人工智能生成內(nèi)容的發(fā)展歷程與概念

• 曾理偉 2023年5月17日 來(lái)源：互聯(lián)網(wǎng) 1102 70
• 繁體

1950年，艾倫圖靈(Alan Turing)在其論文《計(jì)算機(jī)器與智能（Computing Machinery and Intelligence）》中提出了著名的“圖靈測(cè)試”，給出了判定機(jī)器是否具有“智能”的試驗(yàn)方法，即機(jī)器是否能夠模仿人類(lèi)的思維方式來(lái)“生成”內(nèi)容繼而與人交互。某種程度上來(lái)說(shuō)，人2

欲了解更多AIGC行業(yè)的未來(lái)發(fā)展前景，可以點(diǎn)擊查看中研普華產(chǎn)業(yè)院研究報(bào)告《2022-2027年中國(guó)AI智能學(xué)習(xí)機(jī)行業(yè)市場(chǎng)全景調(diào)研及投資價(jià)值評(píng)估研究報(bào)告》

一、人工智能生成內(nèi)容的發(fā)展歷程與概念

1950年，艾倫圖靈(Alan Turing)在其論文《計(jì)算機(jī)器與智能（Computing Machinery and Intelligence）》中提出了著名的“圖靈測(cè)試”，給出了判定機(jī)器是否具有“智能”的試驗(yàn)方法，即機(jī)器是否能夠模仿人類(lèi)的思維方式來(lái)“生成”內(nèi)容繼而與人交互。某種程度上來(lái)說(shuō)，人工智能從那時(shí)起就被寄予了用于內(nèi)容創(chuàng)造的期許。經(jīng)過(guò)半個(gè)多世紀(jì)的發(fā)展，隨著數(shù)據(jù)快速積累、算力性能提升和算法效力增強(qiáng)，今天的人工智能不僅能夠與人類(lèi)進(jìn)行互動(dòng)，還可以進(jìn)行寫(xiě)作、編曲、繪畫(huà)、視頻制作等創(chuàng)意工作。2018年，人工智能生成的畫(huà)作在佳士得拍賣(mài)行以43.25萬(wàn)美元成交，成為世界上首個(gè)出售的人工智能藝術(shù)品，引發(fā)各界關(guān)注。隨著人工智能越來(lái)越多地被應(yīng)用于內(nèi)容創(chuàng)作，人工智能生成內(nèi)容(Artificial Intelligence Generated Content,簡(jiǎn)稱(chēng)AIGC）的概念悄然興起。

（一）AIGC歷史沿革結(jié)合人工智能的演進(jìn)歷程，AIGC的發(fā)展大致可以分為三個(gè)階段，即：早期萌芽階段（20世紀(jì)50年代至90年代中期）、沉淀積累階段（20世紀(jì)90年代中期至21世紀(jì)10年代中期），以及快速發(fā)展階段（21世紀(jì)10年代中期至今）。

早期萌芽階段（1950s-1990s），受限于當(dāng)時(shí)的科技水平，AIGC僅限于小范圍實(shí)驗(yàn)。1957年，萊杰倫希勒（Lejaren Hiller）和倫納德艾薩克森（LeonardIsaacson)通過(guò)將計(jì)算機(jī)程序中的控制變量換成音符完成了歷史上第一支由計(jì)算機(jī)創(chuàng)作的音樂(lè)作品——弦樂(lè)四重奏《依利亞克組曲（Illiac Suite）》。1966年，約瑟夫魏岑鮑姆（JosephWeizenbaum)和肯尼斯科爾比（Kenneth Colby）共同開(kāi)發(fā)了世界第一款可人機(jī)對(duì)話(huà)的機(jī)器人“伊莉莎（Eliza)”，其通過(guò)關(guān)鍵字掃描和重組完成交互任務(wù)。80年代中期，IBM基于隱形馬爾科夫鏈模型（Hidden Markov Model,HMM）創(chuàng)造了語(yǔ)音控制打字機(jī)“坦戈拉（Tangora）”，能夠處理約20000個(gè)單詞。80年代末至90年代中，由于高昂的系統(tǒng)成本無(wú)法帶來(lái)可觀(guān)的商業(yè)變現(xiàn)，各國(guó)政府紛紛減少了在人工智能領(lǐng)域的投入，AIGC沒(méi)有取得重大突破。

