劉明亮

（廣東警官學(xué)院 廣東 廣州 510000）

0 引言

以海量大數(shù)據(jù)為基礎(chǔ)的深度學(xué)習(xí)和算法模型為支撐，人工智能生成內(nèi)容（artificial intelligence generated content，AIGC）將數(shù)字化信息和智能生成進(jìn)行深度融合，并應(yīng)用到圖像、文字、視頻等多模態(tài)信息內(nèi)容的生成、編輯和創(chuàng)作中，使得生成內(nèi)容模式由專業(yè)生成內(nèi)容（professionally generated content，PGC）、用戶生成內(nèi)容（user generated content，UGC）向AIGC 轉(zhuǎn)變［1］。

AIGC 以其優(yōu)越的信息生成和“擬人化”的交互能力得到了廣泛的關(guān)注，但是如何推進(jìn)AIGC 在現(xiàn)實(shí)場(chǎng)景的應(yīng)用仍然是一個(gè)亟待解決的問(wèn)題。 本文的研究工作分為兩個(gè)階段：首先，歸納梳理AIGC 的技術(shù)特征，總結(jié)技術(shù)迭代的要點(diǎn)。 其次，將AIGC 應(yīng)用場(chǎng)景歸納為輔助設(shè)計(jì)、自主生成、智能交互三個(gè)階段，并對(duì)各個(gè)階段的具體應(yīng)用方向進(jìn)行分析。

1 AIGC 產(chǎn)生背景

Web 1.0 時(shí)代，互聯(lián)網(wǎng)信息以內(nèi)容發(fā)布為主，將各渠道獲取的信息進(jìn)行集中整合，方便用戶搜索獲取所需的信息。 雖然其中也存在論壇、博客等用戶交流渠道，但僅限于提供針對(duì)信息的討論和交流，用戶很少參與到內(nèi)容的建設(shè)當(dāng)中。 信息發(fā)布的主導(dǎo)權(quán)集中在門(mén)戶網(wǎng)站手中，形成了門(mén)戶網(wǎng)站搭建信息傳輸架構(gòu)，提供專業(yè)化的信息，用戶被動(dòng)接收信息的PGC 模式。

Web 2.0 時(shí)代，隨著智能終端和移動(dòng)互聯(lián)的普及，線上線下融為一體，隨時(shí)隨地上網(wǎng)、隨時(shí)隨地溝通成為時(shí)代的特性。 互聯(lián)網(wǎng)信息更多地注重即時(shí)性、交互性。 信息發(fā)布的主導(dǎo)也轉(zhuǎn)移向用戶，應(yīng)用軟件不僅簡(jiǎn)化了內(nèi)容編輯發(fā)布模式，而且提供了簡(jiǎn)單易操作的編輯、排版工具及豐富的特效、轉(zhuǎn)場(chǎng)功能，信息發(fā)布進(jìn)入自媒體時(shí)代。

Web 3.0 時(shí)代，智能交互成為主流。 信息發(fā)布者多元化，內(nèi)容也不僅僅局限于已經(jīng)創(chuàng)設(shè)好的知識(shí)結(jié)構(gòu)，而是通過(guò)AI 進(jìn)行大數(shù)據(jù)整理、挖掘，輸出為用戶所需的信息，實(shí)現(xiàn)了生產(chǎn)內(nèi)容多樣化、生產(chǎn)過(guò)程去中心化［2］、生產(chǎn)質(zhì)量專業(yè)化。

2 AIGC 技術(shù)特征

2.1 大數(shù)據(jù)訓(xùn)練為前提

AIGC 的內(nèi)容生成是以大數(shù)據(jù)訓(xùn)練資料作為支撐的，多模態(tài)數(shù)據(jù)集LAION-400 M［3］訓(xùn)練的圖文對(duì)數(shù)據(jù)量達(dá)到4 個(gè)億；GPT-1 訓(xùn)練資料為5 GB，訓(xùn)練參數(shù)為1.17 億；GPT-2 訓(xùn)練資料達(dá)到40 GB，訓(xùn)練參數(shù)為15 億；GPT-3 訓(xùn)練資料已經(jīng)高達(dá)45 TB，訓(xùn)練參數(shù)為1750 億；谷歌公司發(fā)布的PaLM-E 語(yǔ)言模型訓(xùn)練參數(shù)達(dá)到5620 億，AIGC 訓(xùn)練樣本呈幾何倍率增長(zhǎng)。

