62 名学生、1,923 个点子、四分钟：和 GPT-4 一起想，真的和两个人一样好吗？

桌上有一只叉子。你和另一个人只有四分钟，任务是尽可能想出它不寻常的用途。

有人说，把叉子插进花盆，标记刚播下的种子。另一个人沿着这句话走：把不同弯曲程度的叉齿做成一个简陋的土壤湿度提示。第一句话未必惊人，却改变了第二句话能从哪里出发。四分钟里，创意不是两台脑子各自吐出的清单，而是一串不断改写彼此可能性的接力。

现在，把桌子另一边的人换成 GPT-4。

过去几年，关于 AI 创造力最常见的实验像一场笔试：让人和模型分别完成同一道“替代用途测试”，收卷，匿名打分，然后宣布谁的平均原创性更高。这样的比较清楚、便于统计，也回应了公众最直接的好奇。但它漏掉了工作中更常见的情景——人不是和 AI 分坐两个考场，而是在同一份文档、同一段对话里反复接手对方的半成品。

2026 年 7 月，一组研究者发布了一个双人版替代用途测试平台。他们让 62 名学生分别与真人、GPT-4 或一组预先准备的想法合作，在相同时间和界面下完成任务。试验规模很小，论文结果应被看成探索性证据；可它提出了一个比“谁赢”更成熟的问题：

如果创意是互动过程，我们该怎样把互动本身做成可测量、可重复、可拆分的实验对象？

三种伙伴，三个可以分别拨动的旋钮

经典的 Alternate Uses Test 要求人们为普通物体想出尽量多、尽量不寻常的用途。门挡是砖头的普通答案，“被动储热块”则可能更原创。研究者常把它当作发散思维的一种测量，不等于完整创造力，却有明确任务和成熟评分传统。

新平台把单人作答改成一个双人聊天室。62 名伊利诺伊大学厄巴纳—香槟分校学生，每人以随机顺序完成三种四分钟任务：一次和真人，一次和 GPT-4，一次不与任何伙伴对话，只阅读一组预先评定的想法。目标物体在书、叉子和铁罐之间轮换。

第三种条件很重要。若只比较真人伙伴与 AI 伙伴，结果里会混着至少两件事：有人和你实时互动的作用，以及你只是看到了另一批想法的作用。研究者把“只看种子”单独列出，并进一步提供高原创真人想法、低原创真人想法和 GPT-4 独立生成想法，试图把内容质量与互动结构拆开。

为了让 AI 不靠篇幅占便宜，GPT-4 被限制每轮只给一个点子、只写一句话、不加套话，并严格轮流。真人也使用同一聊天界面，但真人对话无法做到完全相同的时延和节奏。参与者知道对面是人还是 AI；研究者承认，身份感知和交互方式因此仍然纠缠。

任务后，每位参与者从聊天启发中挑出五个最好想法。整个数据集得到约 1,923 个不同想法，由 226 名众包评分者按五级原创性打分，中位每个想法得到六次评价。统计模型还控制了评分者宽严不同、参与者和题目差异。

这套设计的贡献首先是一张较干净的实验桌。它不完美，但把“伙伴是谁”“是否互动”“先看到什么”从一个问题里拉成了三根可以分别拨动的旋钮。

β=-0.11，p=.42：平均分没能把人和 GPT-4 分开

在匹配的四分钟条件下，人—GPT-4 与人—人合作产生的想法，原创性平均差异不显著。模型估计的差异为 β=-0.11，95% 置信区间跨过零，p=.42；研究者同时做等效性和贝叶斯分析，报告了支持两种条件近似相当的证据。

这句话很容易被写成“AI 创造力已和人类一样”。那是论文没有做出的结论。

实验比较的不是一个完整的人与一个完整的模型，也不是小说、产品、科学发现或创业决策。它比较的是英语学生在四分钟聊天、特定提示、特定 GPT-4 配置、三个日常物体和众包原创性评分下的合作产出。结果只说明，在这张狭窄而受控的桌面上，没有观察到两类伙伴的平均原创性差距。

更有意思的是，平均数下面的人并不一样。

研究者测量了参与者的趋近动机、行为抑制倾向和一项社会情绪敏感性指标。探索性分析显示，高趋近动机的人在 GPT 条件中比只看种子条件获益更多；低趋近动机的人在人—人互动中反而可能表现较差。参与者若自报在合作中更倾向“把思考外包给伙伴”，其人—人条件原创性较低，而在 GPT 条件中方向不同但证据更弱。

这些发现样本小、比较多，论文自己把它们定位为需要更大研究确认的线索。它们不适合变成“哪种性格应该用 AI”的测验，更不能拿一个心理量表替员工分配工具。

但它们让一个常被忽略的事实浮出来：同一套 AI 设计，可能不是给每个人加上相同的百分点。伙伴是否有用，取决于使用者是否继续投入、怎样轮流、是否把对方当作自动售货机，也取决于任务是否给人留下反驳和接续的空间。

