胡 璇 腾讯研究院高级研究员
胡晓萌 腾讯研究院研究员、博士后
内容生产，特别是创意工作，一向被认为是人类的专属和智能的体现。牛津大学计算机学院院长迈克尔·伍尔德里奇2019年写作的《人工智能全传》一书中，“撰写有趣的故事”被列为人工智能“远未实现”的任务之一。
如今，AI正大步迈入数字内容生产领域。AIGC（AI Generated Content）不仅在写作、绘画、作曲多项领域达到“类人”表现，更展示出在大数据学习基础上的非凡创意潜能。2023年3月15日，多模态信息处理标杆GPT-4模型正式发布，使生成内容的准确度及合规性进一步提升。数字内容生产的人机协作新范式正在形成，创作者和更多普通人得以跨越“技法”和“效能”限制，尽情挥洒内容创意。
也有人担忧，AI是否会让创作者们集体“失业”，甚至让“创作”本身走向衰颓，就像机械复制时代的艺术品可能失去“灵韵”那样。换言之，AIGC的流行给了我们一个重新审视“创作”是什么、是否为人所独有这些问题的机会。
本文将分析AIGC改变数字内容创作的现状、关键突破和挑战，并尝试探讨以上问题。
AIGC正在成为互联网
内容生产基础设施
数字内容正迈入强需求、视频化、拼创意的升级周期，AIGC恰逢其会。线上生活成为常态，一方面，用户创作内容大幅解放生产力，例如短视频就是将原本需要长制作周期、高注意投入的视频，变成了可以源源不断产出的“工业品”和“快消品”；另一方面，作为核心的创意仍旧稀缺，需要新的模式辅助创作者持续产生、迭代和验证创意。种种因素，都需要更加低成本、高效能的新工具与方式。
AIGC正在越来越多地参与数字内容的创意性生成工作，以人机协同的方式释放价值，成为未来互联网的内容生产基础设施。
从范围上看，AIGC逐步深度融入到文字、代码、音乐、图片、视频、3D多种媒介形态的生产中，可以担任新闻、论文、小说写手，音乐作曲和编曲者，多样化风格的画手，长短视频的剪辑者和后期处理工程师，3D建模师等多样化的助手角色，在人类的指导下完成指定主题内容的创作、编辑和风格迁移工作。
从效果上看，AIGC在基于自然语言的文本、语音和图片生成领域初步令人满意，特别是知识类中短文，插画等高度风格化的图片创作，创作效果可以与有中级经验的创作者相匹敌；在视频和3D等媒介复杂度高的领域处于探索阶段。尽管AIGC对极端案例的处理、细节把控、成品准确率等方面仍有许多进步空间，但蕴含的潜力令人期待。
从方式上看，AIGC的跨文字、图像、视频和3D的多模态加工是热点。吴恩达（Andrew Ng）认为多模态是2021年AI的最重要趋势，AI 模型在发现文本与图像间关系中取得了显著进步，如OPEN AI的CLIP能匹配图像和文本，Dall·E生成与输入文本对应的图像；DeepMind的Perceiver IO可以对文本、图像、视频和点云进行分类。典型应用包括如文本转换语音TTS（Text To Speech）、文本生成图片（Text-to-Image），广义来看AI翻译、图片风格化也可以看作是两个不同“模态“间的映射。
上图：原图，AIGC的典型场景及发展趋势，来自红杉资本
下图：使用有道智云AI翻译后的结果
关键突破：自然语言技术
解放创作力
AIGC对创作者的解放体现在：“只要会说话，你就能创作”，无需懂得原理，不用学习代码，或者Photoshop等专业工具。创作者以自然语言向AI描述脑海中的要素甚至想法（术语是给出“prompt”）后，AI就能生成对应的结果。这也是人机互动从打孔纸带，到编程语言，图形界面后的又一次飞跃。
自然语言是不同数字内容类型间转化的根信息和纽带，比如“猫”这个词语就是加菲猫的图片，音乐剧《猫》和无数内容的索引，这些不同的内容类型可以称为“多模态”。
AIGC此轮浪潮，最大底层进化就在AI对自然语言“理解”和“运用”能力的飞跃，这离不开2017年Google发布的Transformer，它开启了大型语言模型（Large Language Model，简称LLM）时代。有了这一强大的特征提取器，后续的GPT、BERT等语言模型突飞猛进，不仅质量高、效率高，还能以大数据预训练 小数据微调的方式，摆脱了对大量人工调参的依赖，在手写、语音和图像识别、语言理解方面的表现大幅突破，所生成的内容也越来越准确和自然。
但大模型意味着极高的研究和使用门槛，例如GPT-3有1750 亿参数量，既需要大算力集群也不向一般用户开放。2022年，部署在Discord论坛上、以聊天机器人形式提供的midjourney成为了第一个用户友好型AIGC应用，带来AI绘画热潮，一位设计师用其生成的图片甚至在线下比赛中获奖。