沉淀積累階段（1990s-2010s），AIGC從實(shí)驗(yàn)性向?qū)嵱眯灾饾u轉(zhuǎn)變。2006年，深度學(xué)習(xí)算法取得重大突破，同時(shí)期圖形處理器（Graphics Processing Unit,GPU）、張量處理器（Tensor Processing Unit,TPU)等算力設(shè)備性能不斷提升，互聯(lián)網(wǎng)使數(shù)據(jù)規(guī)?？焖倥蛎洸楦黝?lèi)人工智能算法提供了海量訓(xùn)練數(shù)據(jù)，使人工智能發(fā)展取得了顯著的進(jìn)步。但是AIGC依然受限于算法瓶頸，無(wú)法較好地完成創(chuàng)作任務(wù)，應(yīng)用仍然有限，效果有待提升。2007年，紐約大學(xué)人工智能研究員羅斯·古德溫裝配的人工智能系統(tǒng)通過(guò)對(duì)公路旅行中的一切所見(jiàn)所聞進(jìn)行記錄和感知，撰寫(xiě)出小說(shuō)《1 The Road》。作為世界第一部完全由人工智能創(chuàng)作的小說(shuō)，其象征意義遠(yuǎn)大于實(shí)際意義，整體可讀性不強(qiáng)，拼寫(xiě)錯(cuò)誤、辭藻空洞、缺乏邏輯等缺點(diǎn)明顯。2012年，微軟公開(kāi)展示了一個(gè)全自動(dòng)同聲傳譯系統(tǒng)，基于深層神經(jīng)網(wǎng)絡(luò)（Deep NeuralNetwork,DNN）可以自動(dòng)將英文演講者的內(nèi)容通過(guò)語(yǔ)音識(shí)別、語(yǔ)言翻譯、語(yǔ)音合成等技術(shù)生成中文語(yǔ)音。

快速發(fā)展階段（2010s-至今），自2014年起，隨著以生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN）為代表的深度學(xué)習(xí)算法的提出和迭代更新，AIGC迎來(lái)了新時(shí)代，生成內(nèi)容百花齊放，效果逐漸逼真直至人類(lèi)難以分辨。2017年，微軟人工智能少女“小冰”推出了世界首部100%由人工智能創(chuàng)作的詩(shī)集《陽(yáng)光失了玻璃窗》。2018年，英偉達(dá)發(fā)布的StyleGAN模型可以自動(dòng)生成圖片，目前已升級(jí)到第四代模型StyleGAN-XL，其生成的高分辨率圖片人眼難以分辨真假。2019年，DeepMind發(fā)布了DVD-GAN模型用以生成連續(xù)視頻，在草地、廣場(chǎng)等明確場(chǎng)景下表現(xiàn)突出。2021年，OpenAI推出了DALL-E并于一年后推出了升級(jí)版本DALL-E-2，主要應(yīng)用于文本與圖像的交互生成內(nèi)容，用戶(hù)只需輸入簡(jiǎn)短的描述性文字，DALL-E-2即可創(chuàng)作出相應(yīng)極高質(zhì)量的卡通、寫(xiě)實(shí)、抽象等風(fēng)格的繪畫(huà)作品。

