詩歌被譽為人類文學(xué)藝術(shù)的巔峰，它需要將情感、智慧和技藝完美融合在有限的文字中。當(dāng)我們談到詩歌創(chuàng)作時，往往會想到那些偉大的詩人——從莎士比亞到艾略特，他們用文字創(chuàng)造了永恒的藝術(shù)品。但在人工智能快速發(fā)展的今天，一個令人著迷的問題擺在我們面前：機器能否真正理解并創(chuàng)作出打動人心的詩歌？

這項由英國伯明翰大學(xué)語言學(xué)與傳播系、意大利特倫托大學(xué)信息工程與計算機科學(xué)系，以及伯明翰大學(xué)英語文學(xué)系和數(shù)據(jù)與人工智能研究所聯(lián)合進行的研究，發(fā)表于2026年的國際學(xué)習(xí)表征會議（ICLR 2026），為我們提供了迄今為止最全面的答案。研究團隊開發(fā)了名為POEMetric的詩歌評估框架——這是全球首個全面評估機器詩歌創(chuàng)作能力的系統(tǒng)性標(biāo)準(zhǔn)。

要理解這項研究的重要性，我們需要認(rèn)識到詩歌創(chuàng)作的獨特復(fù)雜性。如果說散文寫作像是建造房屋，那么詩歌創(chuàng)作就像是在狹小空間內(nèi)建造一座精美的宮殿。詩人不僅要遵循嚴(yán)格的格律和韻律規(guī)則，還要在有限的文字中傳達(dá)深刻的情感和意象。這種創(chuàng)作要求讓詩歌成為檢驗人工智能創(chuàng)造力的終極試金石。

研究團隊面臨的挑戰(zhàn)是前所未有的?，F(xiàn)有的詩歌評估方法就像只看建筑外表的房屋評估師，只關(guān)注格律是否正確、韻律是否工整，卻忽略了詩歌的靈魂——創(chuàng)意、情感和藝術(shù)性。這就好比評價一幅畫作時只看顏色搭配是否和諧，而忽略了畫作傳達(dá)的情感和意境。

為了填補這個巨大的評估空白，研究團隊構(gòu)建了POEMetric評估體系。這個體系就像一位經(jīng)驗豐富的詩歌評論家，從多個維度全面審視每一首詩作。它不僅檢查詩歌是否遵循了基本的創(chuàng)作規(guī)則，更深入探究詩歌是否具備真正的藝術(shù)價值。

一、詩歌評估的三重境界

POEMetric評估體系就像一位資深的詩歌老師，用三個層次來評判一首詩的好壞。第一個層次是基礎(chǔ)服從性，檢查學(xué)生是否按照作業(yè)要求完成了詩歌創(chuàng)作。這包括格律準(zhǔn)確性和主題契合度兩個方面。格律準(zhǔn)確性就像檢查數(shù)學(xué)作業(yè)的計算過程是否正確，看詩歌是否遵循了指定的韻律模式和節(jié)拍規(guī)律。主題契合度則像作文評分中的"切題"要求，檢查詩歌內(nèi)容是否圍繞給定主題展開。

第二個層次是高級創(chuàng)作能力，這是區(qū)分普通詩作和優(yōu)秀詩作的關(guān)鍵所在。這個層次包含六個重要維度，每一個都像詩歌創(chuàng)作的不同技能。創(chuàng)意性考察詩歌是否帶來新穎的表達(dá)和獨特的視角，就像評判一道菜是否有創(chuàng)新的調(diào)料搭配。詞匯多樣性衡量詩人是否擁有豐富的表達(dá)工具，好比評價一位畫家的調(diào)色板是否多彩。獨特性觀察詩歌是否展現(xiàn)出作者的個人特色，這就像每個人都有自己獨特的筆跡一樣。

情感共鳴是詩歌最核心的品質(zhì)之一，它考察作品是否能觸動讀者的心靈，如同評判一首歌曲是否能讓人產(chǎn)生情感波動。文學(xué)技巧的運用包括比喻、擬人、暗示等修辭手法，這些技巧就像廚師的刀工，決定了菜品的精致程度。意象營造能力則評估詩歌是否能在讀者腦海中創(chuàng)造出生動的畫面，就像優(yōu)秀的導(dǎo)演能讓觀眾仿佛置身電影場景。