2.2 自然語(yǔ)言處理技術(shù)為基礎(chǔ)

相比編程語(yǔ)言，自然語(yǔ)言雖然更貼近日常生活中，但是存在表達(dá)形式的多樣性、表達(dá)語(yǔ)義的不確定性、表達(dá)內(nèi)容的簡(jiǎn)略性等特點(diǎn)，不容易直接被計(jì)算機(jī)正確理解，所以要經(jīng)過(guò)自然語(yǔ)言處理（natural language processing，NLP）過(guò)程。

自然語(yǔ)言處理，也被稱為計(jì)算語(yǔ)言學(xué)，主要的目的是用以理解、識(shí)別和產(chǎn)生自然語(yǔ)言內(nèi)容。 處理語(yǔ)言的過(guò)程分為兩個(gè)階段：自然語(yǔ)言理解階段、自然語(yǔ)言生成階段［4］。主要處理的內(nèi)容包括圖像、文本、語(yǔ)音等類型的信息。

NLP 主要分為以下五個(gè)步驟：第一步，按照文本編碼倡議（text encoding initiative，TEI）對(duì)文本進(jìn)行編碼、歸納形成語(yǔ)料庫(kù)。 第二步，對(duì)語(yǔ)料庫(kù)進(jìn)行預(yù)處理，完成語(yǔ)料整理、數(shù)據(jù)統(tǒng)計(jì)。 第三步，進(jìn)行分詞處理，拆分文本形成詞元，制作標(biāo)注、索引。 第四步，特征向量化。 根據(jù)文本的類別、情感等特征將拆分的詞語(yǔ)向量化，解釋為計(jì)算機(jī)語(yǔ)言。 第五步，進(jìn)行模型訓(xùn)練。 利用算法模型，根據(jù)自監(jiān)督或者無(wú)監(jiān)督的模式來(lái)進(jìn)行訓(xùn)練，并根據(jù)反饋來(lái)進(jìn)行調(diào)整。

在Transformer 模型的基礎(chǔ)上，以大規(guī)模預(yù)訓(xùn)練、無(wú)監(jiān)督自學(xué)習(xí)為特性的BERT、GPT、文心、智源“問(wèn)道”等語(yǔ)言大模型相繼出現(xiàn)，解決了圖像、文字、視頻等多模態(tài)信息的識(shí)別、交互、生成問(wèn)題，夯實(shí)了AIGC 技術(shù)迭代發(fā)展的基礎(chǔ)。

2.3 算法模型為支撐

有了海量的訓(xùn)練樣本，下一步就是對(duì)數(shù)據(jù)信息進(jìn)行學(xué)習(xí)-糅合-加工，形成AI 自身的認(rèn)知體系。 而算法模型的更新則是實(shí)現(xiàn)AIGC 技術(shù)發(fā)展的重要支撐，如變分自動(dòng)編碼器（variational auto encoder，VAE）、生成對(duì)抗網(wǎng)絡(luò)（generative adversarial networks， GAN）、擴(kuò)散模型等。

2.3.1 變分自動(dòng)編碼器

自動(dòng)編碼器是一種無(wú)監(jiān)督的生成模式，主要構(gòu)造為編碼器和解碼器，其原理是通過(guò)編碼器將樣本數(shù)據(jù)降維映射到低維變量，解碼器根據(jù)映射特征將低維變量重構(gòu)為新的樣本數(shù)據(jù)。

變分自動(dòng)編碼器在自動(dòng)編碼器的基礎(chǔ)上形成，但是將編碼器分為方差模塊和均值模塊，另外增加了服從正態(tài)分布的隱變量［5］，從而使得解碼器不僅僅能還原數(shù)據(jù)，而且具有了生成數(shù)據(jù)的能力。

主要原理如圖1 所示：首先，樣本X經(jīng)過(guò)編碼器均值模塊和方差模塊編碼，形成符合正態(tài)分布的變量；其次，通過(guò)隨機(jī)采樣獲得隱變量Z，并通過(guò)高斯噪聲對(duì)變量進(jìn)行干擾，使得重構(gòu)生成的樣本和原始樣本不完全一樣；最后，通過(guò)解碼器生成盡可能接近原始樣本的新樣本Y。

圖1 變分自動(dòng)編碼器原理

2.3.2 生成對(duì)抗網(wǎng)絡(luò)