（二）AIGC的概念與內(nèi)涵

目前，對(duì)AIGC這一概念的界定，尚無(wú)統(tǒng)一規(guī)范的定義。國(guó)內(nèi)產(chǎn)學(xué)研各界對(duì)于A(yíng)IGC的理解是“繼專(zhuān)業(yè)生成內(nèi)容（ProfessionalGenerated Content,PGC）和用戶(hù)生成內(nèi)容（User Generated Content,UGC）之后，利用人工智能技術(shù)自動(dòng)生成內(nèi)容的新型生產(chǎn)方式”。在國(guó)際上對(duì)應(yīng)的術(shù)語(yǔ)是“人工智能合成媒體（AI-generated Media 或Synthetic Media)”1，其定義是“通過(guò)人工智能算法對(duì)數(shù)據(jù)或媒體進(jìn)行生產(chǎn)、操控和修改的統(tǒng)稱(chēng)”。綜上所述，我們認(rèn)為AIGC既是從內(nèi)容生產(chǎn)者視角進(jìn)行分類(lèi)的一類(lèi)內(nèi)容，又是一種內(nèi)容生產(chǎn)方式，還是用于內(nèi)容自動(dòng)化生成的一類(lèi)技術(shù)集合。

為了幫助不同領(lǐng)域的受眾群體更好的理解AIGC，我們從發(fā)展背景、技術(shù)能力、應(yīng)用價(jià)值三個(gè)方面對(duì)其概念進(jìn)行深入剖析。

從發(fā)展背景方面來(lái)看，AIGC的興起源于深度學(xué)習(xí)技術(shù)的快速突破和日益增長(zhǎng)的數(shù)字內(nèi)容供給需求。一方面，技術(shù)進(jìn)步驅(qū)動(dòng)AIGC可用性不斷增強(qiáng)。在人工智能發(fā)展初期，雖然對(duì)AIGC進(jìn)行了一些初步嘗試，但受限各種因素，相關(guān)算法多基于預(yù)先定義的規(guī)則或者模板，還遠(yuǎn)遠(yuǎn)算不上是智能創(chuàng)作內(nèi)容的程度。近年來(lái)，基于深度學(xué)習(xí)算法的AIGC技術(shù)快速迭代，徹底打破了原先模板化、公式化、小范圍的局限，可以快速、靈活地生成不同模態(tài)的數(shù)據(jù)內(nèi)容。另一方面，海量需求牽引AIGC應(yīng)用落地。隨著數(shù)字經(jīng)濟(jì)與實(shí)體經(jīng)濟(jì)融合程度不斷加深，以及Meta、微軟、字節(jié)跳動(dòng)等平臺(tái)型巨頭的數(shù)字化場(chǎng)景向元宇宙轉(zhuǎn)型，人類(lèi)對(duì)數(shù)字內(nèi)容總量和豐富程度的整體需求不斷提高。數(shù)字內(nèi)容的生產(chǎn)取決于想象能力、制造能力和知識(shí)水平；傳統(tǒng)內(nèi)容生產(chǎn)手段受限于人力有限的制造能力，逐漸無(wú)法滿(mǎn)足消費(fèi)者對(duì)于數(shù)字內(nèi)容的消費(fèi)需求，供給側(cè)產(chǎn)能瓶頸日益凸顯?；谝陨显?，AIGC在各行業(yè)中得到越來(lái)越廣泛的應(yīng)用，市場(chǎng)潛力逐漸顯現(xiàn)。

從技術(shù)能力方面來(lái)看，AIGC根據(jù)面向?qū)ο?、?shí)現(xiàn)功能的不同可分為三個(gè)層次。一是智能數(shù)字內(nèi)容孿生，其主要目標(biāo)是建立現(xiàn)實(shí)世界到數(shù)字世界的映射，將現(xiàn)實(shí)世界中的物理屬性(如物體的大小、紋理、顏色等）和社會(huì)屬性（如主體行為、主體關(guān)系等）高效、可感知地進(jìn)行數(shù)字化。二是智能數(shù)字內(nèi)容編輯，其主要目的是建立數(shù)字世界與現(xiàn)實(shí)世界的雙向交互。在數(shù)字內(nèi)容孿生的基礎(chǔ)上，從現(xiàn)實(shí)世界實(shí)現(xiàn)對(duì)虛擬數(shù)字世界中內(nèi)容的控制和修改，同時(shí)利用數(shù)字世界高效率仿真和低成本試錯(cuò)的優(yōu)勢(shì)，為現(xiàn)實(shí)世界的應(yīng)用提供快速迭代能力。三是智能數(shù)字內(nèi)容創(chuàng)作，其主要目標(biāo)是讓人工智能算法具備內(nèi)容創(chuàng)作和自我演化的能力，形成的AIGC產(chǎn)品具備類(lèi)似甚至超越人的創(chuàng)作能力。以上三個(gè)層面的能力共同構(gòu)成AIGC的能力閉環(huán)。

