鹦鹉之歌、宪章人工智能与技术炒作周期
AI 独创性该如何被衡量？
💡
本期前沿速递分享了三篇论文。
第一篇聚焦于如何客观衡量人工智能生成内容的新颖性与原创性，介绍了一种基于最大均值差异（MMD）的量化方法，挑战了「AI 只是模仿」的观点，并为评估 AI 作品的知识产权提供了新工具。
第二篇则探讨了「宪章人工智能」（CAI）在小型语言模型中的有效性，通过对比研究发现，特定架构（如 DeepSeek-R1）能通过自我批评机制显著提升安全性，但也揭示了模型「知道」安全规则与实际「应用」规则之间的差距。
第三篇关注人机交互（HCI）研究在技术炒作周期中的角色，批判性地反思了学术界如何无意中助长了以资本为导向的技术发展，并提出了「研究即抵抗」的理念与策略，呼吁研究者主动介入，抵制炒作，推动更负责任的技术创新。
祝今日读写愉悦，洞见深省。
第一篇聚焦于如何客观衡量人工智能生成内容的新颖性与原创性，介绍了一种基于最大均值差异（MMD）的量化方法，挑战了「AI 只是模仿」的观点，并为评估 AI 作品的知识产权提供了新工具。
第二篇则探讨了「宪章人工智能」（CAI）在小型语言模型中的有效性，通过对比研究发现，特定架构（如 DeepSeek-R1）能通过自我批评机制显著提升安全性，但也揭示了模型「知道」安全规则与实际「应用」规则之间的差距。
第三篇关注人机交互（HCI）研究在技术炒作周期中的角色，批判性地反思了学术界如何无意中助长了以资本为导向的技术发展，并提出了「研究即抵抗」的理念与策略，呼吁研究者主动介入，抵制炒作，推动更负责任的技术创新。
祝今日读写愉悦，洞见深省。
前沿速递
绘制鹦鹉之歌：用最大均值差异法衡量 AI 的新颖性、原创性与独特性
核心概念
最大均值差异（Maximum Mean Discrepancy，MMD）一种衡量两个数据分布差异的统计方法。与常见的「逐对比对」不同，MMD 比较的是两组数据整体的生成规律。本文用 MMD 检测 AI 输出与人类作品是否来自不同的创作分布，从而提供一种可量化的「原创性」指标。
研究问题
随着生成式人工智能日益普及，传统的知识产权法律（如专利、商标、版权）面临一个核心难题：如何判断 AI 创作内容与已有作品之间的「区别」够不够大？现有的做法往往依赖主观判断，难以处理 AI 生成的海量内容。
本研究聚焦于以下问题：我们能否用一种客观、可量化的方法，判断 AI 生成内容是否「新颖」或「原创」？AI 的创作是机械模仿人类作品，还是在统计意义上生成了「不同」的内容？如果 AI 的创作过程确实不同于人类，那么它是否应该获得类似版权或专利的保护？
