計算創造力(也被稱為人工創造力、機械創造力、創造性計算或創造性計算)是一種多學科的努力，位于人工智能、認知心理學、哲學和藝術(例如作為計算文化一部分的計算藝術)等領域的交叉點。計算創造力的目標是用計算機來模擬、仿真或復制創造力，以達到幾個目的之一。構建一個能夠達到人類水平的創造力的程序或計算機。更好地理解人類的創造力，并對人類的創造性行為提出一個算法觀點。設計能夠提高人類創造力的程序，而自己不一定有創造力。計算創造力領域關注創造力研究的理論和實踐問題。關于創造力的性質和正確定義的理論工作與表現出創造力的系統的實施的實踐工作同時進行，其中一方的工作為另一方提供信息。計算性創造力的應用形式被稱為媒體合成。

如果杰出的創造力是關于規則的打破或對慣例的否定，那么算法系統怎么可能是有創造力的？實質上，這是阿達-洛夫萊斯對機器智能的反對意見的一個變種，現代理論家如特雷莎-阿馬比爾重述了這一點。如果一臺機器只能做它被編程的事情，它的行為怎么能被稱為創造性呢？事實上，并不是所有的計算機理論家都會同意計算機只能做它們被編程的事情這一前提，這是支持計算創造力的關鍵點。

由于沒有一個單一的觀點或定義似乎可以提供創造力的完整圖景，人工智能研究者紐維爾、肖和西蒙把新穎性和有用性結合起來，發展成為多管齊下的創造力觀點的基石，這個觀點使用以下四個標準來把一個給定的答案或解決方案歸類為創造力。答案是新穎和有用的（對個人或社會）答案要求我們拒絕我們以前所接受的想法答案是強烈的動機和堅持的結果答案來自于澄清一個原本模糊的問題雖然以上反映了計算創造力的自上而下的方法，但在參與人工神經網絡研究的自下而上的計算心理學家中，已經發展出另一條線索。例如，在1980年代末和1990年代初，這種生成性神經系統是由遺傳算法驅動的。涉及遞歸網絡的實驗在混合簡單的音樂旋律和預測聽眾期望方面取得了成功。阿爾-伯德在他的《超人創造者》一書中認為，人類和其他動物創造力的主要來源是負擔意識--對環境中行動可能性的意識。通過大幅提高人工實體的負擔意識，并將這種意識與能夠利用行動可能性的系統緊密結合，就可以實現超人的創造力。

傳統的創造力計算方法依賴于開發者對處方的明確表述和計算機程序中一定程度的隨機性，而機器學習方法允許計算機程序從輸入數據中學習啟發式方法，使計算機程序具有創造性能力。特別是，深度人工神經網絡允許從輸入數據中學習模式，允許非線性地產生創造性的藝術品。在1989年之前，人工神經網絡已經被用來對創造力的某些方面進行建模。

彼得-托德（1989年）首先訓練了一個神經網絡，從一組訓練的音樂作品中再現音樂旋律。然后他用一種變化算法來修改網絡的輸入參數。該網絡能夠以一種高度不受控制的方式隨機產生新的音樂。1992年，Todde擴展了這項工作，使用了由PaulMunro、PaulWerbos、D.Nguyen和BernardWidrow、MichaelI.Jordan和DavidRumelhart開發的所謂遠距離教師方法。在新的方法中，有兩個神經網絡，其中一個向另一個提供訓練模式。在托德后來的努力中，作曲家會選擇一組定義旋律空間的旋律，用基于鼠標的圖形界面將它們定位在一個2維平面上，然后訓練一個連接主義網絡來產生這些旋律，并聆聽網絡生成的與2維平面上的中間點相對應的新插值旋律。

一些高層次和哲學性的主題在整個計算創造力領域反復出現。