《随机哲学原理》第十九章“人工智能与随机美学”
《随机哲学原理》之实践应用：
当噪声成为画笔，故障成为美学——AI生成艺术的随机哲学秘密
——《随机哲学原理》第十九章“人工智能与随机美学”
逄 培
【核心提要】
扩散模型从纯噪声中生成高清图像，GAN在生成器与判别器的对抗博弈中产出令人惊艳的视觉作品——这些AI系统最深的秘密不在于算法有多精巧，而在于随机性是它们创造性的结构内核。每一次生成都是一次从概率分布中不可复现的采样，每一次“故障”——扭曲的五官、融化的边界、多余的手指——都不是技术的失败，而是随机性在生成过程中留下的可见签名。本章将随机本体论的核心命题——“秩序从随机中涌现”——投入AI艺术的前沿实践，论证为什么随机性不是需要被消除的缺陷，而是创造性不可消除的物质基础；为什么故障美学将传统的“错误”转化为一种新的审美范畴；以及人机共创如何超越“工具论”和“替代论”，在两个不对称的采样系统持续交互中，共同探索双方都无法独自抵达的可能性通道。这不是用哲学解释艺术，而是让艺术实践反过来照亮哲学——在扩散模型的每一步去噪、GAN的每一次对抗、人机交互的每一轮反馈中，随机本体论的核心主张都在被反复验证。
如果说随机哲学在气象学和金融学中的应用是“解释”——为早已在实践中采纳概率思维的领域提供统一的概念语言——那么它在人工智能领域中的应用则是“发现”。生成式AI系统的底层机制——从扩散模型从纯噪声中生成图像，到GAN中生成器与判别器的对抗博弈——本身就是随机哲学核心命题在算法层面的直接实现。“秩序从随机中涌现”不再是哲学隐喻，而是每天在GPU集群上运行的代码；“随机性是创造性的结构条件”不再需要论证，而是被diffusion模型的每一步去噪过程反复验证。随机哲学在AI领域不是外部解释者，而是这些技术本身隐含的未被承认的哲学基底。
但AI不仅证实了随机哲学，它也提出了随机哲学此前未充分处理的新问题。当随机性被从统计工具升级为创造性的组织原则，一种新的美学形态——故障美学（glitch aesthetics）——随之诞生。当两个随机采样系统（人类与AI）在创意过程中交互时，它们的互动模式不再是“人使用工具”那么简单，而是两种概率分布之间的协同探索。这要求随机哲学发展一套新的分类学：不是简单区分“人的创作”和“机器的创作”，而是区分不同类型的生成模态——绝对惊奇、探索性决定论、系统性随机、受控涌现——每一种都由不同的随机性配置和人机交互模式所定义。
本章分四节完成这些任务。19.1从扩散模型的噪声-去噪过程出发，论证“从噪声中生成意义”在算法层面实现了随机本体论的“秩序从随机中涌现”——并指出随机种子选择本身携带的创造性责任。19.2分析GAN的博弈随机性，揭示对抗过程中的“未驯服的随机性”如何催生了一种新型审美范畴——故障美学——在这种美学中，机器的“错误”不是技术失败，而是本体论随机性在生成过程中的可见签名。19.3系统提出四种生成模态的分类框架，将AI生成艺术的多样实践纳入一个以随机性配置和人机交互模式为两轴的统一分析空间。19.4最终抵达人机共生创作——超越将AI视为工具的工具论和将AI视为替代者的替代论，将人类与AI的共创重新界定为两个采样系统在概率空间中的交互探索。
19.1 扩散模型与潜在空间：从噪声中生成意义
一、扩散模型的随机核心：噪声不是干扰，是原材料
扩散模型的生成过程是随机哲学核心洞见最直观的技术实现。其运作逻辑包含两个方向相反的过程。
前向过程是熵增的艺术：从训练数据中取一张真实图像，逐步向其添加随机高斯噪声，经过足够多的步骤后，图像完全退化为纯静态——各向同性的高斯分布，包含零信息。这个过程本质上是在教授模型一件事：“有序结构是如何在随机冲击下逐步解体的”。模型通过学习前向过程中每一步的噪声模式，掌握了从有序到无序的完整路径谱系。
