什么是AIGC？

最近，又火了一個(gè)詞“**AIGC”**2022年被稱為是AIGC元年。那么我們敬請(qǐng)期待，AIGC為我們迎接人工智能的下一個(gè)時(shí)代。

TIPS:內(nèi)容來(lái)自百度百科、知乎、騰訊、《AIGC白皮書》等網(wǎng)頁(yè)

1.什么是AIGC？

AIGC 即 AI Generated Content，利用人工智能技術(shù)來(lái)生成內(nèi)容，它被認(rèn)為是繼PGC、UGC之后的新型內(nèi)容創(chuàng)作方式。AI繪畫、AI寫作等都屬于AIGC的分支。2022年AIGC高速發(fā)展，這其中深度學(xué)習(xí)模型不斷完善、開(kāi)源模式的推動(dòng)、大模型探索商業(yè)化的可能，成為AIGC發(fā)展的“加速度”。

AIGC已經(jīng)代表了AI技術(shù)發(fā)展的新趨勢(shì)。過(guò)去傳統(tǒng)的人工智智能偏向于分析能力，即通過(guò)分析一組數(shù)據(jù)，發(fā)現(xiàn)其中的規(guī)律和模式并用于其他多種分析已經(jīng)存在的東西，實(shí)現(xiàn)了人工智能從感知理解世界到生成創(chuàng)造世界的躍遷。

因此，從這個(gè)意義上來(lái)看，廣義的AIGC可以看作是像人類一樣具備生成創(chuàng)造能力的AI技術(shù)，即生成式AI,它可以基于訓(xùn)練數(shù)據(jù)和生成算法模型，自主生成創(chuàng)造新的文本、圖像、音樂(lè)、視頻、3D交互內(nèi)容(如虛擬化身、虛擬物品、虛擬環(huán)境)等各種形式的內(nèi)容和數(shù)據(jù)，以及包括開(kāi)啟科學(xué)新發(fā)現(xiàn)、創(chuàng)造新的價(jià)值和意義等。

因此,AIGC已經(jīng)加速成為了AI 領(lǐng)域的新疆域，推動(dòng)人工智能迎來(lái)下一個(gè)時(shí)代。Gartner將生成性AI列為2022年5大影響力技術(shù)之一。MIT科技評(píng)論也將AI合成數(shù)據(jù)列為2022年十大突破性技術(shù)之一，甚至將生成性Al(GenerativeAl)稱為是AI 領(lǐng)域過(guò)去十年最具前景的進(jìn)展。未來(lái)，兼具大模型和多模態(tài)模型的AIGC 模型有望成為新的技術(shù)平臺(tái)。

2023年1月10日，百度Create AI開(kāi)發(fā)者大會(huì)上，百度創(chuàng)始人、董事長(zhǎng)兼首席執(zhí)行官李彥宏表示：AI從理解內(nèi)容，走向了自動(dòng)生成內(nèi)容，包括AIGC用于作畫、圖文、視頻等多類型的內(nèi)容創(chuàng)作。

央視網(wǎng)人工智能編輯部是中央廣播電視總臺(tái)旗下的智慧創(chuàng)新基地，布局“云、數(shù)、智”構(gòu)建全媒體產(chǎn)品服務(wù)和傳播生態(tài)體系，充分發(fā)揮“內(nèi)容為王+平臺(tái)致勝+技術(shù)領(lǐng)先”的核心競(jìng)爭(zhēng)力推動(dòng)媒體深度融合、助力各領(lǐng)域數(shù)據(jù)化轉(zhuǎn)型、加速產(chǎn)業(yè)智能化升級(jí)。

2022 年12月,OpenAI 的大型語(yǔ)言生成模型ChatGPT刷爆網(wǎng)絡(luò),它能勝任刷高情商對(duì)話、生成代碼、構(gòu)思劇本和小說(shuō)等多個(gè)場(chǎng)景，將人機(jī)對(duì)話推向新的高度，讓網(wǎng)友們不禁懷疑ChatGPT是否已經(jīng)具有人類智能。
全球各大科技企業(yè)都在積極擁抱AIGC，不斷推出相關(guān)的技術(shù)、平臺(tái)和應(yīng)用。

2.AIGC發(fā)展趨勢(shì)

