前言

一、生成式 AI 的发展和现状

1.1、什么是生成式 AI？

生成式 AI（Generative AI） 是指计算机通过机器学习从现有数据中学习一个对象（物品、产品或任务）的要素，进而生成一个全新的、原创的、真实的、与原来内容相似的对象。作为重要的战略技术，在 2025 年 10+% 的数据将由 AI 创造。

1.2、生成式 AI 的发展趋势

根据 Gartner《2021 年预测：人工智能对人类和社会的影响》 中预测：

• 至 2023 年将有 20% 的内容被生成式 AI 所创建。
• 至 2025 年，生成式 AI 产生的数据将占有所有数据的 10%，而今天这个比例不到 1%。

对于生成式 AI 的发展趋势预测，具体如下图所示：

1.3、AI 生成内容的业务场景和分类

在不含 AI 生成代码的情况下，AI 生成内容的业务场景和分类已经囊括众多的技术领域，AIGC 技术场景具体如下图所示：

二、生成式 AI 从分析领域到创作领域

2.1、 降低内容创作门槛，增加 UGC 用户群体

• AIGC 能够代替人工完成声音录制、图像渲染等工作，使更多人员能够参与到高价值的内容创作流程中。预计这一效果在 2B 结构化内容生成的领域非常明显，个别场景会出现 2C 服务。跨模态生成成为未来重点。

2.2、提升创作及反馈效率，铺垫线上实时互动

• AI 同样提升了内容的反馈生成速度，对于实时交互内容有重大意义，具有将线下和真人的快速交互迁移到线上的可能，也即令 AI 承担真人的社交、创作、协作功能，可能会出现新的潜在场景（如社交类和探索类游戏等）。我们在 Game AI 板块所提及的 AIbot 实时玩家教学在一定程度上提供了一种互动的新形式，交互教育/交互探索游戏虚拟陪伴场景值得期待。
• 目前来看，内容消费者变得更容易将现实情感需求投射在虚拟世界中，预计会产生许多深入实时的互动需求，市场规模可观。

2.3、基于海量数据激发创意认知、提升内容生产多样性

• 相较于人类艺术家，AI 能够接触借鉴更多的数据，在基于 prompt 进行内容生成后 AI 创作的内容会有更多的二次创造空间和自由度。例如，生成算法能基于特定条件或完全随机的生成现实中不存在的形状、色彩搭配、图案或结构等，赋予内容创作更多可能，产生“超现实感”及“未来感”，推动艺术创新。

2.4、模态元素二次拆解组合，改变内容生产逻辑及形式

• 通过语音克隆、编曲风格提取等手段，AIGC 能够将原客体所对应的不同模态信息进行拆解，例如演讲者的面部形象、声音、演讲内容等。在重新组合之后，能够完成过往受到条件限制无法完成的工作。例如路人的声音 + 专业的播音逻辑、更符合特定审美的面部等，打破真人/真实场景在要素组合上具有的局限性。

2.5、AI 系统或数据库联动，实现高度个性化/高频优化

• 在与特定的数据库（例如实时更新的客户数据、市场反馈数据、特定主题下的历史统计数据）或 AI 系统进行联动后（如个性化推荐系统等），AIGC 能够在更为精准的未来预测/个性化预测基础上调整其生成内容。
• 例如，根据、根据所处渠道风格调整生成内容、参考历史数据优化生成内容等。该价值在内容用户习惯调整内容营销文本营销领域有重大意义。

三、生成式 AI 改变内容创作和分发范式

3.1、当前与未来设计工作流程对比

• 当前概念设计师工作流程：接到需求→搜集参考（图库）→构思出图→和甲方沟通修改。
• 未来设计工作流程：创意→AI→创意。

3.2、AI 文生图存在最大的问题是什么？

AI 创作能力在未来短时间内的进步速度，也将取决于各行各业收集和训练行业优质数据的工作。

开发人员使用 AI 生成宠物小精灵，在初期使用“写实”数据集后发现运行效果不理想，重新使用 26 张新数据集训练 20 分钟，我们根据二者之间的对比，可以看到 AI 学习和生成效果是非常棒的，具体如下图所示：

AI 目前最大的问题不是“不够聪明”，而是“书读得太少"。 在 AI 新范式下创作，要考虑什么样的内容更利于 AI 学习和 AI 生成使用。

如果我们将艺术家关键词对生成图像的贡献视为艺术家本/的贡献，我们从原理上就可以为艺术家的创意价值定价了。

3.3、AI 从底层改变了哪些游戏规则？

今天的 AI 从底层改变了游戏规则，接下来会看到以下变化：

• 不会画画的人用 AI 生产高质量视觉作品。
• 互联网上难以估量的图像数据被重新组织起来，围绕模型训练和数据标注出现新的生意。
• 图片版权名存实亡，参与建立 AI 数据集成为艺术家的主要收益。
• 传统图像处理软件、3D 建模软件被围绕 AI 范式建立的新工具取代。

四、为何生成式 AI 迅速爆发和突破？

4.1、大模型突破瓶颈

根据英特尔（Intel）创始人之一戈登·摩尔（Gordon Moore）提出的 “摩尔定律”：当价格不变时，集成电路上可容纳的晶体管数目，约每隔18个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔 18 个月翻两倍以上。

而现在由于高效数据、高效算力、高效模型、高效知识需求的增长，摩尔定律原来中的 2 倍将增长至现在的 10 倍，具体如下图所示：

在 “The blessings of scale”中，根据趋势我们可以明确得知：同等条件下，随着模型参数量的增加，更大的模型会带来更好的结果，且目前的趋势并未饱和，故目前阶段大模型的投资依然会增加以获得更高的效益，具体如下图所示：

4.2、多模态融合打破边界

多模态融合打破边界，模型越来越大，模型走向行业，模型走向融合，具体如下表所示：

五、生成式 AI 技术趋势分析

生成式 AI 技术的发展更趋向于：可控、高精度；更快、更好、更便宜。

可控和高精度重建成为技术突破口，带来了超乎想象的结果，得益于 Diffusion model、语言大模型、跨模特大模型、Nerf 等技术的突破，具体如下图所示：

六、生成式 AI 无法产生创意的基本元素

生成式 AI，可控生成于机器而言，是不同语义的重组，于人而言，就是创意！在绘画领域，AIGC 是将绘画的三要素（构图、纹理、着色）进行重组从而产生创意。但是他并不能真的产生创意的基本元素，举例具体如下图所示：

图像生成，反事实是创意，但是对于语言生成，反事实却是灾难，可谓“恐怖如斯”，具体如下图所示：

总结

本文参与华为云社区【内容共创】活动第22期。
任务21：一键AI作画，人人都是艺术家 理论+实操 教你实现AI应用快速开发