1.2.1.1 算法和数据库
人工智能生长于数字世界，数字世界有两种基本的元素：算法与数据库。我们可以借电子游戏对算法产生形象的解读。当我们玩一款电子游戏时，逐渐熟悉游戏玩法的过程就是了解游戏背后算法的过程。我们虽然并不知道具体代码的样子，但是从玩游戏的过程中我们可以提炼出这款游戏的逻辑——而逻辑就是代码的宏观样貌。当掌握足够多的逻辑关系时，玩家就可以总结出对应的这款游戏讲了一个什么故事。我们可以将数字世界中的算法理解为一种逻辑叙事。
1.2.1.2 变化来自标准化
假设在一张纸上有随意分布的 4 个点，它们可以按照不同的方法连接起来。点与点之间的连线代表着连接的逻辑，也就是算法。同时，我们可以将每一个点看成数据，这 4 个点便是一个简单的数据库。那
么连接这 4 个点有多少种不同的方法呢？我们可以利用排列组合方面的经验回答这个寻找规律的问题，但是对于更复杂的情况我们的经验就显得捉襟见肘了。
1.2.1.3 规律和新奇
在人工智能所研究的课题中，大多都离不开算法与数据。比如从一组天气数据中寻找阳光与温度关系，当然在这个例子中的答案似乎从生活经验可得，多阳光照射的地方往往会给当地带来更高的温度，那么南极洲的降雪和北极的温度呢？人工智能则擅长从数据中寻找不易察觉的规律并展现在人们的眼前。这样的规律可以被用在对未来
的预测从而为人们提供辅助和建议。在人工智能领域中，基于现有的数据推算新的结果被称为预测。
当人工智能击败知名棋手时，我们看到了人工智能不论是学习人类棋谱，或还是自我对弈的过程中都产生了人类未曾想到的棋路。棋路顾名思义是下棋的套路，是对下棋规律的总结。当人工智能向我们展示新的规律时，人工智能棋手顺理成章可以成为国家围棋队的训练软件。同理，人工智能也可以为艺术创造提供辅助，我们称之为创造力辅助。
对抗性的体育竞技，在策略层面的取胜之道大体在于出其不意。当对手无法预测我们下一步的行动时，我方便占据了上风。那么怎么才能让对方无法判断呢？如前文所言，便是使用对方未见过或是想到的策略，出奇制胜。这个“奇”可以来自那时那刻的小概率事件，如果是首创的招数自然更能确保新奇。在艺术创作中，也对新奇有着同样的追求，这在二战后的观念艺术中更为显著。彼时艺术创造从技法的较量逐渐过渡到点子的比拼。新奇成为创造力的一种表达。
当然并不是每一个新招都是好招，这就需要审时度势将新招放到对应的情境中检验。新招的产出可以是来自一次随机事件，也可以来自过往的经验。根据我们人类的经验，从历史中学习前车之鉴要比掷骰子来得靠谱，但这是为什么呢？学习下棋的路径包含熟读棋谱，以史为鉴；以及与同僚切磋检验学习成果。对于我们来说棋谱以及同僚对弈皆是过往经验，只不过前者来自前人，后者来自亲身经验。因为人类的一生所能下的棋是有限的，所以我们需要借助书本中前人留下的体悟来更快地提升水平。
像棋谱一样，人类的艺术创作也被著书编册成艺术史，将各家各派都一一地纳入。大体上艺术创作也是由亲身体验和阅读典籍结合而成的。艺术创作同样面临着检验点子的困境——产生点子的速度要远远快于检验点子。这时我们便可借助人工智能寻找规律的能力检验点
子的好坏。借助人工智能背后可扩展的计算能力，可以提高效率，在更短的时间内检验更多的点子。
1.2.1.4 新的图像与方案
人工智能还可以更直接地参与艺术创作。在艺术史中，图像的生产方式几经更迭。在摄影术诞生之前，人们产生图像的方式几乎离不开手工生产。在这个过程中，需要由人将所见所闻的世界转译成二维平面所能承载的信息。这之中包含着创造者对世界不同的理解、多样的技法以及各异的心境。绘画作为产生图像的方式从数量上看是低效的。摄影术的诞生则使得我们具备了利用光学仪器快速产生大量图像的能力。艺术家逐渐开始质疑生产更多图像的意义，并寻找新的生产方法——产生新的图像可以来源于挪用老的图像。但是，这种生产方法却在引入新奇性和多样性上略显不足。借助人工智能，我们可以融合上述两种图像生产的方式，依据给定的条件快速地产生大量全新的图像。
人工智能可以快速地为艺术创作引入多样性，且这种多样性是可以被检验的。在上述图像生产的例子中，为了学习生产人像，那么人工智能会先学习大量的人像照片然后寻找之中的潜在规律，所以其生产的结果是优于随机的，甚至接近前人经验的。在更现代的人工智能系统中，例如对抗性生成网络就同时具备生成器和辨别器。生成器从随机图像开始进行生成，通过辨别器的筛选逐步接近人像的特征。在这个自我进化的过程中，生成器并未学习外来的人像数据，只是根据辨别器所给出的好与坏中寻找规律，最终得出独特的人像生成方案。显而易见的是，这种方案的结果具备很强独特性，同时也更容易被人们所接受。
这些独特的图像既可以被当作创作的最终产物，也可以作为素材库再加以使用。我们在艺术史中所得的经验例如挪用，依然可以应用在人工智能所创造的数据上。曾经艺术家们共用几乎相同的数据库，
借助人工智能艺术家具备了构建独有数据库的能力，这将在根本上提升艺术创作的多样性和独特性。
人工智能还可以产生更复杂的逻辑关系。人工智能有一种研究课题是知识图谱（Knowledge-Graph），用数学可视化的方法表现一组信息，可以是客观事实也可以是一系列点子。人工智能在这之中起的作用是帮助我们发现隐藏的规律，并将这些信息归纳整理并表示出来。
从事音乐创作的艺术家大多有一个属于自己的音频库，其中包含着数以万计的音频素材。这些素材往往按照发出的声音来分类。例如一段鸟叫的音频会被命名为“ 鸟鸣.mp3” ， 雷声会被命名为“ 雷声.mp3”。随着素材量逐渐地增多这种归纳方法会逐渐失效，比方如何区分雷声和重物跌落地面的声音。这两种声音听起来是类似的，但是却有不同。随着这样模棱两可逐渐增多，我们的分类体系逐渐失效。这时候我们可以借用知识图谱系统来对我们收集的声音进行分类，最终的产物不是一个层层叠叠的树状分类，而是一个三维的点云图。每一个点都代表着一种声音，每个点之间的距离则代表声音的相似程度，也就是说人工智能帮助我们完成物以类聚，将类似的声音放在一起，同时我们又具备全局的视野，可以看到对应的声音在我们整个数据库中所处的位置。
现在还可以大胆假设这个知识图谱系统中储存的是从艺术史里摘录的信息，经过合适的人工智能系统的处理可以得到一个完整的关于艺术的点子库。通过不断加入新的其他门类的学科知识来不断完善这个系统。同时，有针对地加入创作者的特异化信息。这种加入可以是主动的，也可以是在潜移默化间的。在艺术创作者的使用中逐渐地适应和调整生成的内容。这种调整可以是纵向的只关于使用者的，也可以是横向的借用其他类似艺术家使用习惯的。这种高效的点子生成器，或许可以将艺术家从观念的比赛中解放出来，回归到艺术中更核
心的共情中来，让艺术创作更关注于情绪的沟通。