2.1 AI技術(shù)的融合發(fā)展，催生了AIGC的爆發(fā)

一是，基礎(chǔ)的生成算法模型不斷突破創(chuàng)新。
2014年，伊恩.古德費(fèi)洛(lanGoodfellow)提出的生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)成為早期最為著名的生成模型。GAN 使用合作的零和博弈框架來(lái)學(xué)習(xí)，被廣泛用于生成圖像、視頻、語(yǔ)音和三維物體模型等。GAN 也產(chǎn)生了許多流行的架構(gòu)或變種，如 DCGAN，StyleGAN，BigGAN，StackGAN，Pix2pix，Age-cGAN，CycleGAN、對(duì)抗自編碼器(AdversarialAutoencoders，AAE)、對(duì)抗推斷學(xué)習(xí)(Adversarially Learned Inference，AL)等。

隨后，Transformer、基于流的生成模型(Flow-based models)、擴(kuò)散模型(Diffusion Model）等深度學(xué)習(xí)的生成算法相繼涌現(xiàn)。
其中，Transformer 模型是一種采用自注意力機(jī)制的深度學(xué)習(xí)模型，這一機(jī)制可以按照輸入數(shù)據(jù)各部分重要性的不同而分配不同的權(quán)重，可以用在自然語(yǔ)言處理(NLP)、計(jì)算機(jī)視覺(jué)(CV)領(lǐng)域應(yīng)用。

后來(lái)出現(xiàn)的 BERT、GPT-3、LaMDA等預(yù)訓(xùn)練模型都是基于Transformer 模型建立的。而擴(kuò)散模型(Diffusion Model)是受非平衡熱力學(xué)的啟發(fā)，定義一個(gè)擴(kuò)散步驟的馬爾可夫鏈，逐漸向數(shù)據(jù)添加隨機(jī)噪聲，然后學(xué)習(xí)逆擴(kuò)散過(guò)程，從噪聲中構(gòu)建所需的數(shù)據(jù)樣本。

擴(kuò)散模型最初設(shè)計(jì)用于去除圖像中的噪聲。隨著降噪系統(tǒng)的訓(xùn)練時(shí)間越來(lái)越長(zhǎng)并且越來(lái)越好，它們最終可以從純?cè)肼曌鳛槲ㄒ惠斎肷杀普娴膱D片。

二是，預(yù)訓(xùn)練模型引發(fā)了AIGC技術(shù)能力的質(zhì)變。雖然過(guò)去各類生成模型層出不窮，但是使用門檻高、訓(xùn)練成本高、內(nèi)容生成簡(jiǎn)單和質(zhì)量偏低，遠(yuǎn)遠(yuǎn)不能滿足真實(shí)內(nèi)容消費(fèi)場(chǎng)景中的靈活多變、高精度、高質(zhì)量等需求。預(yù)訓(xùn)練模型的出現(xiàn)引發(fā)了AIGC技術(shù)能力的質(zhì)變，以上的諸多落地問(wèn)題得到了解決。

三是，多模態(tài)技術(shù)推動(dòng)了AIGC的內(nèi)容多樣性，讓AIGC具有了更通用的能力。預(yù)訓(xùn)練模型更具通用性，成為多才多藝、多面手的Al模型，主要得益于多模型技術(shù)(multimodal technology)的使用，即多模態(tài)表示圖像、聲音、語(yǔ)言等融合的機(jī)器學(xué)習(xí)。

2021年，OpenAI團(tuán)隊(duì)將跨模態(tài)深度學(xué)習(xí)模型CLIP(Contrastive Language-Image Pre-Training，以下簡(jiǎn)稱“CLIP”)進(jìn)行開(kāi)源。CLIP模型能夠?qū)⑽淖趾蛨D像進(jìn)行關(guān)聯(lián)，比如將文字“狗”和狗的圖像進(jìn)行關(guān)聯(lián)，并且關(guān)聯(lián)的特征非常豐富。

