AIGC行業(yè)深度報告新一輪內(nèi)容生產(chǎn)力革命的起點

AIGC行業(yè)深度報告-新一輪內(nèi)容生產(chǎn)力革命的起點AIGC破圈元年AIGC連續(xù)破圈：AI繪畫/ChatGPT相繼破圈AI繪畫作品獲獎。2022年8月，在美國科羅拉多州舉辦的新興數(shù)字藝術(shù)家競賽中，《太空歌劇院》獲得“數(shù)字藝術(shù)/數(shù)字修飾照片”類別一等獎。參賽者沒有繪畫基礎(chǔ)，利用AI工具Midjourney創(chuàng)作。

ChatGPT于2022年11月30日推出，5天后用戶破百萬，兩個月后月活用戶突破1億，成為史上用戶增長速度最快的消費級應(yīng)用程序。風投及產(chǎn)業(yè)資本涌入AIGC。2021年開始，風投對AIGC的投資金額金額出現(xiàn)爆發(fā)式增長，2022年超20億美元。主打AI生成文字的Jasper.ai于2022年10月完成1.25億美元A輪融資，估值達15億美元。AI視覺藝術(shù)創(chuàng)業(yè)公司Stability.ai獲1.01億美元種子輪融資，投后估值達10億美元。

據(jù)美國財經(jīng)媒體Semafor報道，微軟預計向ChatGPT的開發(fā)者OpenAI投資100億美元，OpenAI投后估值將高達290億美元。AIGC定義：新的內(nèi)容生成方式、基于人工智能的技術(shù)集合AIGC（AIGeneratedContent）即利用人工智能技術(shù)自動生成內(nèi)容，受制于AI技術(shù)成熟度，目前AI仍為內(nèi)容制作的輔助型角色（AIUGC），待技術(shù)突破，AI可真正作為內(nèi)容創(chuàng)作者（AIGC）。AIGC是技術(shù)集合，基于生成對抗網(wǎng)絡(luò)GAN、大型預訓練模型等人工智能技術(shù)，通過已有數(shù)據(jù)尋找規(guī)律，并通過適當?shù)姆夯芰ι上嚓P(guān)內(nèi)容的技術(shù)集合。

相關(guān)叫法：合成式媒體（SyntheticMedia），即基于AI生成的文字、圖像、音頻等；Gartner提出的生成式AI（GenerativeAI)，即由人工智能自動生成新的編程、內(nèi)容或商業(yè)活動，讓文字、音樂、圖像、視頻、場景等都可由AI算法自動生成。從PGC到UGC，從UGC到AIGC。Web1.0時代“只讀”模式催生出“PGC”；Web2.0時代，社交媒體興起，人與人通過網(wǎng)絡(luò)交互，催生出以用戶生產(chǎn)和分享內(nèi)容的“UGC”模式；Web3.0時代，內(nèi)容消費需求進一步增長，個性化需求凸顯，“AIGC”將成為重要的新內(nèi)容生成方式。AIGC為何爆發(fā)？數(shù)據(jù)、算法、算力共振AIGC發(fā)展核心三要素：數(shù)據(jù)、算力、算法。算法持續(xù)迭代。2017年推出的Transformer架構(gòu)的并行訓練優(yōu)勢奠定了大模型訓練的基礎(chǔ)，GPT為代表的預訓練模型，通過使用無標注數(shù)據(jù)預訓練及微調(diào)，緩解了標注數(shù)據(jù)不足的問題，并不斷提升參數(shù)量級及模型通用性，ChatGPT在此基礎(chǔ)上加入了利用人類反饋強化學習的訓練方法。擴散模型取代GAN成為圖像生成領(lǐng)域的主流模型，CLIP模型推動跨模態(tài)生成技術(shù)的發(fā)展。模型商業(yè)化及開源釋放創(chuàng)造力。GPT3的商業(yè)化及CLIP及StableDiffusion模型的開源推動文本生成、文生圖產(chǎn)品化浪潮。AIGC算法發(fā)展歷程：谷歌持續(xù)重注AIGC研究2023年2月2日，谷歌研究院等提出了一種視頻生成新模型——

