邹晓辉^{0000-0002-5577-8245}

北京大学跨学科知识建模课题组横琴融智学研究小组

摘要：生成式人工智能与大语言模型的迅猛发展，正在深刻重构“原创性”“作者身份”和“创造力”等核心概念。笔者提出一个关键论断：AI大模型能够站在所有已公开发表言论的读者的肩上给出最好的回应，在及格率以及最优率上甚至超越几乎所有原创论著的读者及其心得体会；但是真正的原创巨著仍需原创者的选择用意确认，才能判定AI的信息处理结果是否达到原作的立意和初衷。本文就以这一命题为中心论域，系统考察哲学视域下大语言模型的意向性缺失问题、计算创造力领域对AI原创性边界的实证与量化研究、版权法领域对AI生成物作者身份的持续争议，以及人机协同认知增强的前沿范式。在此基础上本文以融智学的“智+能=智能”公式为整合框架，提出“读者肩范式—作者肩范式”二分分析模型，论证了人类原创性中“选择用意”这一意向性要素凭什么具有其不可替代性，并从文明跃迁的视角展望人机深度协同的知识生产新范式。

关键词：大型语言模型；融智学；原创性；意向性；人机协同；作者身份

大型语言模型的指数级进步——从ChatGPT的面世到DeepSeek-R1等开源模型的规模化普及——已使AI辅助乃至主导的知识生成，成为了日常现实。截至2025年，中国已有433款大模型完成备案并上线提供服务，AI产业迈入规模化应用新阶段；DeepSeek开源模型，所引发的“免费潮”将API调用成本降至每百万tokens不足1元，为“智能普惠”奠定了前所未有的物质基础。在这一背景下，一个根本性的问题日益凸显：当AI能够在大多数认知任务上达到甚至超过人类平均水平时，“原创性”还有何意义？人类创作者——学者、作家、艺术家——在AI大型语言模型普及时代究竟处于什么位置？

现有的讨论往往在两个极端之间摇摆：一端是技术乐观主义，认为AI已具备真正的创造性；另一端是怀疑主义，认为AI不过是“随机鹦鹉”，其输出全无原创价值。然而，这两种立场都未能触及问题的深层结构。笔者从融智学创立者视域提出的一个核心区分，为走出这一困境提供了新的理论视角。他在阐述其理论体系时指出：“物理学及自然科学聚焦于质能时空的探究，其中，‘能’是主因……融智学聚焦于信智序位的探究，其中，‘智’是主因”。这一区分揭示了一个被广泛忽视的事实：AI所擅长的“信息处理”和人类所独有的“选择用意”，分属两个不同的范畴——前者属于“能”的范畴，后者属于“智”的范畴。真正的智能，乃是“智”（意向性选择与序位建构能力）与“能”（物理实现与做功潜力）在特定系统中的协同统一。

基于这一哲学洞见，笔者提出了关于AI与原创性关系的核心命题：AI大模型能做到站在所有已公开发表言论的读者的肩上给出最好的回应，在及格率和最优率上超过几乎原创论著读者及其撰写的心得体会和评论；但真正的原创巨著仍需原创者的选择用意确认，才能判定AI的信息处理结果是否达到原作的立意和初衷。这一命题简洁而深刻地揭示了人机认知分工的本质：AI擅长的是对已有知识的整合、比较和最优响应——它可以是每一个原创者的“超级读者”；而原创者独有的，是立意的发端、初衷的设定以及对“是否吻合”的价值判断。

本文试图以这一命题为中心论域，通过整合哲学、认知科学、计算创造力研究、版权法学和人机交互等多个学科的前沿文献，系统阐释以下问题：（1）从哲学角度看，AI缺乏的“意向性”究竟意味着什么，以及它如何构成原创性的核心要素？（2）计算创造力研究如何量化评估AI生成物的原创性，其方法论边界在哪里？（3）版权法领域围绕AI生成物作者身份的争议，如何折射出“原创者确认”的制度必要性？（4）人机协同的新范式——尤其是融智学的理论框架——如何为理解AI与人类原创性关系提供整合性方案？

关于计算机系统能否真正“理解”意义的问题，约翰·塞尔的中文屋论证提供了一个持久且深刻的哲学框架。塞尔的核心论证是：计算机执行程序只能操纵句法符号，无法获得语义内容即句法并不足以产生语义，形式化的符号处理永远无法产生内在的意向性（intentionality）。塞尔明确指出，无论程序的行为多么像人类，执行程序的计算机都不可能拥有心智、理解或意识-。

