什么是AIGC：AI Generated Content 人工智能生成内容 – AI百科知识

AIGC 说的是什么

AIGC是AI-generated Content的缩写，中文叫人工智能生成内容，指靠人工智能来做内容创作。按业内的说法，它是继PGC（Professionally-generated Content）和UGC（User-generated Content）之后的新型内容创作方式。

AIGC的做法是这样：AI先从人类提供的指令里提取并理解意图信息，再结合自己的知识和这份意图把内容生成出来。举个例子，你输入一句话，让AI合成一张跟描述对得上的图片；也可以丢一篇提纲或故事梗概，让AI替你写完。

业界普遍把AIGC看作PGC（Professionally-generated Content）和UGC（User-generated Content）之后的一种新型内容创作。PGC是谁做的？记者、艺术家、程序员这类专业人士。UGC呢？博主、视频UP主、社交媒体上的普通用户。AIGC跟他们两位的区别在于，它不依赖人类的劳动或创造力，靠的是AI算法。

AIGC是怎么运转的

AIGC的底子是生成模型——能从数据里学习，再生成出跟原始数据分布相仿的新数据。生成模型大致分两路：生成对抗网络（GAN）和自然语言生成（NLG）模型。

• GAN里有俩神经网络，一个叫生成器，一个叫鉴别器。生成器负责把随机噪声向量变成以假乱真的图，鉴别器负责把数据集里的真图和生成器造出来的假图分辨出来。两个网络就这么互相较劲，一直较到平衡——这时候生成器产出的图像，鉴别器已经分不出真假了。
• NLG模型的地基是Transformer。这种神经网络架构靠注意力机制去捕捉自然语言文本里词与词之间的远距离依赖。Transformer分两半：编码器把输入文本编码成隐藏表示，解码器再从隐藏表示里生成输出文本。它可以用自监督学习方法（比如掩码语言建模MLM或因果语言建模CLM）在大规模文本语料上预训练，预训练完再针对文本摘要、机器翻译、文本生成这类具体任务做微调，就能上岗了。

眼下比较能打的几个生成模型，举几个例子：

• GPT-3：一个有1750亿参数的大型Transformer模型，靠CLM在各种文本源上预训练。给它几个关键词或者一段提示，GPT-3就能就着各种话题写出连贯的文本。
• DALL-E：120亿参数的Transformer模型，用MLM在文本-图像对上预训练。你用自然语言把画面描述出来，DALL-E就照着生成以假乱真的图像。
• Codex：同样是120亿参数的Transformer模型，用MLM在源代码上预训练。写自然语言命令或注释，Codex能把可执行的代码生成出来。
• StyleGAN2：一个5000万参数的GAN模型，用基于样式的调制在高分辨率人脸图像上训练。对着人脸属性做细粒度控制，StyleGAN2就能合成逼真的面孔。

AIGC能用在哪些地方

凡是要写点东西、产出内容的领域，基本都能看到AIGC的身影，比如：

• 教育：学生学新知识时，AIGC能生成讲解、例子、测验或反馈来搭把手
• 娱乐：写抓人的故事、诗歌、歌曲，或者做游戏，供人消遣放松，AIGC都来得了。
• 营销：产品文案、口号、宣传标题、广告词这些推产品推服务的活儿，AIGC可以量产。
• 新闻：事实报道、摘要，还有基于数据或事件的分析，都能交给AIGC去写。
• 软件开发：代码片段、文档、照着规范或批注写测试，AIGC也能生成。

AIGC的几道难题

AIGC确实让内容生产更高效、门槛更低，可它同时带来了几个绕不开的大问题：偏见歧视、虚假信息，还有安全性和可信度。

• 偏见和歧视：用来训练或生成内容的数据要是代表性和多样性不够，AIGC就可能把种族、性别等因素相关的有害刻板印象和偏见接着传下去。已经有过的例子——AIGC被人用来制作强化种族刻板印象的有害内容，对社会、对个人权利和尊严，负面影响都是实打实的。
• 虚假信息：AIGC可以被拿去靠谣言和宣传操纵、扭曲公众舆论。假新闻、深度伪造假（deepfake）这些欺骗性内容都已经冒出来了，公众对媒体和信息的信任，恰恰被这类东西一点点啃掉。
• 安全性：训练和生成用到的数据要是没保护好、没加密，AIGC就会带上安全风险。比如数据泄露或者被黑客攻破，用户和创作者的敏感信息、个人信息，都可能经由AIGC暴露出去。
• 可信度：AI模型生成的内容真不真、可信不可信，现在的人都得先打个问号——AIGC让验证内容的来源、作者身份，还有质量与准确性，都变得困难重重。