开场先看过什么，会一直留在后面几轮里

研究里最适合日常工作的发现，也最需要克制。

部分参与者先完成“只看种子”条件，再进入真人或 GPT 合作。那些先看到高原创真人想法的人，后续两种互动中的原创性都更高。统计上，先前内容似乎为之后的联想空间“播种”；伙伴换成人或 AI，这个方向仍在。

论文强调，因为种子子组分配不均，这项结果属于探索性发现，团队正在更大样本中复制。它不是“先读十个神点子，团队创造力必然提高”的处方。

可它提供了一种比“买更强模型”更便宜的设计想象：创意工具的效果也许不只取决于模型此刻回答什么，还取决于开场让人看过怎样的范例。一个系统若总先给最常见、最平滑的答案，可能把对话吸进平均值；若精心选择异质而高质量的种子，可能扩大后续搜索空间。

这里也藏着另一面。2024 年 Science Advances 的一项研究发现，生成式 AI 可以提高个人故事的创意评价，却可能降低集体作品的多样性。好点子既能启发，也能形成引力井：很多人沿同一条漂亮路径走，个人分数上升，整个群体却更相似。

因此，“种子”不是越强越好。团队还要问：它打开了多少方向？是否让弱势声音更难偏离？是否在不知不觉中把模型的训练偏好变成所有人的共同起点？

一次只准说一个点子，可能比模型多大更管用

GPT-4 在实验中不能连发长篇，只能一次贡献一个点子。这个看似琐碎的设置，可能比“模型有多聪明”更接近真实产品设计。

现实中的聊天模型往往一开口就给十个方案、三套框架和一张行动清单。用户看起来收获丰富，实际上很容易从合作者退成评审员：挑一个顺眼答案，稍作修改，过程结束。信息密度增加了，人的搜索动作却减少了。

一次只说一个点子，会迫使人接手。它也让模型看到人的回应，再决定下一步。对话不再是按下按钮后等待成品，而是轮流承诺一小步。研究者为了控制实验而设的约束，意外指向了一种更尊重人的界面哲学。

不过，这仍只是推论。论文没有随机比较“一次一句”与“一次十条”，也没有证明强制轮流提高长期创造力。恰恰相反，AI 与真人条件的指令并不完全相同，是研究局限之一。未来实验需要把伙伴身份、回复长度、时延、轮流权和是否可打断分别操纵。

当这些变量被拆开，我们才可能知道：让人获益的是 AI 的知识、它的陌生联想，还是一种不会尴尬、必须轮到你说话的节奏。

企业该测的不是创意分数，是谁先发言、谁接手

今天许多组织评估生成式 AI，仍喜欢做一场静态比赛：同一个 brief，人工组交方案，AI 组交方案，领导打分。胜负容易汇报，却很难指导工作流。

真正的团队问题更细：谁先发言？模型能否看到未定稿？一次给多少候选？人必须说明拒绝理由吗？上一轮好点子是否会锁死下一轮？什么时候需要退出对话独立思考？不同经验和动机的人是否以不同方式受益？

双人版试验台没有回答这些问题，却让它们第一次被组织成实验。对于企业，最有价值的也许不是论文里“统计相当”的那一行，而是它示范了如何测试一套共创机制：固定任务和时间，记录逐轮互动，保留个人基线，区分内容暴露与实时对话，再看平均值下面谁获益、谁退出。

这比问员工“你觉得 AI 好不好用”更费事，也更诚实。

创意工作还必须同时评估原创性以外的东西。一个想法可以罕见却无用，可以漂亮却不可实施，可以在四分钟里令人惊喜，却让团队半年后失去知识积累。若组织只优化即时新奇度，AI 最擅长的语言表面可能遮住责任、专业判断和后续执行。

创意不长在一个脑袋里，它长在接力的缝隙里

我们喜欢把创意归给一个名字。专利有发明人，文章有作者，发布会有站在舞台中央的人。归属对责任和奖励必不可少，却容易让我们忘记：许多想法并不是某个脑袋独立产出的物件，而是在阅读、争论、误解和接续中逐渐成形。

AI 让这个旧事实变得更明显，也更麻烦。模型汇集了无数人的语言痕迹，用户又在对话中选择、拒绝和重组。若只比较最终文本，我们会把一段过程压缩成“人写的”或“AI 写的”两个标签。

双人叉子实验的价值，是把镜头从成品移回四分钟。谁先说，谁接手，谁停止努力，谁把一个普通念头推远半步——这些看似不够宏大的动作，才组成合作。

62 名学生不能告诉我们未来办公室会怎样。一个小实验也无法为“AI 是工具还是伙伴”作哲学裁决。但它提醒我们，伙伴不是模型属性栏里的一个词。伙伴关系由轮流、回应、投入和共同风险构成，需要在互动中被证明。

所以下一次有人问“AI 和人谁更有创意”，不妨先把问题放回桌上。

桌上还有那只叉子。真正值得测的，不只是最后有多少个新用途，而是第一句话之后，谁还愿意认真说第二句。

参考资料清单

• 《arXiv 预印本》，2026 — https://arxiv.org/abs/2607.07522
• 《完整 PDF》，2026 — https://arxiv.org/pdf/2607.07522
• 《Science Advances 研究》，2024 — https://www.science.org/doi/10.1126/sciadv.adn5290