这一论证在大型语言模型时代获得了新的生命。正如Borg（2025）在《LLMs, Turing tests and Chinese rooms》中所指出的，关于大语言模型意义的讨论至今难以超越图灵测试和中文屋论证所划定的经典对立。Borg区分了两个层次的问题：一是LLM的输出是否具有“派生意义”（derived meaning）——即人类使用者赋予的意义；二是LLM本身是否具有“原生意向性”（original intentionality）。她主张LLM的输出应当被视为具有真实意义，但“原生意向性的要求并非意义本身的必要条件，而是某些类型的能动性或意识理解的前提条件”而LLM目前并不满足原生意向性的条件。

这一结论与本文提出的这一核心洞见高度一致。在融智学框架中，“智”的核心恰恰在于意向性选择与序位建构能力——这正是塞尔所说的“原生意向性”在信息处理领域的具体表现。融智学的AGI数学模型将智能定义为“智=信息处理+选择用意”，其中“选择用意”就明确引入了主体意向性，体现价值判断与语境适应性。这一公式精确地捕捉了AI与人类原创性之间的根本差异：AI能完成“信息处理”这一维度的任务，甚至做得极其出色；但“选择用意”——即意向性的选择与确认——却是人类原创者独有的领地。

将哲学讨论与原创性命题连接起来，我们需要追问：什么是“原创性”？为什么原创性需要“意向性”作为其必要条件？

西方美学和知识产权哲学中，原创性长期与“作者”的独创性劳动联系在一起。康德和黑格尔的作者理论强调，作品是作者人格的外化表达；洛克和边沁的劳动理论则强调，作者通过智力劳动创造了具有价值的作品。在所有这些传统中一个隐含的前提是：作者是具有意图和意志的行动者。正如Bishop（2026）在其“数字辩证法”论文中所论证的，无论AI系统的行为多么复杂它们始终是工具而非创作者，“它们仅仅是计算机程序，只在人类创作者的指令下行动”，每一个“AI生成”作品背后都有一个人类作者。

塞尔的中文屋论证揭示了更深层的问题：即使AI能够生成在统计上与人类作品难以区分的输出即“通过图灵测试”——它仍然缺乏“理解”。而原创性恰恰要求理解而不仅是行为上的等价。一个系统如果不知道自己在说什么、不知道为什么要这样说、不知道这个表达意味着什么，它就很难被认定为“原创”的创作者。AI可以在统计意义上做到比几乎所有读者都好——它可以整合更多的信息、更全面地比较不同的观点、更精确地识别最优的表达，但它无法回答“我为什么要这样写”的问题。这个问题，只有具有意向性的主体才能回答。

融智学的理论框架为此提供了更为精细的数学描述。笔者的“道函数”以三维思维坐标（形象思维x轴、抽象思维y轴、直觉思维z轴）对思维空间进行形式化建模，尤其是其中的z轴（直觉思维）专门处理意图、语境和价值判断。在三大基本定律中“序位关系唯一守恒定律”和“同义并列对应转换法则”提供了信息处理的刚性约束而“同意并列对应转换法则”，则引入了主体间的协商机制，这正是“选择用意”发挥作用的场域。这一三重结构精确地刻画了原创性产生的认知机制：在刚性规律，确保信息处理的一致性和可计算性的基础上，柔性法则为意向性选择留出空间。

如果哲学讨论回答的是“理论上AI能否有原创性”的规范性问题，那么计算创造力（Computational Creativity）研究的，则提供了“AI实际上能产生何种程度的原创性”的实证答案。近年来这一领域涌现出一系列具有里程碑意义的研究，从量化评估原创性的方法论突破到人机协同创造机制的实证探索，为理解融智学命题提供了重要的经验支撑。

衡量创造力的原创性维度，传统上采用“稀有性”标准即：一个创意在特定人群中出现得越少，其原创性就越高。然而，这一方法在大规模自动化评估中面临巨大挑战：人工归并创意的不同表达方式极其耗时且易于出错。Bangash等人（2025）提出的MuseRAG系统，结合大型语言模型与检索增强生成框架，实现了对创意原创性的全自动化心理测量学验证的评分。在五个数据集（N=1143，n_ideas=16294）上，MuseRAG在创意聚类结构和个体层面评分上都达到了与人类标注者高度一致的水平（AMI=0.59，r=0.89）。这一进展表明：AI不仅能够生成内容，还能够评估内容的原创性至少在“统计稀有性”这一维度上。