使用简单文字即可交流的低门槛，类似搜索引擎的使用方式，一下子点燃了普通用户对AI使用的热情。紧接着，基于扩散模型（Diffusion Models）的一系列文本生成图片（Text-to-Image）产品，如Stable Diffusion等，把AI绘画从设计圈带向大众。开源的Stable Diffusion仅需一台电脑就能运行，截至2022年10月已有超过20万开发者下载，累计日活用户超过1000万；而面向消费者的DreamStudio则已获得了超过150万用户，生成超过1.7亿图片。其惊艳的艺术风格、以及图像涉及的版权、法律等问题也引发了诸多争议。
Diffusion的震撼感还没消散，ChatGPT横空出世，真正做到和人类“对答如流”，能理解各式各样的需求，写出回答、短文和诗歌创作、代码写作、数学和逻辑计算等。不仅如此，人类反馈强化学习(RLHF)技术让ChatGPT能持续学习人类对回答的建议和评价，朝更加正确的方向前进，因此以不到GPT3的1%的参数实现了极佳的效果。尽管ChatGPT仍存在一些缺陷，例如引用不存在的论文和书籍、对缺乏数据的问题回答质量不佳等，但它仍然是人工智能史上的里程碑，并上线两个月后用户数突破1亿，成为史上用户数增长最快的消费者应用。
下一挑战：向“在场”的
3D互联网进发
在文、图、视频后，数字技术演进的重要方向是从“在线”走向“在场”，AIGC将成为打造3D互联网的基石。人们将在在虚拟空间构建仿真世界，在现实世界“叠加“虚拟增强，实现真正的临场感。随着XR、游戏引擎、云游戏等等各种交互、仿真、传输技术的突破，信息传输越来越接近无损，数字仿真能力真假难辨，人类的交互和体验将到达新阶段。
目前AIGC在3D模型领域还处于探索阶段，一条路径是以扩散模型为基础分两步走：先由文字生成图片，再生成包含深度的三维数据。谷歌和英伟达在这一领域较为领先，先后发布了自己的文字生成3D的AI模型。但从生成效果看，距离现在人工制作的3D内容的平均质量还有距离；生成速度也未能尽如人意。
2022年10月，谷歌率先发布了DreamFusion，但其缺点也很显著，首先扩散模型仅对64x64的图像生效，导致生成3D的质量不高；其次场景渲染模型不仅需要海量样本，也在计算上费时费力，导致生成速度较慢。随后，英伟达发布了Magic3D，面对提示语“一只坐在睡莲上的蓝色毒镖蛙”，用大约40分钟生成了一个带有纹理的3D模型。相比谷歌，Magic3D生成速度更快、效果更好，还能在连续生成过程中保留相同的主题，或者将风格迁移到3D模型中。
Magic3D（第1、3列）与DreamFusion（第2、4列）对比
第二条路径是借助AI来“合成”不同视角下同一物品的照片，从而直接生成3D。英伟达在2022年12月的NeurIPS 上展示了 生成式 AI 模型——GET3D（Generate Explicit Textured 3D 的缩写），可根据其所训练的建筑物、汽车、动物等 2D 图像类别，即时合成 3D 模型。和上文中的输出物相比，模型和纹理更精细，更采取了一般3D工具的通用格式，能直接用到构建游戏、机器人、建筑、社交媒体等行业设计的数字空间，比如建筑物、户外空间或整座城市的 3D 表达。GET3D在 英伟达A100 GPU 上训练而成，使用了不同角度拍摄的约 100 万张照片，每秒可生成约 20 个物体。结合团队的另一项技术，AI生成的模型能够区分出物体的几何形状、光照信息和材质信息，使可编辑性大幅加强。
NVIDIA GET3D基于AI生成的模型示例
可行路径：与游戏中的程序化生成技术相结合
尽管如此，AIGC在3D侧的能力，距离打造3D互联网仍有不小的距离。而游戏中较为成熟的程序化内容生成（PCG，Procedural Content Generation）技术，可能是AIGC迈过深水区的一大助力。
从技术路径上，AI生成3D难以沿用“大力出奇迹”的老办法，即单靠喂给AI海量的输入来提升效果。首先，信息量不同，一张图片和一个3D模型相比相差一个维度，体现在存储上就是数据量级不同；其次，图片和3D的存储及显示原理不同，如果说2D是像素点阵在显示器的客观陈列，3D则是实时、快速、海量的矩阵运算，就像对着模型在1秒内进行几十次“拍照”。为了准确计算得到每个像素点，“渲染”在显示器上，需要考虑的因素至少有（1）模型几何特征，通常用几千上万个三角面来表示（2）材质特征，模型本身的颜色，是强反射的金属，还是漫反射的布料（3）光线，光源是点状的吗，颜色和强度如何。最后，原生3D模型的数据相对较少，仅游戏、影视、数字孪生等领域有少量积累，远不如已存在了数千年、可以以非数字化形态存在的图像那么多，例如ImageNet中就包含了超过1400万张图片。