第三個層次是整體評價，包括詩歌的總體質(zhì)量和作者身份識別?？傮w質(zhì)量就像餐廳的綜合評分，將所有因素匯總后給出最終判斷。作者身份識別則是一個有趣的實驗，看評價者是否能區(qū)分出詩歌是人類還是機器創(chuàng)作的，這有點像品酒師試圖區(qū)分真正的陳年葡萄酒和人工調(diào)制的仿品。

二、構(gòu)建詩歌評估的"黃金標(biāo)準(zhǔn)"

為了創(chuàng)建可靠的評估基準(zhǔn)，研究團隊收集了203首高質(zhì)量的人類詩作，涵蓋了七種經(jīng)典詩歌形式。這個收集過程就像博物館策展人精心挑選藝術(shù)品，每首詩都必須符合嚴(yán)格的標(biāo)準(zhǔn)。這些詩歌形式包括敘事性的民謠、來自阿拉伯傳統(tǒng)的抒情短詩、幽默的五行打油詩、復(fù)雜的回環(huán)詩、精巧的六重復(fù)韻詩、經(jīng)典的十四行詩，以及具有固定重復(fù)結(jié)構(gòu)的田園曲。

研究團隊選擇這些固定形式的詩歌并非偶然，這就像在教授繪畫時首先讓學(xué)生學(xué)習(xí)素描基本功。固定形式的詩歌有明確的規(guī)則和約束，這讓評估變得更加客觀和可量化。當(dāng)我們能夠準(zhǔn)確評估在這些約束條件下的創(chuàng)作能力時，就為評估更自由的詩歌形式奠定了基礎(chǔ)。

每首收錄的詩歌都經(jīng)過了細(xì)致的標(biāo)注工作，研究人員為每首詩標(biāo)記了韻律模式、韻腳安排、主題內(nèi)容和意象使用。這個過程類似于為古董進行詳細(xì)的鑒定，記錄每一個重要特征。這些標(biāo)注不僅幫助研究人員理解詩歌的結(jié)構(gòu)特點，更為后續(xù)的自動化評估算法提供了訓(xùn)練材料。

為了確保評估的公正性，研究團隊開發(fā)了一套自動化的形式檢測算法。這套算法就像一位精密的樂器調(diào)音師，能夠準(zhǔn)確識別詩歌的韻律和節(jié)拍模式。算法采用了70%的容錯閾值，這意味著它既不會過分嚴(yán)苛地要求完美，也不會過于寬松地降低標(biāo)準(zhǔn)。這種平衡就像優(yōu)秀的老師既鼓勵學(xué)生創(chuàng)新，又確?；竟υ鷮?。

三、三十臺AI詩人的創(chuàng)作大比拼

研究團隊邀請了30個不同的大型語言模型參與這場史無前例的詩歌創(chuàng)作競賽。這些AI模型來自七家頂級科技公司，包括開源和商業(yè)化的各種版本。每個模型都要根據(jù)人類詩歌的相同題目和格式要求創(chuàng)作詩歌，總共產(chǎn)生了6090首AI詩作。這就像舉辦了一場規(guī)?？涨暗臋C器人詩歌大賽，每個參賽者都要在相同條件下展示自己的創(chuàng)作才華。

為了確保評估的準(zhǔn)確性和可靠性，研究團隊采用了多重驗證機制。主要的評判工作由Google的Gemini-2.5-Pro模型承擔(dān)，這個選擇經(jīng)過了嚴(yán)格的篩選過程。研究人員測試了多個候選評判模型，發(fā)現(xiàn)Gemini-2.5-Pro在與人類專家評判結(jié)果的一致性方面表現(xiàn)最佳，就像選擇最有經(jīng)驗的裁判來主持重要比賽。

更重要的是，研究團隊還邀請了七位人類詩歌專家對部分作品進行評估，以驗證AI評判的可靠性。這些專家包括職業(yè)詩人、文學(xué)博士、研究學(xué)者和教授等，他們的專業(yè)背景保證了評估的權(quán)威性。人類專家與AI評判者的一致性達(dá)到了66.2%，這個結(jié)果相當(dāng)令人滿意，表明AI評判系統(tǒng)確實能夠可靠地評估詩歌質(zhì)量。

