人工智能生成内容的发展历程与概念

欲了解更多AIGC行业的未来发展前景，可以点击查看中研普华产业院研究报告《2022-2027年中国AI智能学习机行业市场全景调研及投资价值评估研究报告》

一、人工智能生成内容的发展历程与概念

1950年，艾伦图灵(Alan Turing)在其论文《计算机器与智能（Computing Machinery and Intelligence）》中提出了著名的“图灵测试”，给出了判定机器是否具有“智能”的试验方法，即机器是否能够模仿人类的思维方式来“生成”内容继而与人交互。某种程度上来说，人工智能从那时起就被寄予了用于内容创造的期许。经过半个多世纪的发展，随着数据快速积累、算力性能提升和算法效力增强，今天的人工智能不仅能够与人类进行互动，还可以进行写作、编曲、绘画、视频制作等创意工作。2018年，人工智能生成的画作在佳士得拍卖行以43.25万美元成交，成为世界上首个出售的人工智能艺术品，引发各界关注。随着人工智能越来越多地被应用于内容创作，人工智能生成内容(Artificial Intelligence Generated Content,简称AIGC）的概念悄然兴起。

（一）AIGC历史沿革结合人工智能的演进历程，AIGC的发展大致可以分为三个阶段，即：早期萌芽阶段（20世纪50年代至90年代中期）、沉淀积累阶段（20世纪90年代中期至21世纪10年代中期），以及快速发展阶段（21世纪10年代中期至今）。

早期萌芽阶段（1950s-1990s），受限于当时的科技水平，AIGC仅限于小范围实验。1957年，莱杰伦希勒（Lejaren Hiller）和伦纳德艾萨克森（LeonardIsaacson)通过将计算机程序中的控制变量换成音符完成了历史上第一支由计算机创作的音乐作品——弦乐四重奏《依利亚克组曲（Illiac Suite）》。1966年，约瑟夫魏岑鲍姆（JosephWeizenbaum)和肯尼斯科尔比（Kenneth Colby）共同开发了世界第一款可人机对话的机器人“伊莉莎（Eliza)”，其通过关键字扫描和重组完成交互任务。80年代中期，IBM基于隐形马尔科夫链模型（Hidden Markov Model,HMM）创造了语音控制打字机“坦戈拉（Tangora）”，能够处理约20000个单词。80年代末至90年代中，由于高昂的系统成本无法带来可观的商业变现，各国政府纷纷减少了在人工智能领域的投入，AIGC没有取得重大突破。

沉淀积累阶段（1990s-2010s），AIGC从实验性向实用性逐渐转变。2006年，深度学习算法取得重大突破，同时期图形处理器（Graphics Processing Unit,GPU）、张量处理器（Tensor Processing Unit,TPU)等算力设备性能不断提升，互联网使数据规模快速膨胀并为各类人工智能算法提供了海量训练数据，使人工智能发展取得了显著的进步。但是AIGC依然受限于算法瓶颈，无法较好地完成创作任务，应用仍然有限，效果有待提升。2007年，纽约大学人工智能研究员罗斯·古德温装配的人工智能系统通过对公路旅行中的一切所见所闻进行记录和感知，撰写出小说《1 The Road》。作为世界第一部完全由人工智能创作的小说，其象征意义远大于实际意义，整体可读性不强，拼写错误、辞藻空洞、缺乏逻辑等缺点明显。2012年，微软公开展示了一个全自动同声传译系统，基于深层神经网络（Deep NeuralNetwork,DNN）可以自动将英文演讲者的内容通过语音识别、语言翻译、语音合成等技术生成中文语音。

快速发展阶段（2010s-至今），自2014年起，随着以生成式对抗网络(Generative Adversarial Network,GAN）为代表的深度学习算法的提出和迭代更新，AIGC迎来了新时代，生成内容百花齐放，效果逐渐逼真直至人类难以分辨。2017年，微软人工智能少女“小冰”推出了世界首部100%由人工智能创作的诗集《阳光失了玻璃窗》。2018年，英伟达发布的StyleGAN模型可以自动生成图片，目前已升级到第四代模型StyleGAN-XL，其生成的高分辨率图片人眼难以分辨真假。2019年，DeepMind发布了DVD-GAN模型用以生成连续视频，在草地、广场等明确场景下表现突出。2021年，OpenAI推出了DALL-E并于一年后推出了升级版本DALL-E-2，主要应用于文本与图像的交互生成内容，用户只需输入简短的描述性文字，DALL-E-2即可创作出相应极高质量的卡通、写实、抽象等风格的绘画作品。