Mukherjee（2025）提出的MMD方法则更进一步，从分布差异的角度测量AI生成内容的创新性。通过将整个输出分布与人类创作分布进行比较而非进行两两相似性检查，该方法直接对比创作过程本身。实验表明，仅用7-10个样本即可区分AI生成艺术与人类艺术（p<0.0001），而人类评估者的识别准确率仅为58%。这一发现对“随机鹦鹉”假说提出了有力挑战，为AI系统从语义上不同的分布产生输出提供了经验证据。换言之，AI并非简单地复制训练数据，其生成过程本身就具有可测量的独特性。

然而，这些研究同时揭示了一个关键的方法论边界：无论是MuseRAG还是MMD方法，所测量的都是“统计新颖性”而非“意向性原创性”。统计新颖性是指一个表达在已有语料库中出现频率低；意向性原创性则涉及“为什么”和“为了什么”即：表达的动机、语境和目的。AI可以产生在统计上新颖的输出，但无法回答“这个输出对我意味着什么”的问题。融智学命题的核心洞察正在于此：AI在“及格率和最优率”——即统计意义上的性能指标上可以超越读者，但统计最优不等于意向性真实。

计算创造力研究的前沿正在从“AI能否独立创造”转向“AI如何与人类协同创造”。Wilson和Burleigh（2026）提出将生成式AI理解为“认知伙伴”的概念框架，指出GenAI可以作为超越自动化角色的认知伴侣，增强创意构思和研究生产力。这一框架与融智学的人机协同理念形成呼应：AI不应被视为替代人类的竞争对手，而应被视为扩展人类认知能力的协作者。

更具理论深度的探索来自CPICM（认知扰动诱发式创造机制）研究。该机制关注高密度人机协作情境中，通过GPT等AI工具对人类高阶认知结构的扰动、增强与再建，从而，诱发出具有系统性、创造性的新知识形态与跨界路径。这一机制的核心洞见是：真正的创造并非来自AI的“灵光一现”，而是来自人机交互过程中，对人类认知模式重新组织和激发。AI的作用不是代替人类思考，而是作为“认知架构师”，通过持续的信息反馈和结构呈现，激发人类产生超越常规认知框架的新思路。

这些经验研究与融智学的命题形成了双重印证。一方面，它们证实了AI确实能够在某些维度上“做得更好”——整合信息、发现模式、优化表达。另一方面，它们反复指向同一个边界即：人类原创者的选择、意图和确认，仍然是创造性过程不可替代的核心环节。AI可扰动认知、呈现选项、生成候选方案，但是，最终“选择用意”和“立意确认”必须由人类完成。

哲学上的意向性问题和计算创造力研究的技术边界，在法律制度层面汇聚为一个紧迫的实践问题：AI生成物是否可以获得版权保护？如果不能，谁对AI生成物享有权利？如果AI生成物，侵犯了他人版权，责任如何分配？

2025年标志着知识产权与人工智能交叉领域的关键转折点。德国慕尼黑第一地区法院在GEMA诉OpenAI案中裁定，OpenAI的语言模型非法使用了九位德国作者的作品歌词，AI训练在生成模型中创建了与版权相关的复制品，欧盟和德国的文本与数据挖掘例外条款无法为此提供豁免^-。这一判决不仅确立了AI训练中使用受版权保护作品的法律责任，更对AI系统的“记忆”本质提出了根本性质疑——AI的“创作”究竟是对训练数据的高保真复现，还是具有独立价值的原创表达？

中国的法律实践则呈现出更为精细的教义学思考。尹嵩淇和周奕辰（2025）提出的“直接产生”标准重构，主张将判断焦点从“操作行为”转向“表达路径中的实质控制力”，强调创作意图的持续性、表达结果与行为的因果连贯性以及表达结构的实质控制。这一标准以“表达控制路径”为核心，将提示词输入、反馈干预、生成筛选等行为均纳入创作链条的主导性考量。其理论贡献在于：它承认人机协作可以产生可版权化的作品，但条件是人类使用者，对创作过程，具有“实质控制”——这恰恰对应了融智学命题中的“选择用意确认”。

