作者：胡璇騰訊研究院高級研究員；胡曉萌騰訊研究院研究員、博士後
內容生產，特別是創意工作，一向被認為是人類的專屬和智能的體現。牛津大學計算機學院院長邁克爾·伍爾德里奇2019年寫作的《人工智能全傳》一書中，“撰寫有趣的故事”被列為人工智能“遠未實現”的任務之一。
如今，AI正大步邁入數字內容生產領域。 AIGC（AI Generated Content）不僅在寫作、繪畫、作曲多項領域達到“類人”表現，更展示出在大數據學習基礎上的非凡創意潛能。 2023年3月15日，多模態信息處理標杆GPT-4模型正式發布，使生成內容的準確度及合規性進一步提升。數字內容生產的人機協作新範式正在形成，創作者和更多普通人得以跨越“技法”和“效能”限制，盡情揮灑內容創意。
也有人擔憂，AI是否會讓創作者們集體“失業”，甚至讓“創作”本身走向衰頹，就像機械複製時代的藝術品可能失去“靈韻”那樣。換言之，AIGC的流行給了我們一個重新審視“創作”是什麼、是否為人所獨有這些問題的機會。
本文將分析AIGC改變數字內容創作的現狀、關鍵突破和挑戰，並嘗試探討以上問題。
AIGC正在成為互聯網內容生產基礎設施
數字內容正邁入強需求、視頻化、拼創意的升級週期，AIGC恰逢其會。線上生活成為常態，一方面，用戶創作內容大幅解放生產力，例如短視頻就是將原本需要長製作週期、高注意投入的視頻，變成了可以源源不斷產出的“工業品”和“快消品”；另一方面，作為核心的創意仍舊稀缺，需要新的模式輔助創作者持續產生、迭代和驗證創意。種種因素，都需要更加低成本、高效能的新工具與方式。
AIGC正在越來越多地參與數字內容的創意性生成工作，以人機協同的方式釋放價值，成為未來互聯網的內容生產基礎設施。
從範圍上看，AIGC逐步深度融入到文字、代碼、音樂、圖片、視頻、3D多種媒介形態的生產中，可以擔任新聞、論文、小說寫手，音樂作曲和編曲者，多樣化風格的畫手，長短視頻的剪輯者和後期處理工程師，3D建模師等多樣化的助手角色，在人類的指導下完成指定主題內容的創作、編輯和風格遷移工作。
從效果上看，AIGC在基於自然語言的文本、語音和圖片生成領域初步令人滿意，特別是知識類中短文，插畫等高度風格化的圖片創作，創作效果可以與有中級經驗的創作者相匹敵；在視頻和3D等媒介複雜度高的領域處於探索階段。儘管AIGC對極端案例的處理、細節把控、成品準確率等方面仍有許多進步空間，但蘊含的潛力令人期待。
從方式上看，AIGC的跨文字、圖像、視頻和3D的多模態加工是熱點。吳恩達（Andrew Ng）認為多模態是2021年AI的最重要趨勢，AI 模型在發現文本與圖像間關係中取得了顯著進步，如OPEN AI的CLIP能匹配圖像和文本，Dall·E生成與輸入文本對應的圖像；DeepMind的Perceiver IO可以對文本、圖像、視頻和點雲進行分類。典型應用包括如文本轉換語音TTS（Text To Speech）、文本生成圖片（Text-to-Image），廣義來看AI翻譯、圖片風格化也可以看作是兩個不同“模態“間的映射。
上圖：原圖，AIGC的典型場景及發展趨勢，來自紅杉資本
下圖：使用有道智雲AI翻譯後的結果
關鍵突破：自然語言技術解放創作力
AIGC對創作者的解放體現在：“只要會說話，你就能創作”，無需懂得原理，不用學習代碼，或者Photoshop等專業工具。創作者以自然語言向AI描述腦海中的要素甚至想法（術語是給出“prompt”）後，AI就能生成對應的結果。這也是人機互動從打孔紙帶，到編程語言，圖形界面後的又一次飛躍。
自然語言是不同數字內容類型間轉化的根信息和紐帶，比如“貓”這個詞語就是加菲貓的圖片，音樂劇《貓》和無數內容的索引，這些不同的內容類型可以稱為“多模態”。
AIGC此輪浪潮，最大底層進化就在AI對自然語言“理解”和“運用”能力的飛躍，這離不開2017年Google發布的Transformer，它開啟了大型語言模型（Large Language Model，簡稱LLM）時代。有了這一強大的特徵提取器，後續的GPT、BERT等語言模型突飛猛進，不僅質量高、效率高，還能以大數據預訓練+小數據微調的方式，擺脫了對大量人工調參的依賴，在手寫、語音和圖像識別、語言理解方面的表現大幅突破，所生成的內容也越來越準確和自然。