GAN 利用生成器和判別器互相對(duì)抗、博弈、制衡，最終達(dá)到納什平衡狀態(tài)［6］。 生成器的作用就是生成最可能接近真實(shí)樣本的數(shù)據(jù)，以求能夠欺騙過(guò)判別器，而判別器的目的就是判斷生成器生成的數(shù)據(jù)是否和真實(shí)樣本一致，并且通過(guò)不斷學(xué)習(xí)樣本數(shù)據(jù)以提升自己的鑒別能力。

原理如圖2 所示：首先生成器通過(guò)隱空間采樣一組隨機(jī)噪聲生成數(shù)據(jù)，然后由生成器進(jìn)行判別，判斷為假則返回讓生成器重新生成，直到判別器無(wú)法判斷出生成數(shù)據(jù)和樣本數(shù)據(jù)的差別時(shí)，則流程結(jié)束。

圖2 生成對(duì)抗網(wǎng)絡(luò)原理

但是，GAN 網(wǎng)絡(luò)在生成數(shù)據(jù)時(shí)也存在一些問(wèn)題。 （1）生成圖像的多樣性欠缺。 生成器如果生成一種圖形能夠“欺騙”過(guò)判別器，則在以后的生成過(guò)程中會(huì)反復(fù)生成同一類型的數(shù)據(jù)。 （2）判別器訓(xùn)練效率較低，不容易收斂。 導(dǎo)致圖像生成的過(guò)程較為繁瑣，而且不容易進(jìn)行優(yōu)化。

2.3.3 擴(kuò)散模型

擴(kuò)散模型同樣是一種無(wú)監(jiān)督的深度生成模型，主要原理如圖3 所示：在學(xué)習(xí)階段，基于馬爾可夫鏈（Markov chain）模型將樣本庫(kù)的訓(xùn)練樣本通過(guò)添加噪聲實(shí)現(xiàn)分解。假設(shè)原始樣本為t0，通過(guò)不斷添加噪聲形成t1，t2，直到全部添加噪聲，并在這個(gè)過(guò)程中構(gòu)建標(biāo)簽，形成樣本庫(kù)，此過(guò)程可以看作是正向擴(kuò)散過(guò)程。 在生成階段則正好相反，生成器擬合樣本數(shù)據(jù)，并逐步去除噪聲，根據(jù)要求生成圖像，可以看作是逆向的高斯轉(zhuǎn)換過(guò)程［7］。

圖3 擴(kuò)散模型原理

3 AIGC 的應(yīng)用場(chǎng)景分析

隨著大數(shù)據(jù)訓(xùn)練的維度及深度學(xué)習(xí)算法的發(fā)展，AIGC 由復(fù)制、模仿向創(chuàng)造、創(chuàng)新演進(jìn)，應(yīng)用場(chǎng)景也由最初的AI 輔助設(shè)計(jì)向自主生成及智能交互場(chǎng)景發(fā)展［8-9］。2022 年，AI 繪畫(huà)工具midjourney 開(kāi)放測(cè)試，用戶通過(guò)自定義的文字描述，就可以智能生成形態(tài)各異、風(fēng)格多元的圖像，而且提供了人臉風(fēng)格變化、AI 換臉等功能。Open AI 發(fā)布了ChatGPT 語(yǔ)言大模型，智能學(xué)習(xí)并糅合數(shù)據(jù)資料，可以與人工智能交互并創(chuàng)作文章、圖片等數(shù)據(jù)資料。

3.1 輔助設(shè)計(jì)場(chǎng)景

在早期應(yīng)用階段，AIGC 主要用于輔助設(shè)計(jì)方面，為圖文設(shè)計(jì)提供素材、模板、特效編輯等方面的功能。 而這些功能是軟件或平臺(tái)里已經(jīng)設(shè)定好的，用戶直接拿來(lái)使用即可，并不能自主生成富含邏輯的創(chuàng)意。 比如在圖像處理和設(shè)計(jì)方面，軟件或平臺(tái)里面會(huì)預(yù)先設(shè)置好圖層渲染、濾鏡等模版，方便用戶使用；在文字編輯方面，可以根據(jù)用戶需求進(jìn)行檢索，并將檢索內(nèi)容進(jìn)行簡(jiǎn)單的排列組合。 在語(yǔ)音交互方面，可以實(shí)現(xiàn)對(duì)聲音的識(shí)別、傳譯，如同聲傳譯系統(tǒng)、語(yǔ)音識(shí)別軟件， 但是還不能達(dá)到完善的交互水平［10-11］。