四、令人意外的評估結(jié)果

經(jīng)過全面評估，研究結(jié)果既有預(yù)期之中的發(fā)現(xiàn)，也有令人驚訝的表現(xiàn)。在基礎(chǔ)服從性方面，頂級AI模型表現(xiàn)相當(dāng)出色。Gemini-2.5-Pro在格律準(zhǔn)確性方面得分4.26分（滿分5分），在主題契合度方面更是達(dá)到了4.99分的近乎完美成績。這說明現(xiàn)代AI已經(jīng)完全掌握了詩歌創(chuàng)作的基本規(guī)則，就像學(xué)會了嚴(yán)格按照食譜制作標(biāo)準(zhǔn)菜品的廚師。

然而，當(dāng)評估轉(zhuǎn)向更高層次的創(chuàng)作能力時，AI與人類詩人之間的差距就變得明顯了。在創(chuàng)意性方面，人類詩人取得了4.02分的高分，而表現(xiàn)最佳的AI模型只達(dá)到了2.17分。這種差異就像比較職業(yè)廚師的創(chuàng)新菜品和按照標(biāo)準(zhǔn)食譜制作的菜品，前者總是能帶來意想不到的驚喜。

更令人深思的是獨特性評分的巨大差異。人類詩人在這一項上得分3.95分，而AI模型普遍只有1.24到3.31分不等。這個結(jié)果揭示了AI創(chuàng)作的一個根本局限：缺乏個人經(jīng)驗和獨特視角。每個人類詩人都有自己獨特的人生經(jīng)歷、情感體驗和觀察角度，這些無法復(fù)制的個人特質(zhì)為他們的詩作注入了獨特的靈魂。相比之下，AI模型雖然可以模仿各種風(fēng)格，但很難形成真正屬于自己的創(chuàng)作特色。

在情感共鳴方面，人類詩人同樣保持著顯著優(yōu)勢，得分4.06分，而AI模型的表現(xiàn)介于2.15到3.53分之間。這個差距反映了一個深層次的問題：真正的情感需要真實的體驗作為基礎(chǔ)。人類詩人寫下的每一個詞匯都可能承載著真實的情感記憶，而AI生成的情感表達(dá)更像是對情感模式的精確模擬。

五、創(chuàng)作過程的神秘面紗

研究中最引人入勝的發(fā)現(xiàn)之一是DeepSeek-R1模型展現(xiàn)出的創(chuàng)作思考過程。這個模型具備思維鏈功能，能夠展示其創(chuàng)作時的內(nèi)在推理過程。觀察這個過程就像透過透明的窗戶看到詩人創(chuàng)作時的思維活動，令人驚嘆不已。

DeepSeek-R1在創(chuàng)作時會首先分析給定的題目和格式要求，然后規(guī)劃整首詩的結(jié)構(gòu)布局。它會逐段考慮主題發(fā)展，頭腦風(fēng)暴相關(guān)詞匯和意象，甚至?xí)鲃訃L試加入各種文學(xué)技巧。整個過程井然有序，就像一位經(jīng)驗豐富的建筑師在設(shè)計樓房時的思路。這種系統(tǒng)性的創(chuàng)作方法與許多人類詩人的直覺式創(chuàng)作形成了有趣的對比。

更有趣的是，這個模型還會對自己的用詞選擇進行反思和調(diào)整，展現(xiàn)出一種自我批判的能力。它可能會思考某個詞匯是否足夠生動，某個比喻是否恰當(dāng)，某句話是否符合整首詩的情感基調(diào)。這種自我審視的能力讓人不禁思考：如果機器具備了如此細(xì)致的創(chuàng)作思維過程，它們與人類詩人的差異究竟還有多大？

六、技術(shù)表現(xiàn)的深層分析

在詞匯多樣性方面，AI模型出人意料地超越了人類詩人。通過移動平均類型標(biāo)記比率的測量，AI詩作顯示出更豐富的詞匯使用。這個結(jié)果初看似乎有利于AI，但深入分析后發(fā)現(xiàn)，這種多樣性可能更像是炫技而非藝術(shù)需要。人類詩人往往會有意選擇特定的詞匯，為了營造特定的氛圍或強化某種情感，即使這意味著重復(fù)使用某些詞匯。