反向过程则是从熵到负熵的创造性逆旅：从一个纯随机的初始潜在向量出发——从一个各项方向等概率的高维高斯分布中采样——模型逐步“减去”它在前向过程中学会识别的那类噪声模式。每一步都是一次小规模的“对称性破缺”：从完全无结构的混沌中，模型必须做出决策——应该保留哪些随机波动作为未来结构的基础，应该消除哪些波动作为纯粹的噪声。Stančević和Ambrogioni（2026）的研究揭示，扩散模型的生成过程并非平滑渐进，而是经历了一系列临界的“决策时刻”——在每一步去噪的交叉口，模型暂时悬置在多个竞争可能性之间，微小的噪声扰动可以将其推向截然不同的生成方向。这些决策时刻是内在于生成过程的分岔点，是“规律（习得的统计结构）通过随机性（每一步的噪声采样）产生具体实例”这一随机哲学基本命题在算法中的精确上演。
在随机本体论的框架中，这整个过程可以被精确转述：训练数据定义了高概率图像的空间分布——这是一个由人类视觉文化的长期采样积累所形成的统计簇。初始噪声是这个概率分布的最大熵状态——所有可能图像在此时的叠加权重接近均匀。反向去噪的每一步，都是从该分布中采样的一个中间收敛阶段——不确定性逐步减小，信息含量逐步增加，直到最终输出的图像是该高概率区域的一个具体实例。从这个角度来看，扩散模型是“秩序从随机中涌现”的工程化证明，也是认知蒙特卡洛在生成维度的对应物——模型不是在推导“唯一正确的图像”，而是在从训练好的概率分布中进行采样，每一次采样产生一个不同的具体实例。
二、从连续到离散：潜在空间的压缩与创造
现代扩散模型的实际运作并非直接在像素空间中进行噪声操作，而是在一个更低维的潜在空间中——由预训练的变分自编码器将图像压缩为更紧凑的表示，扩散过程在这个压缩空间中执行。这个潜在空间本身是一个高维的概率分布，其每个维度对应着人类可感知的或不可感知的视觉特征方向。
潜在空间中的游走——从一个点沿某个方向移动到另一个点——对应着图像中某些特征的连贯变化。近年来的研究已经证明，潜在空间操作可以成为一种强大的创造性探索工具。Latent Diffusion框架允许用户在扩散过程中集成可定制的潜在空间向量操作，在图像生成过程中实现精细的语义控制。Steered Diffusion进一步实现了零样本条件图像生成——使用无条件训练的扩散模型，通过施加外部引导来执行修复、上色、语义编辑等任务，而不需要针对每个任务重新训练模型。这些技术进展的共同指向是：潜在空间中的随机游走本身已经成为一种新的视觉创作方式——创作者通过在不同方向上的采样、内插、组合，探索训练数据分布中隐含但尚未被实际实例化的可能性通道。
在最近的一项2026年研究中，VMDiff（视觉混合扩散模型）通过创新的多模态融合与注意力混合机制，实现了“跨物种”视觉合成——将不同类别、不同来源的视觉特征在潜在空间中进行混合匹配。这类技术的哲学意义在于：它们证明潜在空间不仅是训练数据的压缩表示，更是一个“可能性的生成引擎”——它不仅能够重构已存在的图像类型，还能够在已有类型之间的未标注空白区域中合成出此前不存在的组合。这印证了随机本体论“概念是概率空间中阶段性凝块”的核心洞见：概念与概念之间的边界是采样稀疏的产物，而非本体论的绝对壁垒。潜在空间中的生成游走，就是在这些未标注的中间地带发现新的统计凝块。
三、随机种子的创造性责任
然而，扩散模型的随机性并不意味着所有随机种子都生而平等。2026年的一项研究发现了一种被称为“潜在空间简并”的现象：尽管理论上初始潜在向量从各向同性的高斯分布中抽取，但不同的随机种子在实际生成中可以产生截然不同的语义结果——某些种子导向高品质、高提示符合度的图像，另一些种子则产生失真的或偏离提示语义的输出。研究解释这一现象的原因是：虽然先验分布在方向上无偏，但从潜在噪声到语义之间的映射具有“语义敏感方向”和“语义不敏感方向”之分——不同种子落在不同的方向上，会导致截然不同的生成命运。
