Transactions on Artificial Intelligence. 2 (6): 460—475. Bibcode:2021ITAI....2..460M. DOI:10.1109/TAI.2021.3100456. ISSN 2691-4581. S2CID 238941032. Проверьте дату в |date= (справка на английском)
  16. ↑ Gotca, Rodica Computational literature – creation under the auspices of AI and GPT models (неопр.). doi:10.59295/dia.2023.1.04. Дата обращения: 10 мая 2025. Архивировано 17 июня 2025 года.
  17. ↑ Merchant, Brian When an AI Goes Full Jack Kerouac (англ.). The Atlantic (1 октября 2018). Дата обращения: 10 мая 2025. Архивировано 11 октября 2025 года.
  18. ↑ Newitz, Annalee Movie written by algorithm turns out to be hilarious and intense (англ.). Ars Technica (30 мая 2021). Дата обращения: 10 мая 2025. Архивировано 12 октября 2025 года.
  19. ↑ Jiang, Xuhui; Tian, Yuxing; Hua, Fengrui; Xu, Chengjin; Wang, Yuanzhuo & Guo, Jian (2024-02-02), A Survey on Large Language Model Hallucination via a Creativity Perspective, arΧiv:2402.06647 [cs.AI]. 
  20. ↑ Boden, Margaret (1999), Computer models of creativity., Handbook of Creativity, pp 351–373 
  21. ↑ Wiggins, Geraint (2006). “A Preliminary Framework for Description, Analysis and Comparison of Creative Systems”. Journal of Knowledge Based Systems. 19 (7): 449—458. CiteSeerX 10.1.1.581.5208. DOI:10.1016/j.knosys.2006.04.009.
  22. ↑ Finke, R., Ward, T., and Smith, S. (1992), Creative cognition: Theory, research and applications, Cambridge: MIT Press, <http://www.dcs.warwick.ac.uk/oldmodelling/hi/theses/paulness/appendixd.pdf> 
  23. ↑ Hutchinson, P. (2020). “Reinventing innovation management: the impact of self-innovating artificial intelligence”. IEEE Transactions on Engineering Management. 68 (2): 628—639. DOI:10.1109/TEM.2020.2977222.
  24. ↑ Wang, Kai; Nickerson, Jeffrey V. (сентябрь 2017). “A literature review on individual creativity support systems”. Computers in Human Behavior. 74: 139—151. DOI:10.1016/j.chb.2017.04.035. ISSN 0747-5632. S2CID 38485202. Проверьте дату в |date= (справка на английском)
  25. ↑ Gabriel, A.; Monticolo, D.; Camargo, M.; Bourgault, M. (сентябрь 2016). “Creativity support systems: A systematic mapping study”. Thinking Skills and Creativity. 21: 109—122. DOI:10.1016/j.tsc.2016.05.009. ISSN 1871-1871. Проверьте дату в |date= (справка на английском)
  26. ↑ How Generative AI Can Augment Human Creativity, Harvard Business Review (16 июня 2023). Архивировано 13 июня 2023 года. Дата обращения: 20 июня 2023.
  27. ↑ Margaret Boden. Can computer models help us to understand human creativity? (10 мая 2010). Дата обращения: 7 января 2019. Архивировано 4 октября 2025 года.
  28. ↑ Fauconnier, Gilles, Turner, Mark (2007), The Way We Think, Basic Books 
  29. ↑ Carter, Ronald. Language and Creativity: The Art of Common Talk. — London : Routledge, 2004.
  30. ↑ Anh Vo, Thuc & Carter, Ronald (2010), What can a corpus tell us about creativity?, The Routledge Handbook of Corpus Linguistics, Routledge, ISBN 978-0-203-85694-9, DOI 10.4324/9780203856949.ch22 
  31. ↑ Meehan, James (1981), TALE-SPIN, Shank, R. C. and Riesbeck, C. K., (eds.), Inside Computer Understanding: Five Programs plus Miniatures. Hillsdale, NJ: Lawrence Erlbaum Associates 
  32. ↑ Turner, S.R. (1994), The Creative Process: A Computer Model of Storytelling, Hillsdale, NJ: Lawrence Erlbaum Associates 
  33. ↑ Pérez y Pérez, Rafael, Sharples, Mike (2001). “MEXICA: A computer model of a cognitive account of creative writing” (PDF). Journal of Experimental and Theoretical Artificial Intelligence. 13 (2): 119—139. DOI:10.1080/09528130010029820.
  34. ↑ Binsted, K., Pain, H., and Ritchie, G. (1997), Children's evaluation of computer-generated punning riddles, Pragmatics & Cognition Т. 5 (2): 305–354, doi:10.1075/pc.5.2.06bin, <https://www.researchgate.net/publication/2337083> 
  35. ↑ Cope, David (2006), Computer Models of Musical Creativity, Cambridge, MA: MIT Press 
  36. ↑ David Cope (1987), "Experiments in Music Intelligence." In Proceedings of the International Computer Music Conference, San Francisco: Computer Music Assn.
  37. ↑ “Computer composer honours Turing's centenary”. New Scientist. 5 июля 2012.
  38. ↑ Machado, Penousal, ed. (2008), The Art of Artificial Evolution: A Handbook on Evolutionary Art and Music, Natural Computing Series, Berlin: Springer Verlag, ISBN 978-3-540-72876-4, <https://books.google.com/books?id=ypdCBD6JrAsC> 
  39. ↑ Szegedy, Christian; Liu, Wei; Jia, Yangqing; Sermanet, Pierre; Reed, Scott E.; Anguelov, Dragomir; Erhan, Dumitru; Vanhoucke, Vincent; Rabinovich, Andrew (2015). “Going deeper with convolutions”. IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2015, Boston, MA, USA, June 7–12, 2015. IEEE Computer Society. pp. 1—9. arXiv:1409.4842. DOI:10.1109/CVPR.2015.7298594. ISBN 978-1-4673-6964-0.
  40. ↑ Mordvintsev, Alexander; Olah, Christopher; Tyka, Mike DeepDream – a code example for visualizing Neural Networks. Google Research (2015). Архивировано 8 июля 2015 года.
  41. ↑ This algorithm can create a new Van Gogh or Picasso in just an hour (31 августа 2015). Архивировано 8 сентября 2015 года. Дата обращения: 3 сентября 2015.
  42. ↑ Helie, S.; Sun, R. (2010). “Incubation, insight, and creative problem solving: A unified theory and a connectionist model”. Psychological Review. 117 (3): 994—1024. CiteSeerX 10.1.1.405.2245. DOI:10.1037/a0019532. PMID 20658861.
  43. ↑ Tolk, Andreas. Truth, Trust, and Turing – Implications for Modeling and Simulation // Ontology, Epistemology, and Teleology for Modeling and Simulation. — 2013. — Vol. 44. — P. 1–26. — ISBN 978-3-642-31139-0. — doi:10.1007/978-3-642-31140-6_1.
  44. ↑ Chaitin, G. J. Algorithmic information theory. — Cambridge University Press, 1987.
  45. ↑ Computational Creativity Articles (Edited by Anna Longo). technophany.philosophyandtechnology.network. Дата обращения: 8 мая 2025. Архивировано 13 апреля 2025 года.
  46. ↑ Loi, Michele; Viganò, Eleonora & Plas, Lonneke van der (2020-07-23), The societal and ethical relevance of computational creativity, arΧiv:2007.11973 [cs.AI]. 
  47. ↑ Association for Computational Creativity.

Литература

Категории