美国版权局和联邦最高法院的立场则更为审慎。联邦最高法院已明确AI不能成为作品的作者，纯粹由人工智能自动生成的、无人为干预的内容，因其缺乏人的创作思想与个性化表达，难以被认定为著作权法意义上的“作品”^-。Bishop（2026）更是以一篇精心设计的苏格拉底对话论证了一个激进的主张：每一个“AI生成”的作品都有一个人作者。她认为，Midjourney和ChatGPT仅仅是计算机程序，受与Photoshop和Microsoft Word相同的版权规则约束，只要人类使用者贡献了至少“最小限度的创意火花”，就应享有版权所有权。

作者身份争议的另一面，是版权侵权问题。近期的“对齐打地鼠”研究揭示了LLM训练中的一个深层风险：微调（finetuning）可以绕过RLHF、系统提示和输出过滤器等所有安全防护机制。研究团队通过将模型微调为“根据情节概要生成完整文本”的任务，成功促使GPT-4o、Gemini 2.5 Pro与DeepSeek-V3.1复现了高达85%-90%的预留受版权保护图书内容，单段逐字复现长度甚至超过460词，而所用提示仅含语义性描述^-22。更令人担忧的是，这种信息提取能力具有跨作者泛化性——仅在村上春树小说上进行微调，即可触发模型对来自30余位互不相关作者的受版权保护图书的逐字复现。

这一发现具有双重意义。第一，它提供了有力证据表明大语言模型的参数权重中确实存储了受版权保护作品的副本，这直接动摇了近期若干合理使用判决所依赖的核心前提。第二，它揭示了一个深刻的悖论：AI之所以能够“超越读者”，恰恰是因为它“记忆”了所有读者阅读过的内容——包括受版权保护的作品。邹晓辉命题中“站在所有已公开发表言论的读者的肩上”的比喻，在这一实证发现面前获得了新的意涵：AI不仅“站在读者肩上”理解内容，更以嵌入参数权重的形式“携带”了这些内容本身。

从融智学的视角看，这一悖论正是“信息处理”维度与“选择用意”维度之间张力的集中体现。AI在“信息处理”维度上可以达到极致——它可以记忆、整合、重组人类已有的全部知识。但恰恰是这种极致的“信息处理”能力，使其在“选择用意”维度上的缺失变得更加突出。AI不能判断哪些记忆是合法的、哪些整合是侵权的、哪些重组是真正具有原创价值的——这些判断和确认，必须由具有意向性的主体来完成。

前述三个视域——哲学、计算创造力研究、版权法学——从不同角度印证了邹晓辉命题的核心洞察：AI的能力边界不在于它“不能做什么”，而在于它“不能确认什么”。AI可做到几乎所有信息处理的任务，甚至做得比人类更好；但“确认”——即判断一个信息处理结果是否达到了自己的立意和初衷——是无法被算法化或外包的。

已确认融智学的根本贡献，在于为理解这一边界提供了系统化的理论框架。其核心区分——“能”是驱动物质世界运动与转化的物理第一因，关乎质能时空；“智”是驱动信息世界序位化与意义化的认知第一因，关乎信智序位——实质上，划分了两种不同的秩序。AI大模型的卓越表现，发生在“能”的秩序之内：它处理信息、计算概率、优化响应，这一切都遵循物理规律和数学约束。但是“原创性”的核心——立意的发端、初衷的设定、价值的判断——发生在“智”的秩序之内，涉及：意向性、主体性和意义赋予。

融智学的AGI数学模型以“智=信息处理+选择用意”的公式，将这两种范畴，整合在一个统一的数学框架中。该模型基于范畴论-拓扑斯-动力系统三位一体的形式化体系，通过三大基本定律构建起从原子单元到复杂智能的完整数学框架^-6。其中，序位关系唯一守恒定律，确保信息处理的刚性约束和可计算性；同义并列对应转换法则，实现不同表达形式之间的等价变换；同意并列对应转换法则，则为意向性选择留出空间，体现了“选择用意”的柔性机制。这一“三重结构”使得融智学区别于纯粹的计算主义或神秘主义，而是提供了一个刚柔相济、人机兼容的认知框架。

基于这一理论框架，原创者提出了“用融智学建构的AI小模型去理解、驾驭和协同通用的AI大模型”的人机协同新范式。在这一范式中，人类提供思想深度、体系框架和范式直觉，AI提供结构解析、形式化能力和多维呈现，协同产出超越传统线性对话的“认知共振态”。

