導論：計算創意學與發散性思考的語義拓圖
自自迴歸語言模型（Autoregressive Language Models）大規模應用於內容創作領域以來，創作者常面臨文本「均質化」與「風格喪失」的挑戰。預設參數下的自然語言生成模型傾向於尋找最小阻力路徑，即優先輸出機率分佈中最常見的 token 組合。這種機制雖然確保了語法連貫性與事實正確性，卻壓制了發散性思考（Divergent Thinking）所需的遠距聯想（Remote Associations）。計算創意學（Computational Creativity）研究表明，創意的核心在於將看似不相關的概念進行非常規結合。當創作者過度依賴低熵（Low Entropy）的文字生成，產出極易陷入陳腔濫調。
自自迴歸語言模型（Autoregressive Language Models）大規模應用於內容創作領域以來，創作者常面臨文本「均質化」與「風格喪失」的挑戰。預設參數下的自然語言生成模型傾向於尋找最小阻力路徑，即優先輸出機率分佈中最常見的 token 組合。這種機制雖然確保了語法連貫性與事實正確性，卻壓制了發散性思考（Divergent Thinking）所需的遠距聯想（Remote Associations）。計算創意學（Computational Creativity）研究表明，創意的核心在於將看似不相關的概念進行非常規結合。當創作者過度依賴低熵（Low Entropy）的文字生成，產出極易陷入陳腔濫調。
為解決此困境，必須將大語言模型重新定位為「語義發散器」而非「最終文本產出者」。透過調控解碼階段的機率分佈熵值，配合特定的 Prompt 構型約束，可以強迫模型輸出位於長尾分佈（Long-tail Distribution）中的非顯而易見構想，進而在不喪失人類主導權的前提下，大幅拓寬創意發想的語義空間。
解碼機制與 Prompt 構型之技術解構
採樣參數與 Softmax 熵值控制
在 Transformer 架構中，模型最後一層輸出 logits 向量 $Z = [z_1, z_2, ..., z_V]$，其中 $V$ 為詞彙表大小。經由 Softmax 函數轉換為機率分佈 $P(x_i)$ 時，採樣溫度 $T$（Temperature）扮演了控制分佈平滑度的關鍵角色：
$$P(x_i) = \frac{\exp(z_i / T)}{\sum_{j=1}^{V} \exp(z_j / T)}$$
當 $T \to 0$ 時，分佈趨近於 Dirac delta 函數，模型執行貪婪搜尋（Greedy Search），僅選取最高機率的 token；當 $T > 1.0$ 時，logits 的差異被縮小，分佈平坦化，使次佳或稀有的 token 獲取更高採樣概率 [1], [3]。實務上，將溫度設定於 $T=0.7\text{–}1.2$ 區間，並搭配 Nucleus Sampling（top-p，如設定為 $0.9$），能夠在保有基本語意結構的同時，大幅提升新穎比喻與非典型敘事脈絡的出現機率 [1]。若設定 $T > 1.5$，則可能導致語義失序（Semantic Collapse）與邏輯斷裂。
此外，引入重複懲罰（Frequency and Presence Penalties）可進一步降低常見詞彙或概念重複出現的機率，強迫解碼過程轉向未被探索的語義向量空間 [3]。
發散思考之 Prompt 構型設計
單靠高溫度設定容易引入噪訊，必須結合結構化的 Prompt 工程方能實現可控的發散生成（Controllable Divergent Generation）：
- 發想與編輯階段之明確分離（Stage Separation）：將「概念生成」與「文字潤飾」拆分為獨立步驟。在構想階段採用高溫度與拓展型指令；在編輯階段切換為低溫度或決定性模式，僅對選定的概念進行結構化整理，保護創作者原有的語句風格與語氣 [4]。
- 角色設定與逆向邊界約束（Role and Boundary Constraints）：透過指定非傳統交叉領域的角色（例如「具備生物學背景的都市規劃師」），並加入否定性條件（例如「禁止使用傳統科技界常見的五種行銷詞彙」），強迫模型改變語域，截斷最容易預測的生成路徑。
- 思考鏈結合逐步交錯法（Step-by-Step Combination）：運用 Chain-of-Thought 機制，要求模型先列出不相干領域的基礎假設，再強迫將其組合成新方案 [2]。此方法能在維持內部邏輯自洽（Logical Consistency）的同時，顯著提升概念的新穎度（Novelty）。
方法論對比與實務工作流分析
發散性思考在心理學評量（如 Alternate Uses Test, AUT）中，主要依賴回應數量、類別多樣性與語義距離（Semantic Distance）作為指標。下表對比決定性解碼與隨機性創意解碼在創意寫作與發想上的表現差異：
| 評估維度 | 決定性解碼 (T < 0.3 / Greedy) | 隨機性創意解碼 (T = 0.8–1.2 + top-p) |
|---|---|---|
| 語義熵 (Semantic Entropy) | 低（高度可預測） | 高（具備非線性跳躍） |
| 點子長尾度 (Long-tail Yield) | 極低（集中於高頻組合） | 高（顯著涵蓋罕見聯想） |
| 邏輯連貫性 (Coherence) | 極高（無語法錯誤與幻覺） | 中至高（需人工篩選與二次編輯） |
| 人類聲音保留度 | 容易覆蓋個人風格（輸出通用體） | 高（僅吸收點子，敘事由人類完成） |
在多模型協同工作流的實務應用中，研究人員與創作者常需在不同基礎模型之間對比採樣表現。以跨模型研究與應用平台 AI Plaza (https://aiplaza.app) 的觀察為例，不同架構（如 GPT, Claude, Gemini, Grok）在相同溫度設定下的語義擴散曲線存在顯著差異：部分模型在高溫度下仍能保持極高文法結構，而部分模型則更早展現高度抽象的比喻能力。
跨語言與跨模式的工作流建立，亦是防止個人寫作風格被 AI 侵蝕的重要手段。實務上，創作者可使用英文提示詞搭配高溫度參數取得高語義距離的概念矩陣，隨後再由創作者手動以繁體中文進行架構重組與細節潤飾。這種「AI 負責發散（Divergence），人類負責收斂（Convergence）」的雙軌模式，能確保產出既具備原創突破性，又不失個人獨特的筆觸與深度。
宏觀趨勢與人機協同寫作的長期演化
計算創意學的進展正在重新定義創作工具的範式。未來的大語言模型不再僅是自動補全文字的打字工具，而是演變為認知放大器與異想夥伴（Cognitive Prosthetic）。隨著長脈絡窗口與多模態技術的成熟，動態溫度調整（Dynamic Temperature Scaling）與即時語義距離量測將被整合至創意生成管道中。
當生成式 AI 的應用焦點從「代筆寫作」轉向「拓寬發散思考界線」，人類創作者的核心價值將更確立於問題定義、脈絡篩選與審美決策。透過精確調控解碼熵值與構築嚴謹的 Prompt 約束，創作者得以在保有個人聲線的同時，突破認知盲區，實現人機協同下的高階創意突破。
References
[1] https://platform.openai.com/docs/guides/text-generation [2] https://ai.googleblog.com/2019/02/better-language-models-and-their.html [3] https://huggingface.co/blog/how-to-generate [4] https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering