伯明翰大学发布诗歌生成新标准：AI能否成为下一个莎士比亚？

诗歌被誉为人类文学艺术的巅峰它需要将情感、智慧和技艺完美融合在有限的文字中。当我们谈到诗歌创作时往往会想到那些伟大的诗人——从莎士比亚到艾略特他们用文字创造了永恒的艺术品。但在人工智能快速发展的今天一个令人着迷的问题摆在我们面前机器能否真正理解并创作出打动人心的诗歌这项由英国伯明翰大学语言学与传播系、意大利特伦托大学信息工程与计算机科学系以及伯明翰大学英语文学系和数据与人工智能研究所联合进行的研究发表于2026年的国际学习表征会议ICLR 2026为我们提供了迄今为止最全面的答案。研究团队开发了名为POEMetric的诗歌评估框架——这是全球首个全面评估机器诗歌创作能力的系统性标准。要理解这项研究的重要性我们需要认识到诗歌创作的独特复杂性。如果说散文写作像是建造房屋那么诗歌创作就像是在狭小空间内建造一座精美的宫殿。诗人不仅要遵循严格的格律和韵律规则还要在有限的文字中传达深刻的情感和意象。这种创作要求让诗歌成为检验人工智能创造力的终极试金石。研究团队面临的挑战是前所未有的。现有的诗歌评估方法就像只看建筑外表的房屋评估师只关注格律是否正确、韵律是否工整却忽略了诗歌的灵魂——创意、情感和艺术性。这就好比评价一幅画作时只看颜色搭配是否和谐而忽略了画作传达的情感和意境。为了填补这个巨大的评估空白研究团队构建了POEMetric评估体系。这个体系就像一位经验丰富的诗歌评论家从多个维度全面审视每一首诗作。它不仅检查诗歌是否遵循了基本的创作规则更深入探究诗歌是否具备真正的艺术价值。一、诗歌评估的三重境界POEMetric评估体系就像一位资深的诗歌老师用三个层次来评判一首诗的好坏。第一个层次是基础服从性检查学生是否按照作业要求完成了诗歌创作。这包括格律准确性和主题契合度两个方面。格律准确性就像检查数学作业的计算过程是否正确看诗歌是否遵循了指定的韵律模式和节拍规律。主题契合度则像作文评分中的切题要求检查诗歌内容是否围绕给定主题展开。第二个层次是高级创作能力这是区分普通诗作和优秀诗作的关键所在。这个层次包含六个重要维度每一个都像诗歌创作的不同技能。创意性考察诗歌是否带来新颖的表达和独特的视角就像评判一道菜是否有创新的调料搭配。词汇多样性衡量诗人是否拥有丰富的表达工具好比评价一位画家的调色板是否多彩。独特性观察诗歌是否展现出作者的个人特色这就像每个人都有自己独特的笔迹一样。情感共鸣是诗歌最核心的品质之一它考察作品是否能触动读者的心灵如同评判一首歌曲是否能让人产生情感波动。文学技巧的运用包括比喻、拟人、暗示等修辞手法这些技巧就像厨师的刀工决定了菜品的精致程度。意象营造能力则评估诗歌是否能在读者脑海中创造出生动的画面就像优秀的导演能让观众仿佛置身电影场景。第三个层次是整体评价包括诗歌的总体质量和作者身份识别。总体质量就像餐厅的综合评分将所有因素汇总后给出最终判断。作者身份识别则是一个有趣的实验看评价者是否能区分出诗歌是人类还是机器创作的这有点像品酒师试图区分真正的陈年葡萄酒和人工调制的仿品。二、构建诗歌评估的黄金标准为了创建可靠的评估基准研究团队收集了203首高质量的人类诗作涵盖了七种经典诗歌形式。这个收集过程就像博物馆策展人精心挑选艺术品每首诗都必须符合严格的标准。这些诗歌形式包括叙事性的民谣、来自阿拉伯传统的抒情短诗、幽默的五行打油诗、复杂的回环诗、精巧的六重复韵诗、经典的十四行诗以及具有固定重复结构的田园曲。