因此，CLIP 模型具備兩個(gè)優(yōu)勢(shì):一方面同時(shí)進(jìn)行自然語(yǔ)言理解和計(jì)算機(jī)視覺(jué)分析，實(shí)現(xiàn)圖像和文本匹配。
另一方面為了有足夠多標(biāo)記好的“文本-圖像”進(jìn)行訓(xùn)練，CLIP模型廣泛利用互聯(lián)網(wǎng)上的圖片，這些圖片一般都帶有各種文本描述，成為CLIP天然的訓(xùn)練樣本。據(jù)統(tǒng)計(jì)，CLIP模型搜集了網(wǎng)絡(luò)上超過(guò)40億個(gè)“文本-圖像”訓(xùn)練數(shù)據(jù)，這為后續(xù)AIGC尤其是輸入文本生成圖像/視頻應(yīng)用的落地奠定了基礎(chǔ)。

2.2 AIGC產(chǎn)業(yè)生態(tài)加速形成和發(fā)展，走向模型即服務(wù)（MaaS）的未來(lái)

目前，AIGC產(chǎn)業(yè)生態(tài)體系的雛形已經(jīng)成型，呈現(xiàn)為上中下三層結(jié)構(gòu)。

第一層，為上游基礎(chǔ)層，也就是由預(yù)訓(xùn)練模型為基礎(chǔ)搭建的AIGC技術(shù)基礎(chǔ)設(shè)施層。由于預(yù)訓(xùn)練模型的高成本和技術(shù)投入，因此具有較高的進(jìn)入門檻。以2020年推出的GPT-3模型為例，Alchemy API 創(chuàng)始人EIliotTurner 推測(cè)訓(xùn)練 GPT-3 的成本可能接近1200萬(wàn)美元。因此，目前進(jìn)入預(yù)訓(xùn)練模型的主要機(jī)構(gòu)為頭部科技企業(yè)、科研機(jī)構(gòu)等。

第二層，為中間層，即垂直化、場(chǎng)景化、個(gè)性化的模型和應(yīng)用工具。預(yù)訓(xùn)練的大模型是基礎(chǔ)設(shè)直領(lǐng)域、功能場(chǎng)景的工業(yè)流水線式部署，同時(shí)兼具按需使用、高效經(jīng)濟(jì)的優(yōu)勢(shì)。隨著兼具大模型和多模態(tài)模型的AlGC模型加速成為新的技術(shù)平臺(tái)，模型即服務(wù)(Model-as-a-Service，MaaS)開(kāi)始成為現(xiàn)實(shí)，預(yù)計(jì)將對(duì)商業(yè)領(lǐng)域產(chǎn)生巨大影響。Stable Diffusion開(kāi)源之后，有很多基于開(kāi)源模型的二次開(kāi)發(fā)，訓(xùn)練特定風(fēng)格的垂直領(lǐng)域模型開(kāi)始流行，比如著名的二次元畫風(fēng)生成的Novel-AI，還有各種風(fēng)格的角色生成器等。

第三層，為應(yīng)用層，即面向C端用戶的文字、圖片、音視頻等內(nèi)容生成服務(wù)。在應(yīng)用層，側(cè)重滿足用戶的需求，將AlGC模型和用戶的需求無(wú)縫銜接起來(lái)實(shí)現(xiàn)產(chǎn)業(yè)落地。以Stable Diffusion開(kāi)源為例，它開(kāi)放的不僅僅是程序，還有其已經(jīng)訓(xùn)練好的模型，后繼創(chuàng)業(yè)者能更好的借助這一開(kāi)源工具，以C端消費(fèi)級(jí)顯卡的算力門檻，挖掘出更豐富的內(nèi)容生態(tài)，為AIGC在更廣泛的C端用戶中的普及起到至關(guān)重要的作用。現(xiàn)在貼近C端用戶的工具越發(fā)豐富多樣，包括網(wǎng)頁(yè)、本地安裝的程序、移動(dòng)端小程序、群聊機(jī)器人等，甚至還有利用AIGC工具定制代出圖的內(nèi)容消費(fèi)服務(wù)。

未來(lái)市場(chǎng)：
隨著標(biāo)注數(shù)據(jù)累積、技術(shù)架構(gòu)完善、內(nèi)容行業(yè)對(duì)豐富度/事實(shí)性/個(gè)性化的要求越來(lái)越高，AIGC行業(yè)即將被推向前臺(tái)。