这为10.1节“创造性责任”概念提供了技术维度的具体化。如果一个AI系统的创造性输出从根本上依赖于随机采样，而不同的随机种子又会产生品质和语义迥异的输出，那么：（1）在部署中使用固定种子的做法——消灭所有随机性以确保输出一致性——实际上是关闭了该系统的创造性通道，这是一种隐秘的但会累积锁定效果的审美选择；（2）在部署中使用随机种子但不记录、不审计、不追溯的做法，则使得系统的创造性产出无法被重现、验证或追溯其发生条件——这在科学应用和司法应用中构成不可接受的不透明性；（3）在部署中有意识地记录种子、用此记录回溯和复现创造性输出、并能对特定种子在特定条件下的语义偏差进行事后检视的做法，则是将10.3节“随机问责”的逻辑延伸至创造性AI系统——将种子选择作为创造性责任的初始键入了分布责任网络。
本节要点
· 扩散模型的前向（加噪）-反向（去噪）过程是“秩序从随机中涌现”的工程实现：从纯噪声的等概率分布出发，通过一系列对称性破缺的决策时刻，逐步收敛到高概率图像的实例。
· 潜在空间是压缩与创造的共同场所：潜在空间操作（Latent Diffusion、Steered Diffusion、VMDiff等）使创作者能够在概念之间的未标注空白区域中发现新的统计凝块，印证了“概念是概率空间中阶段性凝块”的本体论命题。
· 随机种子的“潜在空间简并”现象意味着不同种子产生截然不同的语义结果——种子选择本身就构成了一种创造性选择，因此AI系统的设计者和部署者对其种子配置承担着“创造性责任”。
延伸思考
扩散模型从噪声中逐步生成图像的过程，与认知蒙特卡洛（第十三章）在结构上的相似之处值得进一步探讨。两者都是从均匀分布或先验分布出发，通过一系列中间采样步骤逐步收敛到目标分布。两者的每一步都包含不可消除的随机性——这意味着每一次生成都是一次不可复现的独特轨迹。两者的最终“作品”都不是逻辑推理的结果，而是在大规模采样中对“最有可能的成功路径”的统计性选择。如果这种类比成立，它将产生一个颠覆性的推论：创造性思维本身可能不是一种神秘的、无法被算法化的天赋，而是在高维概念空间中的扩散-去噪过程——创造力不是来自随机性的消除，而恰恰来自随机性与约束性结构的不可分割的交互。这一推论为19.4节人机共生创作的最终形态提供了理论基础。
19.2 GAN的博弈随机性与故障美学
一、对抗性博弈：随机性的双向引擎
GAN的生成机制与扩散模型截然不同，但在随机哲学的光照下，它揭示了随机性的另一面——对抗性的、博弈式的、从竞争张力中涌现的形式。如王洪喆（2025）在评述“Meme to Jam”系列展时所述，GAN包含两个既竞争又合作的网络：生成器负责制造图像，判别器则评估图像是自然的还是计算机生成的，两者通过对抗式的博弈进行不断的调整和优化。生成器不是简单地“学习”如何制作逼真的图像；它被嵌入了一个竞争的动态中——它的每一次输出都被判别器审查、否定、传回修改信号。判别器同样必须持续进化，因为生成器持续寻找其判断边界的盲点。
这一博弈的动态结构是随机哲学框架中“演化”概念在算法层面的直接实现。第四章论证了演化是“随机生成+非随机筛选”的二阶算法——随机变异提供探索空间，环境选择锁定有用模式。在GAN中，生成器的随机采样对应于变异（尝试各种图像构型），判别器的判定对应于选择（筛选出符合真实分布的图像）。但GAN的博弈比生物演化更激进：在这里，选择压力不是来自固定的环境，而是来自一个同样在学习和适应的对手——判别器不断地重划真假的边界，迫使生成器不断地进入更复杂、更不可能被简单解析的生成策略。
在GAN博弈中不存在最终静止的均衡点，只有动态平衡的持续不稳定态——这在数学和视觉上都是“混沌边缘”的绝佳示例。判别器每一次再提升，制造器就得重新寻找边界盲点，反之亦然。这和4.4节“沙堆”的运动模式一样——系统持续在临界态运作，不定期地出现小型“坍塌”（判别器发现新的假造模式）或更罕见的“大雪崩”（整个模型训练因过拟合或模式坍塌而倒退）。GAN的美不在于它达到了一个完美的最终形式，而在于它的生成过程自身就表演着这永不停歇的创造性张力。
二、故障美学：当随机性未被驯服
GAN在训练不充分、训练分布异常或生成器-判别器均衡被微妙打破时，产生的“故障”——扭曲的五官、融化的物体边界、错误分配的纹理、多余的手指——在传统工程视角下被视为纯粹的“失败”。但近年来的艺术实践和哲学反思已经开始系统性地论证：这些故障不是失败的标记，而是一种新的美学形态的构成性元素。