研究团队选择这些固定形式的诗歌并非偶然这就像在教授绘画时首先让学生学习素描基本功。固定形式的诗歌有明确的规则和约束这让评估变得更加客观和可量化。当我们能够准确评估在这些约束条件下的创作能力时就为评估更自由的诗歌形式奠定了基础。每首收录的诗歌都经过了细致的标注工作研究人员为每首诗标记了韵律模式、韵脚安排、主题内容和意象使用。这个过程类似于为古董进行详细的鉴定记录每一个重要特征。这些标注不仅帮助研究人员理解诗歌的结构特点更为后续的自动化评估算法提供了训练材料。为了确保评估的公正性研究团队开发了一套自动化的形式检测算法。这套算法就像一位精密的乐器调音师能够准确识别诗歌的韵律和节拍模式。算法采用了70%的容错阈值这意味着它既不会过分严苛地要求完美也不会过于宽松地降低标准。这种平衡就像优秀的老师既鼓励学生创新又确保基本功扎实。三、三十台AI诗人的创作大比拼研究团队邀请了30个不同的大型语言模型参与这场史无前例的诗歌创作竞赛。这些AI模型来自七家顶级科技公司包括开源和商业化的各种版本。每个模型都要根据人类诗歌的相同题目和格式要求创作诗歌总共产生了6090首AI诗作。这就像举办了一场规模空前的机器人诗歌大赛每个参赛者都要在相同条件下展示自己的创作才华。为了确保评估的准确性和可靠性研究团队采用了多重验证机制。主要的评判工作由Google的Gemini-2.5-Pro模型承担这个选择经过了严格的筛选过程。研究人员测试了多个候选评判模型发现Gemini-2.5-Pro在与人类专家评判结果的一致性方面表现最佳就像选择最有经验的裁判来主持重要比赛。更重要的是研究团队还邀请了七位人类诗歌专家对部分作品进行评估以验证AI评判的可靠性。这些专家包括职业诗人、文学博士、研究学者和教授等他们的专业背景保证了评估的权威性。人类专家与AI评判者的一致性达到了66.2%这个结果相当令人满意表明AI评判系统确实能够可靠地评估诗歌质量。四、令人意外的评估结果经过全面评估研究结果既有预期之中的发现也有令人惊讶的表现。在基础服从性方面顶级AI模型表现相当出色。Gemini-2.5-Pro在格律准确性方面得分4.26分满分5分在主题契合度方面更是达到了4.99分的近乎完美成绩。这说明现代AI已经完全掌握了诗歌创作的基本规则就像学会了严格按照食谱制作标准菜品的厨师。然而当评估转向更高层次的创作能力时AI与人类诗人之间的差距就变得明显了。在创意性方面人类诗人取得了4.02分的高分而表现最佳的AI模型只达到了2.17分。这种差异就像比较职业厨师的创新菜品和按照标准食谱制作的菜品前者总是能带来意想不到的惊喜。更令人深思的是独特性评分的巨大差异。人类诗人在这一项上得分3.95分而AI模型普遍只有1.24到3.31分不等。这个结果揭示了AI创作的一个根本局限缺乏个人经验和独特视角。每个人类诗人都有自己独特的人生经历、情感体验和观察角度这些无法复制的个人特质为他们的诗作注入了独特的灵魂。相比之下AI模型虽然可以模仿各种风格但很难形成真正属于自己的创作特色。在情感共鸣方面人类诗人同样保持着显著优势得分4.06分而AI模型的表现介于2.15到3.53分之间。这个差距反映了一个深层次的问题真正的情感需要真实的体验作为基础。人类诗人写下的每一个词汇都可能承载着真实的情感记忆而AI生成的情感表达更像是对情感模式的精确模拟。