但大模型意味著極高的研究和使用門檻，例如GPT-3有1750 億參數量，既需要大算力集群也不向一般用戶開放。 2022年，部署在Discord論壇上、以聊天機器人形式提供的midjourney成為了第一個用戶友好型AIGC應用，帶來AI繪畫熱潮，一位設計師用其生成的圖片甚至在線下比賽中獲獎。
使用簡單文字即可交流的低門檻，類似搜索引擎的使用方式，一下子點燃了普通用戶對AI使用的熱情。緊接著，基於擴散模型（Diffusion Models）的一系列文本生成圖片（Text-to-Image）產品，如Stable Diffusion等，把AI繪畫從設計圈帶向大眾。開源的Stable Diffusion僅需一台電腦就能運行，截至2022年10月已有超過20萬開發者下載，累計日活用戶超過1000萬；而面向消費者的DreamStudio則已獲得了超過150萬用戶，生成超過1.7億圖片。其驚豔的藝術風格、以及圖像涉及的版權、法律等問題也引發了諸多爭議。
Diffusion的震撼感還沒消散，ChatGPT橫空出世，真正做到和人類“對答如流”，能理解各式各樣的需求，寫出回答、短文和詩歌創作、代碼寫作、數學和邏輯計算等。不僅如此，人類反饋強化學習(RLHF)技術讓ChatGPT能持續學習人類對回答的建議和評價，朝更加正確的方向前進，因此以不到GPT3的1%的參數實現了極佳的效果。儘管ChatGPT仍存在一些缺陷，例如引用不存在的論文和書籍、對缺乏數據的問題回答質量不佳等，但它仍然是人工智能史上的里程碑，並上線兩個月後用戶數突破1億，成為史上用戶數增長最快的消費者應用。
下一挑戰：向“在場”的3D互聯網進發
在文、圖、視頻後，數字技術演進的重要方向是從“在線”走向“在場”，AIGC將成為打造3D互聯網的基石。人們將在在虛擬空間構建仿真世界，在現實世界“疊加“虛擬增強，實現真正的臨場感。隨著XR、遊戲引擎、雲遊戲等等各種交互、仿真、傳輸技術的突破，信息傳輸越來越接近無損，數字仿真能力真假難辨，人類的交互和體驗將到達新階段。
目前AIGC在3D模型領域還處於探索階段，一條路徑是以擴散模型為基礎分兩步走：先由文字生成圖片，再生成包含深度的三維數據。谷歌和英偉達在這一領域較為領先，先後發布了自己的文字生成3D的AI模型。但從生成效果看，距離現在人工製作的3D內容的平均質量還有距離；生成速度也未能盡如人意。
2022年10月，谷歌率先發布了DreamFusion，但其缺點也很顯著，首先擴散模型僅對64×64的圖像生效，導致生成3D的質量不高；其次場景渲染模型不僅需要海量樣本，也在計算上費時費力，導致生成速度較慢。隨後，英偉達發布了Magic3D，面對提示語“一隻坐在睡蓮上的藍色毒鏢蛙”，用大約40分鐘生成了一個帶有紋理的3D模型。相比谷歌，Magic3D生成速度更快、效果更好，還能在連續生成過程中保留相同的主題，或者將風格遷移到3D模型中。
Magic3D（第1、3列）與DreamFusion（第2、4列）對比
第二條路徑是藉助AI來“合成”不同視角下同一物品的照片，從而直接生成3D。英偉達在2022年12月的NeurIPS 上展示了生成式AI 模型——GET3D（Generate Explicit Textured 3D 的縮寫），可根據其所訓練的建築物、汽車、動物等2D 圖像類別，即時合成3D 模型。和上文中的輸出物相比，模型和紋理更精細，更採取了一般3D工具的通用格式，能直接用到構建遊戲、機器人、建築、社交媒體等行業設計的數字空間，比如建築物、戶外空間或整座城市的3D 表達。 GET3D在英偉達A100 GPU 上訓練而成，使用了不同角度拍攝的約100 萬張照片，每秒可生成約20 個物體。結合團隊的另一項技術，AI生成的模型能夠區分出物體的幾何形狀、光照信息和材質信息，使可編輯性大幅加強。
NVIDIA GET3D基於AI生成的模型示例
可行路徑：與遊戲中的程序化生成技術相結合
儘管如此，AIGC在3D側的能力，距離打造3D互聯網仍有不小的距離。而遊戲中較為成熟的程序化內容生成（PCG，Procedural Content Generation）技術，可能是AIGC邁過深水區的一大助力。