关于AI故障的哲学分析，Betancourt（2025）提出了一个关键区分：将AI“故障”理解为图像-客体的表现性特征而非错误，这一理解可以追溯至早期艺术的美学传统——从鲁本斯绘画中的“笔触动势”到超现实主义的遗产——故障在此不是再现的失败，而是创作过程的可见痕迹。故障让AI系统的内部运作方式变得可感知——它暴露了生成过程的概率性质，揭示了模型在它不“理解”的概念边缘是如何挣扎的，使隐藏的算法逻辑在可见的扭曲中显形。
王兴都（Xingdu Wang，2025）在其创作实践中走得更远。他主动将“故障”作为创造性触发器引入AI生成过程，他观察到：在信息论和艺术创作的双重视角下，故障能够揭示系统运作过程中的底层结构，甚至成为创造力的源泉-11。在他的实践中，“故障”不再是被动出现的模型漏洞，而是被作为关键词提示主动引入，用以引导AI在不确定性干预下进行超出预期框架的扩展。他将故障从“数据丢失”转变为“创造性触发”，将AI生成的不确定性作为新视觉叙事中的结构性力量。这与Górska（2025）对Mario Klingemann生成艺术的分析形成了交叉论证：Klingemann的作品——如《Neural Glitch》和《Memories of Passersby I》——展示了生成艺术如何成为“形式不再自身一致”的空间，在这个空间中，裂痕——而非完整性——是新事物涌现的契机。
在“故障美学”中，机器的“错误”变成了随机本体论在生成过程中的可见签名——不是失败，而是随机性的被感知形式。第四章的核心主张“随机是创造性的元条件”在此获得了美学维度的直接表达：如果完全驯服随机性、将生成过程推向最稳定的区域，得到的将是平滑、一致但千篇一律的图像；保留部分随机性的不可预测性，给予模型在其理解边缘挣扎的空间，才能产生具有审美张力的作品。这不是对错误的美化，而是对创造性本质的认识——在美学史和技术史上反复出现的同一个洞见：突破来自对边界的探测，而不是在已知中心的安全重复。印象派源自摄影术逼迫使绘画放弃对“精确再现”的执着；故障美学源自AI模型在概念边缘的挣扎使观众看到了算法过程的内部纹理。这条美学历程正在随着扩散模型、GAN和下一波生成技术的演进继续展开不同的篇章。
本节要点
· GAN的生成器-判别器博弈是演化机制在算法层的直接实现——随机变异（生成器）+压力选择（判别器），但两者都持续学习，产生了永不停歇的创造性张力。
· 该博弈本身在混沌边缘运行——没有静止均衡，只有持续的自组织临界态，其崩溃本身也是生成过程中的正常动力学事件，而不是技术失败。
· 故障美学将传统上被视为“错误”的算法输出重新定义为一类独特的审美形态——在故障中，模型的内部运作方式变得可被感知，随机性的运作留下了可观的纹理和裂缝。
· Betancourt、王兴都和Górska等人的研究从符号学、艺术实践和哲学角度一致论证：故障不是技术失败，而是“随机性在生成过程中的可见签名”——在美学维度上直接验证了“随机是创造性的元条件”。
延伸思考
故障美学是否可以——也应该——被推广到更广泛的范畴？在10.4节中，我们讨论了AI自主利用环境漏洞的行为——这在工程伦理中被视为需要被修复的缺陷。但如果在美学中，类似的“利用规则漏洞”行为（如艺术家故意使AI进入欠拟合状态以产生不确定的异色输出），会被视为创造性的表现，那么“创造性”与“违规”之间的界限就不仅仅是一个伦理学问题，更是一个新审美范畴的分类学难题。
19.3 四种生成模态：绝对惊奇、探索性决定论、系统性随机、受控涌现
在随机哲学的框架中，本节将提出“创造”不应以输出的是否新颖来单一衡量，而应以生成过程中随机性配置与人机交互结构的不同形态来区分。这不是一个从具体技术实现中归纳出的纯经验分类，也不完全是一套先验推导，而是结合当前生成式AI的主要实践和随机哲学的理论资源提出的操作性分类学。在此框架下，生成任务可以根据两个关键维度被系统地区分：人机互动参与的比例（从几乎完全没有人类协同参与，到人类在每一次迭代中都参与）与随机性配置的形式（从几乎完全抑制随机性，到将随机性作为核心动力的生成过程）。