五、创作过程的神秘面纱研究中最引人入胜的发现之一是DeepSeek-R1模型展现出的创作思考过程。这个模型具备思维链功能能够展示其创作时的内在推理过程。观察这个过程就像透过透明的窗户看到诗人创作时的思维活动令人惊叹不已。DeepSeek-R1在创作时会首先分析给定的题目和格式要求然后规划整首诗的结构布局。它会逐段考虑主题发展头脑风暴相关词汇和意象甚至会主动尝试加入各种文学技巧。整个过程井然有序就像一位经验丰富的建筑师在设计楼房时的思路。这种系统性的创作方法与许多人类诗人的直觉式创作形成了有趣的对比。更有趣的是这个模型还会对自己的用词选择进行反思和调整展现出一种自我批判的能力。它可能会思考某个词汇是否足够生动某个比喻是否恰当某句话是否符合整首诗的情感基调。这种自我审视的能力让人不禁思考如果机器具备了如此细致的创作思维过程它们与人类诗人的差异究竟还有多大六、技术表现的深层分析在词汇多样性方面AI模型出人意料地超越了人类诗人。通过移动平均类型标记比率的测量AI诗作显示出更丰富的词汇使用。这个结果初看似乎有利于AI但深入分析后发现这种多样性可能更像是炫技而非艺术需要。人类诗人往往会有意选择特定的词汇为了营造特定的氛围或强化某种情感即使这意味着重复使用某些词汇。另一个发现是AI诗作中存在明显的重复模式问题。当研究人员比较AI生成的诗歌与人类原作时发现AI经常会重复使用训练数据中的词汇组合和表达方式。这种现象类似于学生过分依赖参考书中的例句虽然语法正确但缺乏原创性。这个发现提醒我们AI的创作能力在很大程度上依赖于已有的文本模式而真正的创新往往需要突破这些模式。在文学技巧的运用方面人类诗人展现出了压倒性的优势平均得分4.67分而AI模型最高只达到4.38分。更重要的是人类诗人使用文学技巧时往往更加自然和恰当就像经验丰富的厨师调料每一种技巧都恰到好处地服务于整体效果。而AI模型虽然也会使用各种修辞手法但有时显得生硬或刻意缺乏融合的自然感。七、意象营造的艺术差异在意象营造能力方面人类诗人再次显示出了卓越的天赋平均得分4.49分而AI模型普遍在3.79到4.30分之间徘徊。这个差异揭示了诗歌创作中的一个核心要素意象不仅仅是描述性的画面更是情感和思想的载体。人类诗人在描绘意象时往往能够将个人经验、文化背景和情感记忆融合在一起创造出独特而有力的视觉效果。他们可能会用夕阳像母亲的眼泪这样的表达这种意象承载着深层的情感联想。而AI模型虽然也能生成美丽的意象描述但往往缺乏这种深层的个人化和情感化内涵。研究还发现在意象选择方面人类和AI都倾向于使用眼睛、太阳、面庞等常见意象但人类诗人更多地描写水和神等具有象征意义的元素而AI模型则偏向于丝线、绽放等更具体的视觉意象。这种差异反映了两者在意象理解上的不同层次人类更善于运用具有深层文化和精神内涵的意象而AI更多地停留在表面的视觉效果层面。八、评估结果的更深层含义研究的最终评判环节揭示了一个令人深思的现象无论是AI评判还是人类专家都能相当准确地识别诗作的真实作者身份。在203首人类诗作中AI评判系统识别出了80首39.4%的原作这些识别要么基于对原诗的直接记忆要么基于对特定诗人风格的识别。这个发现具有双重意义。一方面它说明人类诗歌确实具有难以模仿的独特性每位诗人都有自己的指纹般的创作特色。另一方面它也暗示现代AI系统已经具备了相当高级的文学鉴赏能力能够识别和分析不同的创作风格。更有趣的是在总体诗歌质量的评估中人类诗作以4.22分的平均成绩明显超越了表现最佳的AI模型3.20分。