從應(yīng)用價(jià)值方面來(lái)看，AIGC將有望成為數(shù)字內(nèi)容創(chuàng)新發(fā)展的新引擎，為數(shù)字經(jīng)濟(jì)發(fā)展注入全新動(dòng)能。一方面，AIGC能夠以?xún)?yōu)于人類(lèi)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(mǎn)足海量個(gè)性化需求；同時(shí)能夠創(chuàng)新內(nèi)容生產(chǎn)的流程和范式，為更具想象力的內(nèi)容、更加多樣化的傳播方式提供可能性，推動(dòng)內(nèi)容生產(chǎn)向更有創(chuàng)造力的方向發(fā)展。另一方面，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，打造經(jīng)濟(jì)發(fā)展新增長(zhǎng)點(diǎn)，為千行百業(yè)發(fā)展提供新動(dòng)能。此外，2021年以來(lái)，“元宇宙”呈現(xiàn)出超出想象的發(fā)展爆發(fā)力；作為數(shù)實(shí)融合的“終極”數(shù)字載體，元宇宙將具備持續(xù)性、實(shí)時(shí)性、可創(chuàng)造性等特征，也將通過(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)。

二、人工智能生成內(nèi)容的技術(shù)體系及其演進(jìn)方向

AIGC作為人工智能技術(shù)和產(chǎn)業(yè)應(yīng)用的要素之一，隨著技術(shù)能力的不斷迭代升級(jí)，正在降低內(nèi)容創(chuàng)作門(mén)檻、釋放創(chuàng)作能力，未來(lái)將推動(dòng)數(shù)實(shí)融合趨勢(shì)下內(nèi)容創(chuàng)作的范式轉(zhuǎn)變。探討其能力體系的構(gòu)成，即賦能內(nèi)容創(chuàng)作的技術(shù)路徑，對(duì)制定領(lǐng)域內(nèi)標(biāo)準(zhǔn)、建立行業(yè)生態(tài)、爭(zhēng)取更加廣泛的開(kāi)發(fā)者和應(yīng)用場(chǎng)景具有十分重要的意義。

（一）AIGC技術(shù)升級(jí)步入深化階段人工智能算法的不斷迭代是AIGC發(fā)展進(jìn)步的源動(dòng)力，從技術(shù)演進(jìn)的角度出發(fā)，可將AIGC技術(shù)可大致劃分為傳統(tǒng)基于模板或規(guī)則的前深度學(xué)習(xí)階段和深度神經(jīng)網(wǎng)絡(luò)快速發(fā)展的深度學(xué)習(xí)階段。早期的AIGC技術(shù)主要依據(jù)事先指定的模板或者規(guī)則，進(jìn)行簡(jiǎn)單的內(nèi)容制作與輸出，與靈活且真實(shí)的內(nèi)容生成有較大的差距。該時(shí)期的人工智能算法并不具備強(qiáng)大的學(xué)習(xí)能力，而是大多依賴(lài)于預(yù)先定義的統(tǒng)計(jì)模型或?qū)＜蚁到y(tǒng)執(zhí)行特定的任務(wù)。通過(guò)巧妙地規(guī)則設(shè)計(jì)，早期A(yíng)IGC技術(shù)可以完成簡(jiǎn)單線(xiàn)條、文本和旋律的生成。例如，通過(guò)定義復(fù)雜的函數(shù)方程組，計(jì)算機(jī)所繪出的函數(shù)曲線(xiàn)具備某種美學(xué)圖樣；通過(guò)記錄大量的問(wèn)答文本，在面對(duì)新的問(wèn)題時(shí)，計(jì)算機(jī)可以通過(guò)檢索和匹配的方式生成簡(jiǎn)單的答案，甚至于改寫(xiě)故事。但是由于缺乏對(duì)客觀(guān)世界的深入感知和對(duì)人類(lèi)語(yǔ)言文字等知識(shí)的認(rèn)知能力，早期的AIGC技術(shù)普遍面臨所生成的內(nèi)容空洞、刻板、文不對(duì)題等問(wèn)題。參考人類(lèi)的內(nèi)容創(chuàng)作過(guò)程，研究人員們提出，理想的AIGC算法需要具備對(duì)數(shù)據(jù)內(nèi)容的學(xué)習(xí)能力，在理解數(shù)據(jù)的基礎(chǔ)上進(jìn)行知識(shí)與分布的學(xué)習(xí)，最終實(shí)現(xiàn)高質(zhì)量的內(nèi)容創(chuàng)作。