在未來(lái)2-3年間，AIGC的初創(chuàng)公司和商業(yè)落地案例將持續(xù)增加。目前由人工智能生成的數(shù)據(jù)占所有數(shù)據(jù)的1%不到，根據(jù)Gartner預(yù)測(cè)，到2025年，人工智能生成數(shù)據(jù)占比將達(dá)到10%。根據(jù)《Generative AI：A Creative New World》的分析，AIGC有潛力產(chǎn)生數(shù)萬(wàn)億美元的經(jīng)濟(jì)價(jià)值。

我國(guó)的AIGC行業(yè)尚未發(fā)展成型，目前，AIGC代表公司較少，且上游還有眾多欠缺。

國(guó)內(nèi)的AIGC場(chǎng)景開(kāi)發(fā)較少：在我國(guó)，由于技術(shù)發(fā)展不足以及投資環(huán)境的影響，AIGC大多被作為公司的部分業(yè)務(wù)、乃至相對(duì)邊緣化的功能進(jìn)行研發(fā)開(kāi)發(fā)，獨(dú)立運(yùn)行的初創(chuàng)公司數(shù)量明顯少于國(guó)外，大部分細(xì)分賽道的初創(chuàng)玩家在5家以下，這也間接導(dǎo)致了國(guó)內(nèi)的AIGC場(chǎng)景開(kāi)發(fā)較少。

AIGC應(yīng)用場(chǎng)景深度不足：國(guó)內(nèi)布局最多的賽道是寫作和語(yǔ)音合成領(lǐng)域，虛擬人賽道剛剛開(kāi)始興起基本均停留在內(nèi)容領(lǐng)域。而在國(guó)外延展領(lǐng)域得到了更為充分的挖掘，例如個(gè)性化文本生成、合成數(shù)據(jù)等賽道均是重點(diǎn)布局領(lǐng)域。此類業(yè)務(wù)拓展的綜合性要求較高，需要客戶方的數(shù)字化程度以及對(duì)對(duì)應(yīng)行業(yè)的充分了解。

AIGC 將是 Web3 時(shí)代的生產(chǎn)力工具。

3.AIGC技術(shù)

AIGC 技術(shù)主要涉及兩個(gè)方面：自然語(yǔ)言處理 NLP 和 AIGC 生成算法。

3.1自然語(yǔ)言處理技術(shù) NLP

自然語(yǔ)言處理是實(shí)現(xiàn)人與計(jì)算機(jī)之間如何通過(guò)自然語(yǔ)言進(jìn)行交互的手段。融合了語(yǔ)言學(xué)、計(jì)算機(jī)學(xué)、數(shù)學(xué)，使得計(jì)算機(jī)可以理解自然語(yǔ)言，提取信息并自動(dòng)翻譯、分析和處理。

自然語(yǔ)言處理技術(shù)可以分為兩個(gè)核心任務(wù):
自然語(yǔ)言理解NLU:希望計(jì)算機(jī)能夠和人一樣,具備正常人的語(yǔ)言理解能力。過(guò)去，
計(jì)算機(jī)只能處理結(jié)構(gòu)化的數(shù)據(jù)，NLU使得計(jì)算機(jī)能夠識(shí)別和提取語(yǔ)言中的意圖來(lái)實(shí)
現(xiàn)對(duì)于自然語(yǔ)言的理解。由于自然語(yǔ)言的多樣性、歧義性、知識(shí)依賴性和上下文，
計(jì)算機(jī)在理解上有很多難點(diǎn)，所以NLU至今還遠(yuǎn)不如人類的表現(xiàn)。
自然語(yǔ)言理解跟整個(gè)人工智能的發(fā)展歷史類似，一共經(jīng)歷了3次迭代:基于規(guī)則的
方法、基于統(tǒng)計(jì)的方法和基于深度學(xué)習(xí)的方法。

自然語(yǔ)言生成NLG:將非語(yǔ)言格式的數(shù)據(jù)轉(zhuǎn)換成人類可以理解的語(yǔ)言格式,如文章、
報(bào)告等。NLG的發(fā)展經(jīng)歷了三個(gè)階段，從早期的簡(jiǎn)單的數(shù)據(jù)合并到模板驅(qū)動(dòng)模式再
到現(xiàn)在的高級(jí)NLG，使得計(jì)算機(jī)能夠像人類一樣理解意圖，考慮上下文，并將結(jié)果
呈現(xiàn)在用戶可以輕松閱讀和理解的敘述中。自然語(yǔ)言生成可以分為以下六個(gè)步驟:
內(nèi)容確定、文本結(jié)構(gòu)、句子聚合、語(yǔ)法化、參考表達(dá)式生成和語(yǔ)言實(shí)現(xiàn)。