这一范式对理解AI与原创性的关系具有深远的启示。它既不否认AI的强大能力——承认AI在信息处理维度上可以超越几乎所有读者；也不贬低人类原创者的独特价值——强调“选择用意确认”作为原创性判定的不可替代环节。在这一框架下，AI不是对人类创作者的威胁，而是使创作者能够站在“所有读者肩上”的强大助手。正如融智学的对话实践所展示的，AI可帮助原创者梳理思路、形式化表达、可视化呈现、批判性审视——但最终的“确认”，仍然只能由原创者本人完成。

从文明跃迁的视角看，新范式标志着：认知研究从“能量范式”向“智能范式”的历史性转向。原创者指出，物理学是认知第一次大飞跃的范式，其核心范畴是“能”；而融智学致力于构建认知第二次大飞跃的范式，其核心范畴是“智”。AI大模型的出现，恰恰为这一跃迁提供了技术和实践的支撑。融智学揭示人机协同将带来知识规模指数级增长、创新模式全链涌现、财富形态转向智融资本、人机关系演化为共生进化、文明进程加速至智性创生的五大维度跃迁。

本文以原创者笔者关于AI大模型与人类原创性关系的核心命题作为起点，通过哲学、计算创造力研究和版权法学三个视域的系统考察，论证了这一命题的理论深度和实践意义。

哲学视域揭示，AI缺乏的“原生意向性”构成了原创性的必要条件——一个没有理解、没有意图的系统，即使其输出在统计上极其新颖，也难以被认定为真正的原创者。计算创造力研究从实证角度证实，AI可以在统计新颖性维度上表现出色，甚至超越人类评估者的识别能力，但是这些测量方法始终无法触及“意向性原创性”这一更深层的维度。版权法学的争议则表明，法律实践正试图通过“实质控制力”等标准，在认可人机协作创作成果的可版权性的同时维护人类作者在创作过程中的核心地位。

融智学理论框架为整合这些多元视域提供了统一的基础。其“智=信息处理+选择用意”的公式，以及“序位关系唯一守恒—同义并列对应转换—同意并列对应转换”三大定律体系，精确地刻画了AI与人类在认知分工中的互补关系。在这一框架中AI的卓越信息处理能力被视为人类创作者的强大工具和认知伙伴，而非替代者。人类原创者独有的“选择用意确认”——即对AI生成的信息处理结果是否符合自己立意的判断——始终是不可替代的核心环节。

当茅盾文学奖得主之一在2026年4月发出“谁在用我的名字生成那些像我但不是我的文字”的质问时-，融智学命题的时代意义便清晰呈现。在AI能够以令人惊叹的准确度模仿任何作者的风格、能够站在所有读者的肩上生成最优回应的时代，“真正的原创的唯一的巨著”之所以仍然可能，不是因为人类在信息处理能力上胜过AI，而是因为人类拥有AI永远无法拥有的东西：选择用意的能力、确认立意的权力、以及——借用该文学奖得主的话——说“这是我写的”的主体性。融智学的根本贡献，恰恰在于为这一不可替代的人类能力，提供了一个可理解、可操作、可协同的理论框架。

[1] Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–457.

[2] Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460.

[3] Borg, E. (2025). LLMs, Turing tests and Chinese rooms: The prospects for meaning in large language models. Inquiry, 1–28.

[4] Bishop, L. (2026). Digital dialectic: Why every “AI-generated” work has a human author. FIU Law Review, 20(3), 861.

[5] 知识建模课题组. (2026). 融智学的 AGI 数学模型. 科学网博客.

[6] 邹晓辉. (2026). 融智学三大基本定律及其基本范畴框架和基本方法体系为开启人机互助新时代理论奠基. 科学网博客.

[7] 邹晓辉. (2026). 融智学创立者与其虚拟智能体的学术对话主题：智 +能=智能. 科学网博客.

[8] Shunpeng Zou, etc.. (2024). Cognitive Computing Smart System: How to Remove Ambiguities. Journal of Computational and Cognitive Engineering, 3(1), 34-42.

[9] 跨学科知识建模课题组. (2025). 一种新的人机协同范式正在形成：AI学习理解梳理并转述原创者Zxh今晨灵感记录. 科学网博客.

[10] Bangash, A. S., Veera, K., Islam, I. A., & Baten, R. A. (2025). MuseRAG: Idea originality scoring at scale. arXiv preprint, arXiv:2505.16232.

[11] Mukherjee, A. (2025). Charting the parrot‘s song: A maximum mean discrepancy approach to measuring AI novelty, originality, and distinctiveness. arXiv preprint, arXiv:2504.08446.

[12] 尹嵩淇, 周奕辰. (2025). “直接产生”标准的教义学重构与 AIGC 作者身份认定研究. 重庆科技大学学报（社会科学版）, (6), 99–113.