另一個發(fā)現(xiàn)是AI詩作中存在明顯的重復(fù)模式問題。當(dāng)研究人員比較AI生成的詩歌與人類原作時，發(fā)現(xiàn)AI經(jīng)常會重復(fù)使用訓(xùn)練數(shù)據(jù)中的詞匯組合和表達(dá)方式。這種現(xiàn)象類似于學(xué)生過分依賴參考書中的例句，雖然語法正確，但缺乏原創(chuàng)性。這個發(fā)現(xiàn)提醒我們，AI的創(chuàng)作能力在很大程度上依賴于已有的文本模式，而真正的創(chuàng)新往往需要突破這些模式。

在文學(xué)技巧的運用方面，人類詩人展現(xiàn)出了壓倒性的優(yōu)勢，平均得分4.67分，而AI模型最高只達(dá)到4.38分。更重要的是，人類詩人使用文學(xué)技巧時往往更加自然和恰當(dāng)，就像經(jīng)驗豐富的廚師調(diào)料，每一種技巧都恰到好處地服務(wù)于整體效果。而AI模型雖然也會使用各種修辭手法，但有時顯得生硬或刻意，缺乏融合的自然感。

七、意象營造的藝術(shù)差異

在意象營造能力方面，人類詩人再次顯示出了卓越的天賦，平均得分4.49分，而AI模型普遍在3.79到4.30分之間徘徊。這個差異揭示了詩歌創(chuàng)作中的一個核心要素：意象不僅僅是描述性的畫面，更是情感和思想的載體。

人類詩人在描繪意象時，往往能夠?qū)€人經(jīng)驗、文化背景和情感記憶融合在一起，創(chuàng)造出獨特而有力的視覺效果。他們可能會用"夕陽像母親的眼淚"這樣的表達(dá)，這種意象承載著深層的情感聯(lián)想。而AI模型雖然也能生成美麗的意象描述，但往往缺乏這種深層的個人化和情感化內(nèi)涵。

研究還發(fā)現(xiàn)，在意象選擇方面，人類和AI都傾向于使用"眼睛"、"太陽"、"面龐"等常見意象，但人類詩人更多地描寫"水"和"神"等具有象征意義的元素，而AI模型則偏向于"絲線"、"綻放"等更具體的視覺意象。這種差異反映了兩者在意象理解上的不同層次：人類更善于運用具有深層文化和精神內(nèi)涵的意象，而AI更多地停留在表面的視覺效果層面。

八、評估結(jié)果的更深層含義

研究的最終評判環(huán)節(jié)揭示了一個令人深思的現(xiàn)象：無論是AI評判還是人類專家，都能相當(dāng)準(zhǔn)確地識別詩作的真實作者身份。在203首人類詩作中，AI評判系統(tǒng)識別出了80首（39.4%）的原作，這些識別要么基于對原詩的直接記憶，要么基于對特定詩人風(fēng)格的識別。

這個發(fā)現(xiàn)具有雙重意義。一方面，它說明人類詩歌確實具有難以模仿的獨特性，每位詩人都有自己的"指紋"般的創(chuàng)作特色。另一方面，它也暗示現(xiàn)代AI系統(tǒng)已經(jīng)具備了相當(dāng)高級的文學(xué)鑒賞能力，能夠識別和分析不同的創(chuàng)作風(fēng)格。

更有趣的是，在總體詩歌質(zhì)量的評估中，人類詩作以4.22分的平均成績明顯超越了表現(xiàn)最佳的AI模型（3.20分）。這個差距雖然看似不大，但在詩歌這樣的藝術(shù)領(lǐng)域，每一分的差異都可能意味著巨大的質(zhì)量區(qū)別，就像品酒師在評判葡萄酒時，細(xì)微的分?jǐn)?shù)差異往往反映著本質(zhì)的品質(zhì)差異。

九、不同模型的表現(xiàn)特點

在30個參與測試的AI模型中，表現(xiàn)呈現(xiàn)出有趣的規(guī)律性。一般而言，參數(shù)規(guī)模更大的模型在詩歌創(chuàng)作方面表現(xiàn)更好，這符合我們對AI能力與模型規(guī)模關(guān)系的預(yù)期。然而，研究也發(fā)現(xiàn)了一些出人意料的結(jié)果。

例如，一些專門設(shè)計用于復(fù)雜推理的"思維模型"并沒有在詩歌創(chuàng)作上顯示出顯著優(yōu)勢。GPT-4o和GPT-4的表現(xiàn)反而超過了o1和o3-mini這樣的思維增強模型。這個發(fā)現(xiàn)提示我們，詩歌創(chuàng)作可能更需要的是對語言美感的直覺理解，而不是復(fù)雜的邏輯推理能力。