NLP主要被應(yīng)用在四個(gè)方面:

情感分析:互聯(lián)網(wǎng)上存在大量的信息，表達(dá)的內(nèi)容都是多種多樣的，但抒發(fā)的感情
大致可以分為正面和負(fù)面的，可以被用來(lái)快速了解用戶的輿情情況。

聊天機(jī)器人:近年來(lái)，智能家居的發(fā)展和普及使得聊天機(jī)器人的價(jià)值擴(kuò)大。

語(yǔ)音識(shí)別:微信中可以通過(guò)語(yǔ)音進(jìn)行輸入或直接將語(yǔ)音轉(zhuǎn)化為文字，汽車導(dǎo)航可以
直接說(shuō)目的地，大大提升了便利性。

機(jī)器翻譯:機(jī)器翻譯的準(zhǔn)確率在近年大幅提高，youtube 和 netflix甚至可以做到視
頻機(jī)器翻譯.

商業(yè)上，NLP主要被應(yīng)用在一下領(lǐng)域:
用于處理財(cái)務(wù)、醫(yī)療保健、零售、政府和其他部門手寫或機(jī)器建立檔案
文字處理工作，如:名稱實(shí)體辨識(shí)(NER)、分類、摘要和關(guān)聯(lián)擷取。這能將
擷取、識(shí)別和分析文檔資訊的流程自動(dòng)化。
語(yǔ)意搜尋和資訊擷取和知識(shí)圖表建立
跨零售、財(cái)務(wù)、旅游和其他產(chǎn)業(yè)客戶的交互AI系統(tǒng)等。

神經(jīng)網(wǎng)絡(luò)，尤其是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是當(dāng)前 NLP 的主要方法的核心。其中，2017 年由Google 開(kāi)發(fā)的 Transformer 模型現(xiàn)已逐步取代長(zhǎng)短期記憶（LSTM）等 RNN 模型成為了NLP 問(wèn)題的首選模型。Transformer 的并行化優(yōu)勢(shì)允許其在更大的數(shù)據(jù)集上進(jìn)行訓(xùn)練。這也促成了 BERT、GPT 等預(yù)訓(xùn)練模型的發(fā)展。這些系統(tǒng)使用了維基百科、Common Crawl等大型語(yǔ)料庫(kù)進(jìn)行訓(xùn)練，并可以針對(duì)特定任務(wù)進(jìn)行微調(diào)。

Transformer 模型是一種采用自注意力機(jī)制的深度學(xué)習(xí)模型，這一機(jī)制可以按輸入數(shù)據(jù)各部分重要性的不同而分配不同的權(quán)重。除了 NLP 以外，也被用于計(jì)算機(jī)視覺(jué)領(lǐng)域。與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）一樣，Transformer 模型旨在處理自然語(yǔ)言等順序輸入數(shù)據(jù)，可應(yīng)用于翻譯、文本摘要等任務(wù)。而與 RNN 不同的是，Transformer 模型能夠一次性處理所有輸入數(shù)據(jù)。注意力機(jī)制可以為輸入序列中的任意位置提供上下文。如果輸入數(shù)據(jù)是自然語(yǔ)言，則 Transformer 不必像 RNN 一樣一次只處理一個(gè)單詞，這種架構(gòu)允許更多的并行計(jì)算，并以此減少訓(xùn)練時(shí)間。

3.2 AIGC生成模型

近年來(lái)，AIGC 的快速發(fā)展歸功于生成算法領(lǐng)域的技術(shù)積累，其中包含了：生成對(duì)抗網(wǎng)絡(luò)（GAN）、變微分自動(dòng)編碼器（VAE）、標(biāo)準(zhǔn)化流模型（NFs）、自回歸模型（AR）、能量模型和擴(kuò)散模型（Diffusion Model）。可以看到，大模型、大數(shù)據(jù)、大算力是未來(lái)的發(fā)展趨勢(shì)。