用计算机帮助创作者这件事，游戏界已经探索了四十多年。用算法生成的游戏内容首次出现在1981年的游戏Rogue（Toy and Wichman）中，地图随机，每局不同。3D时代，程序化生成技术大量应用于美术制作，因为其需要巨额时间和人力成本，以2018年发售的游戏《荒野大镖客2》为例，先后有六百余名美术参与，历经8年才完成约60平方公里的虚拟场景。
程序化生成在效能和可控度上介于纯手工和AIGC之间。例如2016年发布、主打宇宙探险的独立游戏《无人深空》（No Man's Sky），用PCG构造了一系列生成规则和参数，声称能创造出1840亿亿颗不同的星球，每个星球都有形态各异的环境和生物。
游戏《无人深空》中使用程序化生成的海洋生物示例
2022年的Epic打造的交互内容《黑客帝国：觉醒》在最新虚幻引擎和程序化生成加持下，打造出栩栩如生、高度复杂的未来城市，共包括700万个美术资产，包括7000栋建筑、38000辆可驾驶的车和超过260公里的道路，其中每个资产由数百万个多边形组成。
Epic使用虚幻5引擎和程序化生成技术高效制作《黑客帝国：觉醒》中的庞大城市
程序化生成和AI的结合更成为热门学术领域，每年人工智能与游戏的顶级学会——IEEE Transactions on Games都会为程序化生成开辟专门的讨论板块。剧情、关卡、场景、角色，每个板块都有大量的研究和实践成果在推进。
创作到底是什么？
关于创作，有一句经典论断——天才是99%的汗水，加上1%的灵感。爱迪生认为那1%的灵感最重要。AIGC则向我们证明，99%的汗水能产生质变。善用AI的创作者，或许才是“完全体”。
首先，AI和自然人的创作过程，没有那么大的差异：一部作品的诞生，一个作者的成长，都建立在大量对经典的观察、参照、模仿、提炼基础上，并非一蹴而就。而创新往往也有迹可循，或者是对主流的扬弃甚至反叛，或者是对多种元素的加成和融合。因此，如知识产权制度，也是在鼓励创作的基础上，给予贡献者以对等的奖励，而非一刀切地拒绝模仿。
其次，人作为创作核心这一点没有变化：AI面向任务，人类面向创造。一方面，人类信息系统纷繁复杂，远非几个“prompt”输入就能概括。正如一位网友说，AI代替不了我，因为它理解不了老板的需求。没有五年经验的乙方，也解读不来甲方口中的“要大气”。另一方面，AI成长的养料仍然由人提供，AI更可靠可信也依赖着人的使用与反馈。“断奶”于2021年的ChatGPT可不知道2022年世界杯的战果。
从实用的视角，AIGC将赋予普通用户更多的创作权力和自由。从PGC、UGC到AIGC的发展路径可见，普通人越来越多的参与到创作之中，数字内容不仅呈现数量上的指数级增长，类型和风格也走向了更加包容和多元的生态。未来，用户可以使用手机拍摄的一系列照片，通过AIGC工具生成一个可以使用的3D渲染图。采用这种创造内容的方式，我们可以想象未来的数字空间将不再完全由开发人员构建，而是利用AIGC响应用户的输入按需生成。
AIGC工具对专业人士的杠杆效应更显著：如果对普通人的增益是从0到1，对专业人士则可能是从1到10，使他们能集中精力处理更顶层、更有价值的事情：比如立意，风格，构图，元素组合和后处理，或者怎样在前期制作尽可能多样的demo来找寻更好的方案。运用AI也正成为新的职业能力，善于“施咒”的大触们前赴后继地开发着AI近乎无限的潜能，并社交平台上留下让人望洋兴叹的作品。
更长期看，创作和艺术的历史是螺旋上升的历史，是某一种风格数量极大丰富、质量巅峰造极之后的突破、突变与跨界，也是一个时代精神情感的凝结。我们有理由相信，AIGC变革下创新依旧存在，甚至会加速发展。
参考资料来源:
[1]https://mp.weixin.qq.com/s/ZYSEou1ki0a4JVY2Nv8_SA.
[2]https://zhuanlan.zhihu.com/p/388666777.
[3]https://zhuanlan.zhihu.com/p/82758631.
[4]https://zhuanlan.zhihu.com/p/493739360.