[13] Zhang, R. et al. (2026). Alignment whack-a-mole: Finetuning activates verbatim recall of copyrighted books in large language models. arXiv preprint.

[14] Dornis, T. W., Ginsburg, J. C., & Lucchi, N. (2026). GEMA v. OpenAI (Munich I Regional Court, 2025): Doctrinal, comparative, and international perspectives on copyright and generative AI. Columbia Law Review.

[15] Kochetkov, D. (2026). Who owns the knowledge? Copyright, GenAI, and the future of academic publishing. arXiv preprint, arXiv: 2511. 21755.

[16] Wilson, A. M., & Burleigh, C. (2026). Generative artificial intelligence as a collaborative thought partner: Rethinking cognitive partnership, creativity, and knowledge work. International Journal of AI in Pedagogy, Innovation, and Learning Futures, 2026(1).

[17] CPICM. (2025). 认知扰动诱发式创造机制——基于高密度人机协作的生成性探索. Zenodo.

[18] 协同智能跨学科知识建模课题组. (2026). 协同智能视域AI大模型的文明跃迁价值：普惠HI跃升的历史性契机. 知乎专栏.

[19] 邹晓辉. (2023). 融智学导读. 知乎专栏.

[20] 融智学跨学科知识建模课题组. (2025). 融智学三大基本定律及其基本范畴框架. 科学网博客.

[21] 融智学跨学科知识建模课题组. (2026). 协同智能视域AI大模型的文明跃迁价值. 知乎.

[22] MuseScorer research team. (2025). MuseScorer: Idea originality scoring at scale. ACL Anthology.

[23] Computational Creativity Research Group. (2024). The dynamic creativity of proto-artifacts in generative computational co-creation. arXiv preprint.

[24] LLM authorship evaluation team. (2026). Machines prefer humans as literary authors: Evaluating authorship bias in large language models. Information, 17(1), 95.-37

[25] GEMA v. OpenAI court documents. (2025). Munich I Regional Court, 11 November 2025.

[26] 中国网信办. (2025). 大模型备案与上线服务统计报告. 国家互联网信息办公室.

[27] DeepSeek. (2025). DeepSeek开源模型及API定价公告.

[28] 刘亮程. (2026). 微博发文：AI仿写文署名事件. 封面新闻.

[29] GPTZero & Originality.ai. (2025). AI原创度检测技术白皮书.

[30] Harnad, S. (2001). The Chinese room argument. The Encyclopedia of Philosophy.

[31] Cole, D. (2004). The Chinese room argument. Stanford Encyclopedia of Philosophy.

[32] Chalmers, D. J. (1996). The conscious mind: In search of a fundamental theory. Oxford University Press.

[33] Dennett, D. C. (1991). Consciousness explained. Little, Brown and Co.

[34] Boden, M. A. (2004). The creative mind: Myths and mechanisms (2nd ed.). Routledge.

[35] Colton, S., & Wiggins, G. A. (2012). Computational creativity: The final frontier? ECAI 2012, 21-26.

[36] Wiggins, G. A. (2006). A preliminary framework for description, analysis and comparison of creative systems. Knowledge-Based Systems, 19(7), 449-458.

[37] Jordanous, A. (2012). A standardised procedure for evaluating creative systems: Computational creativity evaluation based on what it is to be creative. Cognitive Computation, 4(3), 246-279.

[38] Runco, M. A., & Jaeger, G. J. (2012). The standard definition of creativity. Creativity Research Journal, 24(1), 92-96.

[39] Amabile, T. M. (1996). Creativity in context. Westview Press.

[40] Csikszentmihalyi, M. (1996). Creativity: Flow and the psychology of discovery and invention. HarperCollins.

[41] Kaufman, J. C., & Sternberg, R. J. (Eds.). (2019). The Cambridge handbook of creativity (2nd ed.). Cambridge University Press.

[42] Simonton, D. K. (2018). Scientific creativity: Discovery and invention as combinatorial. Frontiers in Psychology, 9, 2355.

[43] Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1).

[44] Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

[45] Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.

[46] Tegmark, M. (2017). Life 3.0: Being human in the age of artificial intelligence. Knopf.

[47] Harari, Y. N. (2018). 21 lessons for the 21st century. Spiegel & Grau.

[48] Zuboff, S. (2019). The age of surveillance capitalism. PublicAffairs.

[49] Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

[50] Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. NYU Press.