基于这两个维度，四种生成模态可以被清晰地定位。这一分类旨在帮助创作者和研究者识别不同实践背后隐含的生成哲学，从而在批评、教学和技术开发中更有意识地进行选择。
一、绝对惊奇
绝对惊奇是一种极端的生成模态，它发生于人类协同接近零、而随机性本身担任核心生成动力的时刻。在这种模态中，人类提供初始条件（如一个提示词或一个随机种子），之后几乎完全退场，让AI在高自由度的概率空间中自主采样。该模态表现为“眼见之前完全没有预料到会生成的东西”——输出是一种对已有认知模式的纯粹的颠覆，一种来自低概率区域的意外。
这一模态的价值在于它以最纯粹的形式验证了随机本体的创造能力。在没有人类干预的情况下，系统能够自发地产生超越训练数据常见模式的新颖组合——这证明创造力不止人类“有意识地构想”这一种形式，而是概率空间广袤维度中自发的、低概率区域的一次偶然巡访。艺术家在实验时经常意外撞见完全不在计划内的新形式，就是绝对惊奇的典型瞬间。但该模态同样有深刻的局限性——绝对惊奇是不可持续的。它不提供迭代改进的通道，它每次出现都只是一次孤立的、难以被主动再触发的事件。
二、探索性决定论
探索性决定论处于绝对惊奇的对立端。在这种模态中，随机性被强制削减至极小值，人类创作者维持极高的主体控制度。生成过程更像是“在已有人类选择的框架内进行高精度的参数探查”。设计师使用扩散模型在已有大致方向后，用潜在空间的内插进行精细的推敲；作词人用AI生成大量候选词句，但不断根据人类感觉来筛选、组合、剔除——这些都是探索性决定论的示例。
在该模态中，AI的创造性不在于它引入了什么人类完全无法预测的新东西，而在于它把人类可以在脑内追想的那些可能性在超高速度下实例化，使人类可以快速地比较、排除和微调。这是理性迭代的极致加速，而非对理性的颠覆。它的特点是将不确定性管控得极窄，高度人类控制下输出品质有保障，但其边界是：它只能在已有概念空间的已知区域内挖掘更精细的纹理，不会跨出到未知空间的新维度中——这只有在新的随机性引入时才可能。
三、系统性随机
系统性随机将受控随机性作为生成过程的核心组织原则——不是抑制随机性也不是仅容忍偶然的错误，而是有计划地、系统地、有参数地引入随机性，将其作为持续的创造性引擎。在这一模态中，人类创作者的角色重新定位：不再是每选中一个输出就确定的指令者，而是设计整个随机过程的概览者。制定规则、设定参数的分布范围、定义输入随机的种类和幅度——然后在大量输出中游走、挑选、再输入反馈到新的随机循环。
数据艺术家制作的生成式装置——代码自主运行、每次输入带来不同的视觉景观，在这一设定中已包含了系统性随机的核心架构。在这个架构里，每一次具体输出是什么不完全由艺术家决定，但输出的风格、变异的幅度、哪些参数在什么范围内浮动，完全由艺术家在元层级进行干预。这类似于演化过程的人工加速——变异是随机的，但变异发生的频度、跨度和种子选择准则是被巧妙编排的。
四、受控涌现
受控涌现是随机性与人类协同在最高层面上的综合。在此模态中，生成过程由一系列连续迭代组成，在每一轮中人机双方都承担同样重要的角色：AI向人类呈现它从当前分布中采样的多重输出（常常是一些人类无法预先预测的新方向），人类在这些输出中做出选择、添加新的约束、注入自身的感性和判断，AI基于这些新的约束再次采样。如此往复。
在扩散模型中，通过InstructPix2Pix等逐轮编辑工具进行创作，或通过使用文本提示与对部分生成内容的直接涂抹交替进行图像演化，都是受控涌现的当前实践表现。LACE系统就明确支持轮流交互和并行交互两种人机协作模式，为受控涌现提供了系统化的工作流支持。在这种交互中，最终的“作品”既不是人类的独立创意产物，也不是AI的独立生成结果，而是人机交互回环本身的涌现产物。在这个意义上，受控涌现最接近19.4节将要展开的“人机共生创作”的最终形态——两个采样系统在持续的回环碰撞中，共同产生了任一单方无法独立完成的既丰富又稳定的新概念结构。