这个差距虽然看似不大但在诗歌这样的艺术领域每一分的差异都可能意味着巨大的质量区别就像品酒师在评判葡萄酒时细微的分数差异往往反映着本质的品质差异。九、不同模型的表现特点在30个参与测试的AI模型中表现呈现出有趣的规律性。一般而言参数规模更大的模型在诗歌创作方面表现更好这符合我们对AI能力与模型规模关系的预期。然而研究也发现了一些出人意料的结果。例如一些专门设计用于复杂推理的思维模型并没有在诗歌创作上显示出显著优势。GPT-4o和GPT-4的表现反而超过了o1和o3-mini这样的思维增强模型。这个发现提示我们诗歌创作可能更需要的是对语言美感的直觉理解而不是复杂的逻辑推理能力。在不同公司的模型对比中各家都展现出了各自的特色。某些模型在格律准确性方面表现突出而另一些则在创意性方面有所建树。这种多样性反映了不同技术路线在文学创作方面的不同取向和优势。十、研究的局限性与未来展望研究团队诚恳地承认了这项研究的局限性。首先研究专注于英语诗歌而诗歌作为一种深受文化和语言特色影响的艺术形式在不同语言和文化背景下可能呈现出完全不同的特点。其次研究选择了固定格式的诗歌进行评估虽然这提供了客观的评估基准但现代诗歌更多地采用自由诗形式这些形式的评估可能需要完全不同的方法。此外虽然研究邀请了人类专家进行验证但受限于资源和时间专家评估的样本相对有限。如果能够扩大人类专家评估的范围可能会为AI评估系统的改进提供更多有价值的参考。展望未来这项研究为诗歌和文学创作的AI评估奠定了重要基础。研究团队期望POEMetric评估框架能够适应更多语言和文化背景并且扩展到自由诗和其他文学形式的评估。随着AI技术的不断发展我们或许会看到在创意性、情感表达和个性化方面更加接近人类水平的AI诗人的出现。说到底这项研究最重要的价值不在于判定AI是否能够完全替代人类诗人而在于帮助我们更好地理解诗歌创作的本质以及人类创造力的独特之处。正如T.S.艾略特所说的听觉想象力——声音、意义和文化记忆的融合——这种能力或许正是区分真正的诗歌与机械文字排列的关键所在。无论AI如何发展这种深植于人类经验中的创造力都将是我们最宝贵的艺术财富。当我们观察AI在诗歌创作方面的表现时不应该感到威胁或失望而应该为人类创造力的独特性感到自豪。同时我们也应该积极拥抱AI作为创作工具的可能性让技术为人类的艺术创作提供更多的支持和灵感。毕竟最美好的未来可能不是AI完全替代人类诗人而是人类与AI在创作领域的和谐合作共同推动文学艺术达到新的高度。QAQ1POEMetric诗歌评估框架包含哪些评估维度APOEMetric包含三个层次的评估基础服从性格律准确性和主题契合度、高级创作能力创意性、词汇多样性、独特性、情感共鸣、文学技巧和意象营造、以及整体评价总体质量和作者身份识别。这套体系首次全面评估了AI诗歌创作的各个方面。Q2AI模型在诗歌创作方面的表现如何AAI模型在基础规则遵循方面表现出色顶级模型在格律准确性和主题契合度方面接近完美。但在创意性、独特性、情感共鸣等高级能力方面明显落后于人类诗人。最佳AI模型的总体质量得分为3.20分而人类诗人达到4.22分。Q3这项研究对AI诗歌创作发展有什么意义A这项研究建立了首个全面的AI诗歌评估标准为后续研究提供了科学基准。它揭示了AI诗歌创作的优势和局限性为改进AI文学创作能力指明了方向同时也证明了人类创造力在艺术领域的独特价值和不可替代性。