（二）AIGC的概念与内涵

目前，对AIGC这一概念的界定，尚无统一规范的定义。国内产学研各界对于AIGC的理解是“继专业生成内容（ProfessionalGenerated Content,PGC）和用户生成内容（User Generated Content,UGC）之后，利用人工智能技术自动生成内容的新型生产方式”。在国际上对应的术语是“人工智能合成媒体（AI-generated Media 或Synthetic Media)”1，其定义是“通过人工智能算法对数据或媒体进行生产、操控和修改的统称”。综上所述，我们认为AIGC既是从内容生产者视角进行分类的一类内容，又是一种内容生产方式，还是用于内容自动化生成的一类技术集合。

为了帮助不同领域的受众群体更好的理解AIGC，我们从发展背景、技术能力、应用价值三个方面对其概念进行深入剖析。

从发展背景方面来看，AIGC的兴起源于深度学习技术的快速突破和日益增长的数字内容供给需求。一方面，技术进步驱动AIGC可用性不断增强。在人工智能发展初期，虽然对AIGC进行了一些初步尝试，但受限各种因素，相关算法多基于预先定义的规则或者模板，还远远算不上是智能创作内容的程度。近年来，基于深度学习算法的AIGC技术快速迭代，彻底打破了原先模板化、公式化、小范围的局限，可以快速、灵活地生成不同模态的数据内容。另一方面，海量需求牵引AIGC应用落地。随着数字经济与实体经济融合程度不断加深，以及Meta、微软、字节跳动等平台型巨头的数字化场景向元宇宙转型，人类对数字内容总量和丰富程度的整体需求不断提高。数字内容的生产取决于想象能力、制造能力和知识水平；传统内容生产手段受限于人力有限的制造能力，逐渐无法满足消费者对于数字内容的消费需求，供给侧产能瓶颈日益凸显。基于以上原因，AIGC在各行业中得到越来越广泛的应用，市场潜力逐渐显现。

从技术能力方面来看，AIGC根据面向对象、实现功能的不同可分为三个层次。一是智能数字内容孪生，其主要目标是建立现实世界到数字世界的映射，将现实世界中的物理属性(如物体的大小、纹理、颜色等）和社会属性（如主体行为、主体关系等）高效、可感知地进行数字化。二是智能数字内容编辑，其主要目的是建立数字世界与现实世界的双向交互。在数字内容孪生的基础上，从现实世界实现对虚拟数字世界中内容的控制和修改，同时利用数字世界高效率仿真和低成本试错的优势，为现实世界的应用提供快速迭代能力。三是智能数字内容创作，其主要目标是让人工智能算法具备内容创作和自我演化的能力，形成的AIGC产品具备类似甚至超越人的创作能力。以上三个层面的能力共同构成AIGC的能力闭环。

从应用价值方面来看，AIGC将有望成为数字内容创新发展的新引擎，为数字经济发展注入全新动能。一方面，AIGC能够以优于人类的制造能力和知识水平承担信息挖掘、素材调用、复刻编辑等基础性机械劳动，从技术层面实现以低边际成本、高效率的方式满足海量个性化需求；同时能够创新内容生产的流程和范式，为更具想象力的内容、更加多样化的传播方式提供可能性，推动内容生产向更有创造力的方向发展。另一方面，AIGC能够通过支持数字内容与其他产业的多维互动、融合渗透从而孕育新业态新模式，打造经济发展新增长点，为千行百业发展提供新动能。此外，2021年以来，“元宇宙”呈现出超出想象的发展爆发力；作为数实融合的“终极”数字载体，元宇宙将具备持续性、实时性、可创造性等特征，也将通过AIGC加速复刻物理世界、进行无限内容创作，从而实现自发有机生长。

二、人工智能生成内容的技术体系及其演进方向

AIGC作为人工智能技术和产业应用的要素之一，随着技术能力的不断迭代升级，正在降低内容创作门槛、释放创作能力，未来将推动数实融合趋势下内容创作的范式转变。探讨其能力体系的构成，即赋能内容创作的技术路径，对制定领域内标准、建立行业生态、争取更加广泛的开发者和应用场景具有十分重要的意义。