生成對(duì)抗網(wǎng)絡(luò) GAN（Generative Adversarial Networks）

2014 年，Ian J.Goodfellow 提出了 GAN，是一種深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，由一個(gè)生成網(wǎng)
絡(luò)和一個(gè)判別網(wǎng)絡(luò)組成。生成網(wǎng)絡(luò)產(chǎn)生“假”數(shù)據(jù)，并試圖欺騙判別網(wǎng)絡(luò)；判別網(wǎng)
絡(luò)對(duì)生成數(shù)據(jù)進(jìn)行真?zhèn)舞b別，試圖正確識(shí)別所有“假”數(shù)據(jù)。在訓(xùn)練迭代的過(guò)程中，
兩個(gè)網(wǎng)絡(luò)持續(xù)地進(jìn)化和對(duì)抗，直到達(dá)到平衡狀態(tài)，判別網(wǎng)絡(luò)無(wú)法再識(shí)別“假”數(shù)據(jù)，
訓(xùn)練結(jié)束。

擴(kuò)散模型 Diffusion Model

擴(kuò)散模型是一種新型的生成模型，可生成各種高分辨率圖像。在 OpenAI，Nvidia
和 Google 設(shè)法訓(xùn)練大模型之后，它們已經(jīng)引起了很多關(guān)注?；跀U(kuò)散模型的示例架
構(gòu)包括 GLIDE，DALLE-2，Imagen 和完全開(kāi)源的穩(wěn)定擴(kuò)散。擴(kuò)散模型已經(jīng)擁有了成
為下一代圖像生成模型的代表的潛力。以 DALL-E 為例，能夠直接通過(guò)文本描述生
成圖像，讓計(jì)算機(jī)也擁有了人的創(chuàng)造力。

除了上述提到的自然語(yǔ)言處理技術(shù)和 AIGC 生成算法模型以外，超級(jí)計(jì)算機(jī)和算力這些硬件作為基礎(chǔ)設(shè)施也是不可或缺的。在機(jī)器學(xué)習(xí)的過(guò)程中，需要通過(guò)大量的訓(xùn)練來(lái)實(shí)現(xiàn)更準(zhǔn)確的結(jié)果，這樣的計(jì)算量普通的電腦是無(wú)法完成的，目前主要由英偉達(dá) A100 構(gòu)建的計(jì)算集群完成，而國(guó)內(nèi)外的初創(chuàng)企業(yè)也會(huì)通過(guò)云實(shí)現(xiàn)。

4.AIGC有哪些應(yīng)用價(jià)值？

AIGC將有望成為數(shù)字內(nèi)容創(chuàng)新發(fā)展的新引擎。
1）AIGC能夠以優(yōu)于人類的制造能力和知識(shí)水平承擔(dān)信息挖掘、素材調(diào)用、復(fù)刻編輯等基礎(chǔ)性機(jī)械勞動(dòng)，從技術(shù)層面實(shí)現(xiàn)以低邊際成本、高效率的方式滿足海量個(gè)性化需求。

2）AIGC能夠通過(guò)支持?jǐn)?shù)字內(nèi)容與其他產(chǎn)業(yè)的多維互動(dòng)、融合滲透從而孕育新業(yè)態(tài)新模式。

3）助力“元宇宙”發(fā)展。通過(guò)AIGC加速?gòu)?fù)刻物理世界、進(jìn)行無(wú)限內(nèi)容創(chuàng)作，從而實(shí)現(xiàn)自發(fā)有機(jī)生長(zhǎng)。

應(yīng)用場(chǎng)景：
1）AIGC+傳媒：寫稿機(jī)器人、采訪助手、視頻字幕生成、語(yǔ)音播報(bào)、視頻錦集、人工智能合成主播。

2）AIGC+電商：商品3D模型、虛擬主播、虛擬貨場(chǎng)。

3）AIGC+影視：AI劇本創(chuàng)作、AI合成人臉和聲音、AI創(chuàng)作角色和場(chǎng)景、AI自動(dòng)生成影視預(yù)告片。