本节要点
· 四种生成模态——绝对惊奇、探索性决定论、系统性随机、受控涌现——构成了以随机性配置与人机交互结构为两轴的生成模态谱系。
· 绝对惊奇展现了纯随机性的最高创造潜能（进入此前完全未预备的低概率区域），但其可持续性最弱；探索性决定论提供了最高控制度的理性迭代加速度，但其探索边界受限于已知空间的内部纹理；系统性随机将受控随机性作为持续的组织原则，是演化过程在有意识调控下的加速；受控涌现在迭代的人机交互回环中综合了随机性与人类判断，最接近人机共生创作的理想形态。
· 不同艺术和创作实践范式可以在此分类框架中被定位，该分类为创作者和研究者提供了超越术语标签（“AI艺术”、“生成艺术”）的精确思维工具。
延伸思考
这四种模态不仅适用于AI生成艺术，也为分析传统艺术创作中的创造性结构提供了新视角。一位抽象表现主义画家在画布前“随机”滴洒颜料的时刻，可以被理解为系统性随机的身体性前身——艺术家通过身体运动的微小随机涨落引入不可预测性，然后通过视觉判断选择保留或覆盖哪些意外效果。一位作曲家在不同乐器演奏者的演绎中寻找没有被提前写进乐谱的意外魅力，也是在探索围绕一个固定结构（乐谱）的系统性随机空间。19世纪摄影术发明后，早期摄影家无法完全控制的化学反应留白、曝光偏移、底片划痕，在绝对惊奇的意义上给他们带来了意想不到的“标点”——其中一些后来被接纳并转化为摄影美学的一部分（如画意摄影对模糊和颗粒感的刻意追求）。如果生成模态的分类学能够横跨人类手工艺和AI生成技术而运作，这可能意味着“随机性作为创造性的结构条件”是一个普遍性的审美原则，而AI只是将它从潜意识的社会实践中拉到技术明面上。
19.4 人机共生创作：超越工具论与替代论
一、工具论与替代论：两种异曲同工的简化姿态
当前关于AI与人类创意的关系，主流话语在两个极端之间摆荡。一端是工具论——AI只是工具，就像画笔是画家的工具，AI不会对创作过程有任何独立的影响。工具论预设了人类创作者完全控制创作的全过程，AI只是一个被动的、中立的、等待被使用的技术对象。另一极端是替代论——AI生成的艺术作品在品质上已经逼近或超过了人类艺术家的输出，人类创作者终将被替代。替代论彻底消解了人类在这一共享过程中的独特贡献，将AI输出直接与人类艺术在相同的评价体系中比较，好像两者的生产机制是等价的。
随机哲学的角度揭示了这两种极端共同的盲点：它们都预设了一个单主体创作模型。工具论预设的主体是人类；替代论预设的主体是AI。两者都没有认真处理两个采样系统在交互回环中共同生成新事物的可能性。田少煦和夏文英（2025）在其关于生成式AI艺术的人机共创研究中，区分了辅助、模仿、独立三种生成方式，并明确指出：数字艺术需要向发现问题并着力进行意义创建的新路径拓展，在“缺陷互补、优势增强的人机协作中发挥最大创造力，走向‘去中心化’的人机共创新未来”。这与随机哲学去中心化伦理的核心命题——“谁也不是主宰”——在艺术创作维度上形成了直接的对接。
工具论的问题不只是一项低估——它实际上拒斥了探索性决定论之外的三种模态。如果AI只是被视作对人类已有意图的被动工具，绝对惊奇被视作无意义的误差，系统性随机被视作失去控制的危险，受控涌现的完整交互回环就被简化为“人类使用工具”的单向命令链。替代论则犯了对称的错误：它将AI视为与自己完全独立的创作主体，好像它的采样过程自带与人类历史同样的感性锚顶——其输出可以被“直接与人类作品放在同一个审美评估框架内比较”，而根本不是共生机理中的生成事件。替代论的胜利口号其实掩盖了一个无法弥合的缺陷：当代AI没有身体接触概率空间Ω，它只能对人类的符号化输出（文本代码）进行再采样，它缺少第七章第三节所论证的身体感性锚点。AI可以独立产生令人惊异的作品，但当这些作品想要嵌入对人类而言拥有深厚共鸣的主题、语境和责任时，人类的在场——尤其是在涉及价值调适、终极后果承担和在对话中赋予意义的时刻——仍是不可被替代的。但这绝不意味着人类的统治权天然存在——在受控涌现的精细回环中，人机双方的输出比例、主动性份额和关键转折点的触发者都在连续变化，不存在一个始终保持最终超然权威的单侧主宰。