在不同公司的模型對比中，各家都展現(xiàn)出了各自的特色。某些模型在格律準(zhǔn)確性方面表現(xiàn)突出，而另一些則在創(chuàng)意性方面有所建樹。這種多樣性反映了不同技術(shù)路線在文學(xué)創(chuàng)作方面的不同取向和優(yōu)勢。

十、研究的局限性與未來展望

研究團隊誠懇地承認(rèn)了這項研究的局限性。首先，研究專注于英語詩歌，而詩歌作為一種深受文化和語言特色影響的藝術(shù)形式，在不同語言和文化背景下可能呈現(xiàn)出完全不同的特點。其次，研究選擇了固定格式的詩歌進行評估，雖然這提供了客觀的評估基準(zhǔn)，但現(xiàn)代詩歌更多地采用自由詩形式，這些形式的評估可能需要完全不同的方法。

此外，雖然研究邀請了人類專家進行驗證，但受限于資源和時間，專家評估的樣本相對有限。如果能夠擴大人類專家評估的范圍，可能會為AI評估系統(tǒng)的改進提供更多有價值的參考。

展望未來，這項研究為詩歌和文學(xué)創(chuàng)作的AI評估奠定了重要基礎(chǔ)。研究團隊期望POEMetric評估框架能夠適應(yīng)更多語言和文化背景，并且擴展到自由詩和其他文學(xué)形式的評估。隨著AI技術(shù)的不斷發(fā)展，我們或許會看到在創(chuàng)意性、情感表達(dá)和個性化方面更加接近人類水平的AI詩人的出現(xiàn)。

說到底，這項研究最重要的價值不在于判定AI是否能夠完全替代人類詩人，而在于幫助我們更好地理解詩歌創(chuàng)作的本質(zhì)，以及人類創(chuàng)造力的獨特之處。正如T.S.艾略特所說的"聽覺想象力"——聲音、意義和文化記憶的融合——這種能力或許正是區(qū)分真正的詩歌與機械文字排列的關(guān)鍵所在。無論AI如何發(fā)展，這種深植于人類經(jīng)驗中的創(chuàng)造力都將是我們最寶貴的藝術(shù)財富。

當(dāng)我們觀察AI在詩歌創(chuàng)作方面的表現(xiàn)時，不應(yīng)該感到威脅或失望，而應(yīng)該為人類創(chuàng)造力的獨特性感到自豪。同時，我們也應(yīng)該積極擁抱AI作為創(chuàng)作工具的可能性，讓技術(shù)為人類的藝術(shù)創(chuàng)作提供更多的支持和靈感。畢竟，最美好的未來可能不是AI完全替代人類詩人，而是人類與AI在創(chuàng)作領(lǐng)域的和諧合作，共同推動文學(xué)藝術(shù)達(dá)到新的高度。

Q&A

Q1：POEMetric詩歌評估框架包含哪些評估維度？

A：POEMetric包含三個層次的評估：基礎(chǔ)服從性（格律準(zhǔn)確性和主題契合度）、高級創(chuàng)作能力（創(chuàng)意性、詞匯多樣性、獨特性、情感共鳴、文學(xué)技巧和意象營造）、以及整體評價（總體質(zhì)量和作者身份識別）。這套體系首次全面評估了AI詩歌創(chuàng)作的各個方面。

Q2：AI模型在詩歌創(chuàng)作方面的表現(xiàn)如何？

A：AI模型在基礎(chǔ)規(guī)則遵循方面表現(xiàn)出色，頂級模型在格律準(zhǔn)確性和主題契合度方面接近完美。但在創(chuàng)意性、獨特性、情感共鳴等高級能力方面明顯落后于人類詩人。最佳AI模型的總體質(zhì)量得分為3.20分，而人類詩人達(dá)到4.22分。

Q3：這項研究對AI詩歌創(chuàng)作發(fā)展有什么意義？

A：這項研究建立了首個全面的AI詩歌評估標(biāo)準(zhǔn)，為后續(xù)研究提供了科學(xué)基準(zhǔn)。它揭示了AI詩歌創(chuàng)作的優(yōu)勢和局限性，為改進AI文學(xué)創(chuàng)作能力指明了方向，同時也證明了人類創(chuàng)造力在藝術(shù)領(lǐng)域的獨特價值和不可替代性。