深度神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)范式和網(wǎng)絡(luò)結(jié)構(gòu)上的不斷迭代極大的提升了人工智能算法的學(xué)習(xí)能力，從而推動(dòng)了AIGC技術(shù)的快速發(fā)展。不同于傳統(tǒng)人工智能算法，深度學(xué)習(xí)中的損失函數(shù)和梯度下降算法可以靈活快速的調(diào)整深度神經(jīng)網(wǎng)絡(luò)中的參數(shù)，從而實(shí)現(xiàn)從數(shù)據(jù)中進(jìn)行學(xué)習(xí)功能。2012年，卷積神經(jīng)網(wǎng)絡(luò)AlexNet1憑借優(yōu)秀的學(xué)習(xí)能力，在當(dāng)年的ImageNet大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽中一舉奪魁，比第二名傳統(tǒng)機(jī)器學(xué)習(xí)算法的錯(cuò)誤率提升10.8個(gè)百分點(diǎn)，開(kāi)啟了深度學(xué)習(xí)時(shí)代的序幕。就在緊隨其后的2013年，深度變分自編碼器的提出讓AIGC技術(shù)能力有了極大的進(jìn)步。對(duì)于給定的神經(jīng)網(wǎng)絡(luò)，深度變分自編碼器要求網(wǎng)絡(luò)的輸出是對(duì)于輸入內(nèi)容的重建，通過(guò)重參數(shù)化等技巧，網(wǎng)絡(luò)在重建過(guò)程中學(xué)習(xí)訓(xùn)練數(shù)據(jù)的統(tǒng)計(jì)分布。在測(cè)試階段，變分自編碼器通過(guò)在學(xué)習(xí)到的統(tǒng)計(jì)分布中進(jìn)行采樣，首次能比穩(wěn)定的生成從未觀(guān)測(cè)過(guò)的低分辨率圖像。2014年，一種新的博弈學(xué)習(xí)范式伴隨著生成對(duì)抗網(wǎng)絡(luò)[3]被提出。生成對(duì)抗網(wǎng)絡(luò)由一個(gè)生成器和一個(gè)判別器組成，判別器致力于不斷尋找生成數(shù)據(jù)和真實(shí)數(shù)據(jù)間的不同，生成器根據(jù)判別器的反饋不斷完善自身，以求生成真假難辨的內(nèi)容。得益于雙方博弈的學(xué)習(xí)策略，生成內(nèi)容的真實(shí)性和清晰度都得到了極大的提升，生成對(duì)抗網(wǎng)絡(luò)也被應(yīng)用于很多內(nèi)容生成的具體應(yīng)用。