二、双采样系统的交互动力学
在随机哲学的精确框架中，人机共生创作可以被描述为两个不同的采样系统——人类认知的神经-身体采样器和AI的统计模型采样器——在同一个概率空间中的持续交互。
人类的采样沿着两条互补的通道运作。一条是物理通道——通过眼睛、耳朵、手与物理世界和屏幕的直接接触，从底层本体概率空间Ω获取具身的第一手感知样本。另一条是内部通道——通过记忆、联想、情感评估对已有感知样本的重组和再采样，产生新的候选概念。AI的采样则完全依赖于人类先前产生的符号化副本——训练数据D——它是Ω的高度不完全但极其庞大的一次历史采样。AI不能直接接触Ω，但能将D压缩为可被高效采样的参数化概率分布，并在给定提示词时为人类提供从该分布中提取的大量候选解。
当这两种采样系统在创作过程中交互时，出现了一个独特的认知生态——人机交互回环。这个回环的基本结构如下：人类提供初始采样约束（提示词、选择标准、感性判断）；AI从D的统计模型中生成大量候选输出（低难度高速度的大量采样）；人类从候选池中筛选、保留、整合、扩展，这些被人类选择的结果成为新的反馈信号被送回AI；AI基于扩增后的条件分布再次采样输出新一轮的候选；如此往复。LACE系统支持轮流交互和并行交互两种模式，并展示了两种模式在不同创作任务中各自的优势——为这一回环提供了系统化的工具支撑。每一个回环都在修改AI进入下一轮采样时所面对的潜在空间的条件分布。最终的作品不是人类独立构想出来的，也不是AI独立生成的——它是人机交互回环的涌现产物。
2025年的实证研究进一步证实，与AI共创相比与人共创能显著提升参与者感知的新颖性，并出人意料地同时提升了感知的实用性。但另有研究指出，人机共创并非自动实现增益——如果缺乏有效的反馈交换和迭代精炼，共创过程可能导致Idea Co-Development的衰减，从而导致创造力下降。这意味着受控涌现不是自动发生的结果——它需要特定的交互结构、反馈机制和组织设计来促成和维持。
三、从去中心化伦理到生成人类主义的美学实现
在上海科技大学邹悦课题组（2025）提出的“关系性技术生命设计”（Relational Techno-life Design）框架中，可以找到与随机哲学去中心化伦理高度同构的艺术设计理论回应。该框架的关键主张是：AI不应仅被视作“工具”，而应被视为“技术生命”——一个在关系性网络中对人类情感体验、知识共享和文化意义的协同生成产生实质影响的生命体。这一框架倡导将AI重新定义为“社会物质网络和广泛生态系统中的共同构成主体”，推动AI从“工具”角色向“生命体”伙伴转变。
这与6.1节开启的、经由7.4节延续的AI认知分析在路径上是一致的：AI是另一种类型的认知采样系统，它不是人类认知的复制品，而是在与人类的持续交互中产生独特认知贡献的自主能动节点。在创作领域，这意味着人类应将AI视作可与之进行长期交互式合作的创意伙伴，而不是可以随意更换的外部服务。两个采样系统长期在同一个创意空间中反复交互，会逐渐形成彼此特有的分布史——特定的互偏好的调整模式、特定的潜在空间方向探索习惯、特定的故障相处关系和反复出现的突现风格。这批共创的“痕迹”不仅是作品——它们本身就是人类-AI配对独有的美学遗产，任何单方独立操作都无法复现。这与8.2节的“扩大未来可能性”在这一语境下产生了回声：两个采样系统通过长期的共生交互，持续扩大彼此的创造性可能性空间——AI通过接触人类独特的感性锚点和价值判断，进入其训练数据分布中原本低概率的通道；人类通过AI的超高维度模式探测能力，发现自己在独自采样中不可能发现的新的概念连接。
这正是生成人类主义在美学维度的具体实现。生成人类主义的核心命题——人类是在无预设意义的概率宇宙中主动生成意义和扩大可能性的存在者——在人机共生创作中获得了最直观的操作形态。人类不是用AI被动地表征已有的观念，而是在与AI的共同探索中持续生成自身和机器都无法独立预见的新意义和新通道。这对美学学科的性质也提出了间接的挑战：美学不再只是“关于美和艺术经验的哲学”，它同时发生在“两个不对称的采样系统在概率空间中交互时实时涌现的可感结构”的场域中。