從技術路徑上，AI生成3D難以沿用“大力出奇蹟”的老辦法，即單靠餵給AI海量的輸入來提升效果。首先，信息量不同，一張圖片和一個3D模型相比相差一個維度，體現在存儲上就是數據量級不同；其次，圖片和3D的存儲及顯示原理不同，如果說2D是像素點陣在顯示器的客觀陳列，3D則是實時、快速、海量的矩陣運算，就像對著模型在1秒內進行幾十次“拍照”。為了準確計算得到每個像素點，“渲染”在顯示器上，需要考慮的因素至少有（1）模型幾何特徵，通常用幾千上萬個三角面來表示（2）材質特徵，模型本身的顏色，是強反射的金屬，還是漫反射的布料（3）光線，光源是點狀的嗎，顏色和強度如何。最後，原生3D模型的數據相對較少，僅遊戲、影視、數字孿生等領域有少量積累，遠不如已存在了數千年、可以以非數字化形態存在的圖像那麼多，例如ImageNet中就包含了超過1400萬張圖片。
用計算機幫助創作者這件事，遊戲界已經探索了四十多年。用算法生成的遊戲內容首次出現在1981年的遊戲Rogue（Toy and Wichman）中，地圖隨機，每局不同。 3D時代，程序化生成技術大量應用於美術製作，因為其需要巨額時間和人力成本，以2018年發售的遊戲《荒野大鏢客2》為例，先後有六百餘名美術參與，歷經8年才完成約60平方公里的虛擬場景。
程序化生成在效能和可控度上介於純手工和AIGC之間。例如2016年發布、主打宇宙探險的獨立遊戲《無人深空》（No Man’s Sky），用PCG構造了一系列生成規則和參數，聲稱能創造出1840億億顆不同的星球，每個星球都有形態各異的環境和生物。
遊戲《無人深空》中使用程序化生成的海洋生物示例
2022年的Epic打造的交互內容《黑客帝國：覺醒》在最新虛幻引擎和程序化生成加持下，打造出栩栩如生、高度複雜的未來城市，共包括700萬個美術資產，包括7000棟建築、38000輛可駕駛的車和超過260公里的道路，其中每個資產由數百萬個多邊形組成。
Epic使用虛幻5引擎和程序化生成技術高效製作《黑客帝國：覺醒》中的龐大城市
程序化生成和AI的結合更成為熱門學術領域，每年人工智能與遊戲的頂級學會——IEEE Transactions on Games都會為程序化生成開闢專門的討論板塊。劇情、關卡、場景、角色，每個板塊都有大量的研究和實踐成果在推進。
創作到底是什麼？
關於創作，有一句經典論斷——天才是99%的汗水，加上1%的靈感。愛迪生認為那1%的靈感最重要。 AIGC則向我們證明，99%的汗水能產生質變。善用AI的創作者，或許才是“完全體”。
首先，AI和自然人的創作過程，沒有那麼大的差異：一部作品的誕生，一個作者的成長，都建立在大量對經典的觀察、參照、模仿、提煉基礎上，並非一蹴而就。而創新往往也有跡可循，或者是對主流的揚棄甚至反叛，或者是對多種元素的加成和融合。因此，如知識產權制度，也是在鼓勵創作的基礎上，給予貢獻者以對等的獎勵，而非一刀切地拒絕模仿。
其次，人作為創作核心這一點沒有變化：AI面向任務，人類面向創造。一方面，人類信息系統紛繁複雜，遠非幾個“prompt”輸入就能概括。正如一位網友說，AI代替不了我，因為它理解不了老闆的需求。沒有五年經驗的乙方，也解讀不來甲方口中的“要大氣”。另一方面，AI成長的養料仍然由人提供，AI更可靠可信也依賴著人的使用與反饋。 “斷奶”於2021年的ChatGPT可不知道2022年世界杯的戰果。
從實用的視角，AIGC將賦予普通用戶更多的創作權力和自由。從PGC、UGC到AIGC的發展路徑可見，普通人越來越多的參與到創作之中，數字內容不僅呈現數量上的指數級增長，類型和風格也走向了更加包容和多元的生態。未來，用戶可以使用手機拍攝的一系列照片，通過AIGC工俱生成一個可以使用的3D渲染圖。採用這種創造內容的方式，我們可以想像未來的數字空間將不再完全由開發人員構建，而是利用AIGC響應用戶的輸入按需生成。
AIGC工具對專業人士的槓桿效應更顯著：如果對普通人的增益是從0到1，對專業人士則可能是從1到10，使他們能集中精力處理更頂層、更有價值的事情：比如立意，風格，構圖，元素組合和後處理，或者怎樣在前期製作盡可能多樣的demo來找尋更好的方案。運用AI也正成為新的職業能力，善於“施咒”的大觸們前赴後繼地開發著AI近乎無限的潛能，並社交平台上留下讓人望洋興嘆的作品。
更長期看，創作和藝術的歷史是螺旋上升的歷史，是某一種風格數量極大豐富、質量巔峰造極之後的突破、突變與跨界，也是一個時代精神情感的凝結。我們有理由相信，AIGC變革下創新依舊存在，甚至會加速發展。
參考資料來源:
[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.