除了變分自編碼器和生成對(duì)抗網(wǎng)絡(luò)，強(qiáng)化學(xué)習(xí)[4、流模型5、擴(kuò)散模型回等學(xué)習(xí)范式均取得了喜人的進(jìn)展，這些模型范式在不同場(chǎng)景中各有優(yōu)勢(shì)，讓AIGC技術(shù)可以快速地應(yīng)用到不同的場(chǎng)景和任務(wù)中。深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)升級(jí)是推動(dòng)AIGC快速發(fā)展的另一主要因素。一方面，實(shí)驗(yàn)證明，深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和模型大小呈正相關(guān)，伴隨著模型參數(shù)量的增加，相對(duì)應(yīng)深度神經(jīng)網(wǎng)絡(luò)的能力一般會(huì)取得大幅提升。但是，隨意地增加神經(jīng)網(wǎng)絡(luò)規(guī)模是行不通的，越大規(guī)模神經(jīng)網(wǎng)絡(luò)往往意味著更大的訓(xùn)練難度，因此深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)顯得尤為關(guān)鍵。從早期的玻爾茲曼機(jī)，多層感知機(jī)，卷積神經(jīng)網(wǎng)絡(luò)，到深度殘差網(wǎng)絡(luò)和Transformer大模型，網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)化帶來(lái)了深度學(xué)習(xí)模型參數(shù)量從幾萬(wàn)到數(shù)千億躍升，模型層數(shù)也從開(kāi)始的個(gè)位數(shù)逐步發(fā)展到成百上千。

深度學(xué)習(xí)模型規(guī)模上的量變引起了AIGC技術(shù)能力的質(zhì)變，在新型網(wǎng)絡(luò)結(jié)構(gòu)的加持下，上述的生成對(duì)抗網(wǎng)絡(luò)等算法開(kāi)始能生成超高清晰度的視頻，高質(zhì)量的文本段落和優(yōu)美靈動(dòng)的樂(lè)曲旋律。另一方面，研究者們?cè)谏疃壬窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)中引入包含語(yǔ)義的隱式表達(dá)和物理知識(shí)，以降低模型的訓(xùn)練難度、增強(qiáng)生成內(nèi)容的豐富程度。例如，研究者發(fā)現(xiàn)通過(guò)在神經(jīng)網(wǎng)絡(luò)的每一層引入隱式表達(dá)，能夠極大地提升內(nèi)容生成算法的可控性和生成效果。另外，在三維數(shù)據(jù)的生成任務(wù)中，神經(jīng)輻射場(chǎng)（8在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)時(shí)充分考慮了物理世界的固有約束，極大提升了三維渲染效率和效果。AIGC要真正發(fā)揮對(duì)不同行業(yè)的驅(qū)動(dòng)作用，需要與各行各業(yè)的特異性場(chǎng)景深度融合。在處理這些實(shí)際應(yīng)用中，深度學(xué)習(xí)算法在感知、認(rèn)知、模仿、生成等方向的基礎(chǔ)能力決定了AIGC技術(shù)所能創(chuàng)作的生產(chǎn)力。近些年中，這些算法技術(shù)齊頭并進(jìn)、百花齊放，并最終形成了AIGC應(yīng)用于不同場(chǎng)景的底層支撐。通過(guò)人工智能支撐技術(shù)的不斷升級(jí)，AIGC技術(shù)將持續(xù)賦能各類(lèi)文化創(chuàng)意、生產(chǎn)生活、科學(xué)發(fā)現(xiàn)等各種場(chǎng)景。

• 相關(guān)深度報(bào)告REPORTS

  

  2023-2028年國(guó)內(nèi)監(jiān)控?cái)z像機(jī)行業(yè)發(fā)展趨勢(shì)及發(fā)展策略研究報(bào)告

  監(jiān)控?cái)z像機(jī)是用在安防方面的準(zhǔn)攝像機(jī)，它的像素和分辨率比電腦的視頻頭要高，比專(zhuān)業(yè)的數(shù)碼相機(jī)或dv低。監(jiān)控?cái)z像機(jī)大多只是單一的視頻捕捉設(shè)備，很少具備數(shù)據(jù)保存功能。監(jiān)控?cái)z像機(jī)從外型上主要區(qū)...

  查看詳情

延伸閱讀

推薦閱讀

猜您喜歡