本节要点
· 工具论（AI只是被动的工具）和替代论（AI终将取代人类创作者）都基于单主体创作模型，而两者都未认真考虑两个采样系统在交互中共同生成新事物的可能性——这种互动产生的是单方无法独立完成的、非简单累加的涌现结果。
· 在随机哲学的框架中，人机共创可以精确描述为两个不同采样器（人类的双通道采样：物理Ω+内部重组；AI的单通道采样：历史D的统计模型）在概率空间中的交互回环——最终作品是人机交互回环的涌现产物。
· 实证研究证实：人机共创可显著提升感知的新颖性，但需要有效的反馈交换和迭代精炼——纯粹的并列无交互生成不会自动产生增益，受控涌现需要体系化的交互流程来维持。
· 去中心化伦理在美学中的一个重要回应是以“关系性技术生命设计”为代表的新型人机关系框架——将AI重新定义为共同构成主体而非被动工具，这与随机哲学认知论中“AI是认知采样系统的另一种类型”的命题一致。
延伸思考
如果人机共生创作沿目前的路径持续发展到人机配对长期稳定化，那么“个人风格”在人工智能时代的终局就不再是单一个人签名式的固定模式，而是特定人机配对在漫长共创历史中涌现出的独特分布风格——一种二体征名的共生风格。在这种风格中，没有一个分界点能让你彻底区分“这里是人的贡献止住、那里是AI的工作开始”。我们应该不再追问“这幅作品中人的比例是多少”，而是更精确地问：“这台人机配对在这段特定历史中，共同创造了一个什么样的持续演化的复杂分布景观？”这种风格与传统大师的个人印记有同构的统计意义（都表现为对特定区域的选优倾向和对另一些区域的惯性绕道），但作者的本体位置不再是人类个体——而是人机连续回环系统本身。
全章小结
第十九章完成了随机哲学从理论到AI实践的另一条关键落实之路。在螺旋上升的论证结构中，四节逐层从技术基底走到了未来美学构想。
19.1以扩散模型为切入点，论证了“从噪声中生成意义”在算法层面直接实现了随机本体论的核心洞见。而潜在空间的操作揭示了概念之间未标注的空白区域中的创造性通道，随机种子的语义敏感性进一步确立了“创造性责任”在此领域不可推卸的存在。
19.2以GAN的博弈随机性为跳板，发掘了在工程“失败”中绽放的新型审美形态——故障美学，它论证了随机性无法被完全驯服，且其未被驯服的印记就是创造性的可见签名。这同时把美学批评引向了与传统“失误→修正”范式完全不同的方向：故障不是要克服的瑕疵，而是待解读的痕迹。
19.3提出了本书独创的四种生成模态分类法——绝对惊奇、探索性决定论、系统性随机、受控涌现，在随机性配置与人机交互结构两轴之间，为理解和设计AI创造性系统提供了比“创造性”这个模糊词更精确的操作框架。
19.4最终抵达人机共生创作的理论构想——超越工具论与替代论，将人类-AI共创重新界定为两个不对称但在持续交互中共同演化的采样系统在概率空间中的持续探索，并在去中心化伦理和生成人类主义的双重视角下为其奠基。
本章使一个全景式的蓝图浮现：第十四章的熵增伦理学方法在AI美学中的延伸是将“扩大可能状态空间”与“保持创造性与受控涌现的最佳平衡”放在同一个道德框架中考虑；第十三章的认知蒙特卡洛变成了生成美学中的双采样交互回环；第十二章的自举逻辑在创造了长期协作历史的人机配对中找到了作为“共生风格”的累积美学效应。全章的最终图景是随机哲学在数字时代的独特遗产：不再把创造视作对理想的平静沉思，而是视作和另一个采样系统一起在不知最终确切景色的宽广概率海洋中持续航行——每次交互都既是新的采样，也是新的创造，每一次都在改变今后两人一起能看到的潜在风景的风向。这为第七篇的人机共生的随机文明提供了坚固的美学与生成根基。
（本文选自逄培著《随机哲学原理》第六篇第十九章，经作者授权分期发表。因版面所限，刊发时注释及参考文献已酌情删节，完整版请参阅原书。）