3.2 自主生成場(chǎng)景

語(yǔ)言大模型的不斷推出，如ChatGPT 4.0、PalM-E、文心一言、盤(pán)古等，給人智交互帶來(lái)了可能。 AI 不僅僅能夠識(shí)別文字、語(yǔ)音、圖像等信息，根據(jù)用戶需求生成多模態(tài)數(shù)據(jù)，而且生成的內(nèi)容也已經(jīng)不僅僅局限于預(yù)設(shè)的場(chǎng)景，而是具有了自主生成的能力。

在學(xué)習(xí)學(xué)科知識(shí)、語(yǔ)義、邏輯規(guī)律等相關(guān)內(nèi)容的基礎(chǔ)上，通過(guò)無(wú)監(jiān)督的學(xué)習(xí)方式及模型訓(xùn)練，AIGC 以智能化、擬人化的體驗(yàn)將促進(jìn)其在藝術(shù)、教育、媒體等方面的應(yīng)用。

在藝術(shù)領(lǐng)域，用戶可以很方便地使用相關(guān)軟件創(chuàng)作出富有創(chuàng)意的音樂(lè)、繪畫(huà)等作品。 在繪畫(huà)生成方面，用戶可以通過(guò)文本描述或者提供參考圖片的方式讓AI 生成相應(yīng)的圖片。 比如，以關(guān)鍵詞“巍峨的群山之巔，中國(guó)古代建筑，一群飛鳥(niǎo)掠過(guò)，廣角鏡頭，色彩鮮明”作畫(huà)，如圖4 所示。

圖4 AI 作圖示例

在教育方面，據(jù)Open AI 公司公布，GPT-4 模擬律師考試的成績(jī)?cè)诳忌信琶?0%左右，在GRE 考試的數(shù)學(xué)和語(yǔ)言部分幾乎得了滿分。 有大數(shù)據(jù)資源庫(kù)、算法模型、虛擬仿真等方面的支持，AI 不僅可以給學(xué)生提供學(xué)習(xí)資料，在生成文章、個(gè)性化學(xué)習(xí)支持、輔導(dǎo)答疑等方面提供幫助，還能營(yíng)造沉浸式的學(xué)習(xí)環(huán)境，并根據(jù)學(xué)生的反饋及時(shí)進(jìn)行評(píng)測(cè)互動(dòng)。

3.3 智能交互場(chǎng)景

有神經(jīng)網(wǎng)絡(luò)技術(shù)、移動(dòng)互聯(lián)傳感網(wǎng)絡(luò)、物聯(lián)網(wǎng)等技術(shù)的支撐，AI 將逐漸進(jìn)入更高層次的智能交互階段，通過(guò)感觸現(xiàn)實(shí)場(chǎng)景和人們的需求進(jìn)行交互。

通過(guò)AIGC 與輔助腦機(jī)接口的融合，可以實(shí)現(xiàn)大腦不經(jīng)過(guò)外圍神經(jīng)系統(tǒng)而直接與外部設(shè)備之間進(jìn)行智能交互，這項(xiàng)技術(shù)可以應(yīng)用在醫(yī)療、教育、游戲等方面。

目前機(jī)器人已經(jīng)在工業(yè)制造、家居生活、醫(yī)療等方面有了相關(guān)的應(yīng)用。 但是如果將AIGC 和機(jī)器人進(jìn)行深度融合，那機(jī)器人除了簡(jiǎn)單執(zhí)行已經(jīng)設(shè)置好的命令之外，還可以根據(jù)人們提供的文本、圖像、視頻或者語(yǔ)音等多模態(tài)的指令實(shí)時(shí)地進(jìn)行交互，就能夠完成更多具有創(chuàng)造性的工作。 依托于Jetson Xavier 計(jì)算系統(tǒng)，根據(jù)傳感器網(wǎng)絡(luò)感應(yīng)環(huán)境，機(jī)器人可以根據(jù)判斷自主進(jìn)行合理的反饋和動(dòng)作。

4 總結(jié)

綜上所述，AIGC 給信息數(shù)據(jù)的整合、傳播、應(yīng)用都帶來(lái)了新的機(jī)遇，并且隨著大數(shù)據(jù)訓(xùn)練樣本的增加，自然語(yǔ)言處理技術(shù)與算法模型的迭代更新，其在數(shù)字化內(nèi)容生成、人智交互領(lǐng)域也將得到更多的應(yīng)用。