（一）AIGC技术升级步入深化阶段人工智能算法的不断迭代是AIGC发展进步的源动力，从技术演进的角度出发，可将AIGC技术可大致划分为传统基于模板或规则的前深度学习阶段和深度神经网络快速发展的深度学习阶段。早期的AIGC技术主要依据事先指定的模板或者规则，进行简单的内容制作与输出，与灵活且真实的内容生成有较大的差距。该时期的人工智能算法并不具备强大的学习能力，而是大多依赖于预先定义的统计模型或专家系统执行特定的任务。通过巧妙地规则设计，早期AIGC技术可以完成简单线条、文本和旋律的生成。例如，通过定义复杂的函数方程组，计算机所绘出的函数曲线具备某种美学图样；通过记录大量的问答文本，在面对新的问题时，计算机可以通过检索和匹配的方式生成简单的答案，甚至于改写故事。但是由于缺乏对客观世界的深入感知和对人类语言文字等知识的认知能力，早期的AIGC技术普遍面临所生成的内容空洞、刻板、文不对题等问题。参考人类的内容创作过程，研究人员们提出，理想的AIGC算法需要具备对数据内容的学习能力，在理解数据的基础上进行知识与分布的学习，最终实现高质量的内容创作。

深度神经网络在学习范式和网络结构上的不断迭代极大的提升了人工智能算法的学习能力，从而推动了AIGC技术的快速发展。不同于传统人工智能算法，深度学习中的损失函数和梯度下降算法可以灵活快速的调整深度神经网络中的参数，从而实现从数据中进行学习功能。2012年，卷积神经网络AlexNet1凭借优秀的学习能力，在当年的ImageNet大规模视觉识别挑战赛中一举夺魁，比第二名传统机器学习算法的错误率提升10.8个百分点，开启了深度学习时代的序幕。就在紧随其后的2013年，深度变分自编码器的提出让AIGC技术能力有了极大的进步。对于给定的神经网络，深度变分自编码器要求网络的输出是对于输入内容的重建，通过重参数化等技巧，网络在重建过程中学习训练数据的统计分布。在测试阶段，变分自编码器通过在学习到的统计分布中进行采样，首次能比稳定的生成从未观测过的低分辨率图像。2014年，一种新的博弈学习范式伴随着生成对抗网络[3]被提出。生成对抗网络由一个生成器和一个判别器组成，判别器致力于不断寻找生成数据和真实数据间的不同，生成器根据判别器的反馈不断完善自身，以求生成真假难辨的内容。得益于双方博弈的学习策略，生成内容的真实性和清晰度都得到了极大的提升，生成对抗网络也被应用于很多内容生成的具体应用。

除了变分自编码器和生成对抗网络，强化学习[4、流模型5、扩散模型回等学习范式均取得了喜人的进展，这些模型范式在不同场景中各有优势，让AIGC技术可以快速地应用到不同的场景和任务中。深度神经网络的结构升级是推动AIGC快速发展的另一主要因素。一方面，实验证明，深度神经网络的学习能力和模型大小呈正相关，伴随着模型参数量的增加，相对应深度神经网络的能力一般会取得大幅提升。但是，随意地增加神经网络规模是行不通的，越大规模神经网络往往意味着更大的训练难度，因此深度神经网络的结构设计显得尤为关键。从早期的玻尔兹曼机，多层感知机，卷积神经网络，到深度残差网络和Transformer大模型，网络结构进化带来了深度学习模型参数量从几万到数千亿跃升，模型层数也从开始的个位数逐步发展到成百上千。

深度学习模型规模上的量变引起了AIGC技术能力的质变，在新型网络结构的加持下，上述的生成对抗网络等算法开始能生成超高清晰度的视频，高质量的文本段落和优美灵动的乐曲旋律。另一方面，研究者们在深度神经网络结构的设计中引入包含语义的隐式表达和物理知识，以降低模型的训练难度、增强生成内容的丰富程度。例如，研究者发现通过在神经网络的每一层引入隐式表达，能够极大地提升内容生成算法的可控性和生成效果。另外，在三维数据的生成任务中，神经辐射场（8在网络结构设计时充分考虑了物理世界的固有约束，极大提升了三维渲染效率和效果。AIGC要真正发挥对不同行业的驱动作用，需要与各行各业的特异性场景深度融合。在处理这些实际应用中，深度学习算法在感知、认知、模仿、生成等方向的基础能力决定了AIGC技术所能创作的生产力。近些年中，这些算法技术齐头并进、百花齐放，并最终形成了AIGC应用于不同场景的底层支撑。通过人工智能支撑技术的不断升级，AIGC技术将持续赋能各类文化创意、生产生活、科学发现等各种场景。