4）AIGC+娛樂(lè)：AI換臉應(yīng)用（如FaceAPP、ZAO）、AI作曲（如初音未來(lái)虛擬歌姬）、AI合成音視頻動(dòng)畫。

5）AIGC+教育：AI合成虛擬教師、AI根據(jù)課本制作歷史人物形象、AI將2D課本轉(zhuǎn)換為3D。

6）AIGC+金融：通過(guò)AIGC實(shí)現(xiàn)金融資訊、產(chǎn)品介紹視頻內(nèi)容的自動(dòng)化生產(chǎn)，通過(guò)AIGC塑造虛擬數(shù)字人客服。

7）AIGC+醫(yī)療；AIGC為失聲者合成語(yǔ)言音頻、為殘疾人合成肢體投影、為心理疾病患者合成醫(yī)護(hù)陪伴。

8）AIGC+工業(yè)：通過(guò)AIGC完成工程設(shè)計(jì)中重復(fù)的低層次任務(wù)，通過(guò)AIGC生成衍生設(shè)計(jì)，為工程師提供靈感。

5.AIGC給我們帶來(lái)的改變

1）瀾舟科技開(kāi)發(fā)的孟子模型已在營(yíng)銷文案生成、文學(xué)輔助創(chuàng)作、研報(bào)生成、論文助寫、數(shù)字人臉生成、新聞報(bào)道撰寫、智能客服等領(lǐng)域落地。
利用孟子模型，僅需幾秒就能生成一篇營(yíng)銷文案，成本約2元，而完全由人工撰寫約需60元。周明說(shuō)，孟子模型所學(xué)知識(shí)遠(yuǎn)超個(gè)體，“寫出”的文案在多樣性和新穎性方面更具優(yōu)勢(shì)?！罢w來(lái)看，利用AI輔助創(chuàng)作，提高內(nèi)容生產(chǎn)效率、降低成本，已是大勢(shì)所趨?！?/p>

2）自然語(yǔ)言處理、語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)等任務(wù)的性能均顯著提升。這些技術(shù)的變革使AI越來(lái)越“聰明”和“善解人意”，通過(guò)大量訓(xùn)練，在很多專業(yè)領(lǐng)域可表現(xiàn)出超過(guò)人類的創(chuàng)作能力，同時(shí)還能與人類順暢交流。

標(biāo)準(zhǔn)化、制式化的創(chuàng)作和職業(yè)將被更多替代，而具有獨(dú)立思考、具備豐富創(chuàng)意的內(nèi)容及工作，重要性將更加凸顯。

3）AIGC應(yīng)用將提升生產(chǎn)效率，加速內(nèi)容生產(chǎn)和產(chǎn)品研發(fā)進(jìn)程；改變信息獲取來(lái)源，優(yōu)化用戶搜索體驗(yàn)；也會(huì)降低互聯(lián)網(wǎng)內(nèi)容的生產(chǎn)門檻。

AIGC有助于拓展藝術(shù)創(chuàng)作的想象力。創(chuàng)作者受自身習(xí)慣、風(fēng)格與偏好影響，其想象力易拘泥于某一子空間；而人工智能沒(méi)有桎梏與約束，能更好地激發(fā)藝術(shù)創(chuàng)造力。

6.AIGC面臨的挑戰(zhàn)

AIGC在引發(fā)全球關(guān)注的同時(shí)，知識(shí)產(chǎn)權(quán)、技術(shù)倫理將面臨諸多挑戰(zhàn)和風(fēng)險(xiǎn)。同時(shí)AIGC距離通用人工智能還有較大的差距。

1）知識(shí)產(chǎn)權(quán)爭(zhēng)議。AIGC的飛速發(fā)展和商業(yè)化應(yīng)用，除了對(duì)創(chuàng)作者造成沖擊外，也對(duì)大量依靠版權(quán)為主要營(yíng)收的企業(yè)帶來(lái)沖擊。

2）關(guān)鍵技術(shù)難點(diǎn)。AIGC距離通用人工智能還有較大差距，當(dāng)前熱門的AIGC系統(tǒng)雖然能夠快速生成圖像，但是這些系統(tǒng)未必能夠真正理解繪畫的含義，從而能夠根據(jù)這些含義進(jìn)行推理并決策。

3）創(chuàng)作倫理問(wèn)題。部分開(kāi)源的AIGC項(xiàng)目對(duì)生成的圖像監(jiān)管程度較低，數(shù)據(jù)集系統(tǒng)利用私人用戶照片進(jìn)行AI訓(xùn)練，侵權(quán)人像圖片進(jìn)行訓(xùn)練的現(xiàn)象屢禁不止。一些用戶利用AIGC生成虛假名人照片等違禁圖片，甚至?xí)谱鞒霰┝托杂嘘P(guān)的畫作。由于AI本身尚不具備價(jià)值判斷能力，一些平臺(tái)已經(jīng)開(kāi)始進(jìn)行倫理方面的限制和干預(yù)，但相關(guān)法律法規(guī)仍處于真空階段。

4）環(huán)境挑戰(zhàn)。基于預(yù)訓(xùn)練模型的AIGC不僅是訓(xùn)練還是運(yùn)行，都需要大量算力支持，無(wú)形中增加了能源消耗，其高速發(fā)展給環(huán)境保護(hù)和氣候變化帶來(lái)了巨大挑戰(zhàn)，產(chǎn)生高碳排放。

5）安全挑戰(zhàn)。安全問(wèn)題始終是AI技術(shù)發(fā)展和應(yīng)用中不可回避的。同樣的，在AIGC方面也存在內(nèi)容安全、技術(shù)濫用、用戶隱私和身份、AI內(nèi)生安全等多個(gè)方面的安全挑戰(zhàn)。
一是內(nèi)容本身。一直以來(lái)，互聯(lián)網(wǎng)信息空間都面臨著虛假信息和信息內(nèi)容安全的挑戰(zhàn)，國(guó)內(nèi)外互聯(lián)網(wǎng)內(nèi)容平臺(tái)，如Facebook、Twitter、微信、微博等都不斷在提升其虛假內(nèi)容和信息安全的治理能力。但隨著AIGC內(nèi)容的持續(xù)增長(zhǎng)，虛假信息和信息內(nèi)容安全的挑戰(zhàn)也會(huì)增加。
二是，對(duì)AIGC的惡意使用或?yàn)E用，引發(fā)的深度合成詐騙、色情、誹謗、假冒身份等新型違法犯罪行為。不法分子利用開(kāi)源的AIGC模型或工具，可以以更低的門檻、更高的效率來(lái)制作出音視頻、圖片和文字等種類豐富的、真?zhèn)伪鎰e難度大的虛假信息，同時(shí)也更容易地盜用用戶身份，以此開(kāi)展新型詐騙等非法活動(dòng)。
三是，用戶隱私和身份安全。AIGC模型訓(xùn)練的數(shù)據(jù)中基本上來(lái)源于互聯(lián)網(wǎng)，其中可能包括個(gè)人隱私數(shù)據(jù)，并且預(yù)訓(xùn)練模型強(qiáng)大的推理能力可能會(huì)導(dǎo)致個(gè)人隱私數(shù)據(jù)泄露的風(fēng)險(xiǎn)。此前，如下圖所示GPT-2就發(fā)生過(guò)隱私泄露的問(wèn)題，可見(jiàn)個(gè)人隱私數(shù)據(jù)是被收錄在模型的訓(xùn)練數(shù)據(jù)集之中。

四是，AIGC的內(nèi)生安全挑戰(zhàn)。在MaaS的產(chǎn)業(yè)應(yīng)用模式下，生成模型的內(nèi)生安全問(wèn)題，如遭受后門攻擊、數(shù)據(jù)中毒等，以及如何將被攻擊模型中的有毒數(shù)據(jù)去除。與此同時(shí)，用戶數(shù)據(jù)通常以明文形式提交給模型服務(wù)提供商，如何利用現(xiàn)有的加密技術(shù)保護(hù)用戶數(shù)據(jù)隱私也是一個(gè)重要的安全挑戰(zhàn)。

社會(huì)各界需要攜手應(yīng)對(duì)AIGC領(lǐng)域的相關(guān)問(wèn)題和挑戰(zhàn)，致力于打造綠色可持續(xù)、環(huán)境友好型的AI模型，實(shí)現(xiàn)智能化與低碳化融合發(fā)展。

“未來(lái)已來(lái)，讓我們擁抱AIGC，擁抱人工智能的下一個(gè)時(shí)代，打造更美好的未來(lái)?！?/p>