Dreamix，受到了AI作圖UniTune的啟發(fā)，將文本條件視頻擴散模型

（videodiffusionmodel,VDM）應(yīng)用于視頻編輯。核心是通過兩種主要思路使文本條件VDM保持對輸入視頻的高保真度：（1）不使用純噪聲作為模型初始化，而是使用原始視頻的降級版本，通過縮小尺寸和添加噪聲僅保留低時空信息；（2）通過微調(diào)原始視頻上的生成模型來進一步提升對原始視頻保真度。微調(diào)確保模型了解原始視頻的高分辨率屬性，對輸入視頻的簡單微調(diào)會促成相對較低的運動可編輯性，這是因為模型學會了更傾向于原始運動而不是遵循文本prompt。AIGC市場空間：從決策走向創(chuàng)造推動內(nèi)容生產(chǎn)向高效率和更富創(chuàng)造力方向發(fā)展，與多產(chǎn)業(yè)融合。不僅是降本增效，更是個性化內(nèi)容生成。AI不僅能夠以優(yōu)于人類的制造能力和知識水平承擔信息挖掘、素材調(diào)用、復刻編輯等基礎(chǔ)性機械勞動，從技術(shù)層面實現(xiàn)以低邊際成本、高效率的方式滿足海量個性化需求。根據(jù)Sequoiacap，近年來AI模型在手寫、語音和圖像識別、閱讀理解和語言理解方面的表現(xiàn)逐漸超過了人類的基準水平。而且AI讓所有人都能夠成為“藝術(shù)家”，可無時無刻生成更有創(chuàng)造力、更個性化的內(nèi)容。

通過支持AI生成式內(nèi)容與其他產(chǎn)業(yè)的多維互動、融合滲透從而孕育新業(yè)態(tài)新模式，為各行各業(yè)創(chuàng)造新的商業(yè)模式，提供價值增長新動能。商業(yè)模式：按調(diào)用量收費、SaaS訂閱收費、增值服務(wù)、解決方案等AIGC的潛在客戶主要包括2B端內(nèi)容生產(chǎn)公司和2C端用戶：

2B：在PGC領(lǐng)域?qū)崿F(xiàn)內(nèi)容創(chuàng)作高效化，提高PGC活躍度和靈活性。AIGC能夠克服人力不足，降低內(nèi)容生產(chǎn)成本?？蛻糁饕獮橘Y訊媒體、音樂流媒體、游戲公司、視頻平臺、影視制作公司等，如協(xié)助影視公司制作電影/劇集視頻片段。2C：在UGC領(lǐng)域?qū)崿F(xiàn)內(nèi)容創(chuàng)作低門檻和較高專業(yè)度，擴充UGC人群。AIGC能夠激發(fā)C端用戶靈感，且不需要用戶具有極強的專業(yè)知識，每個人都可以成為創(chuàng)作者。客戶主要為畫家、寫手、歌手等，如協(xié)助音樂小白創(chuàng)作專屬于個人的歌曲。

國內(nèi)AIGC商業(yè)模式尚未成型。以寫作機器人、自動配音等場景為例，大部分產(chǎn)品仍處在免費試用的“流量吸引+平臺改良”階段。此外，部分公司將AIGC用于協(xié)助自身原有商業(yè)體系，如騰訊開發(fā)的AIBot應(yīng)用于騰訊游戲中，阿里的智能語音服務(wù)主要應(yīng)用于微信，字節(jié)跳動則主要基于短視頻場景研究AI賦能。AIGC應(yīng)用場景文本生成：基于NLP技術(shù)，受益于預訓練語言模型突破發(fā)展自然語言處理技術(shù)（NLP）是文本生成的基礎(chǔ)。NLP探索計算機和人類（自然）語言之間相互作用，研究實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。最早的自然語言處理研究工作是機器翻譯，后逐漸向文本摘要、分類、校對、信息抽取、語音合成、語音識別等方面深入。

從基于規(guī)則的經(jīng)驗主義到基于統(tǒng)計的理性主義，再到基于深度學習的方法，NLP在70年歷程中逐漸發(fā)展進步。受益于預訓練語言模型的突破發(fā)展，Transformer等底層架構(gòu)不斷精進，NLP取得跨越式提升。文本生成：已實現(xiàn)大范圍的商業(yè)落地文本生成是AIGC實現(xiàn)商業(yè)落地最早的技術(shù)之一，技術(shù)發(fā)展顯著提高了對于上下文的理解與承接能力、對常識性知識的嵌入能力、中長篇幅生成能力、生成內(nèi)容的內(nèi)在邏輯性等，文本生成迎來質(zhì)的飛躍。現(xiàn)有的落地場景主要集中在應(yīng)用型文本生成、創(chuàng)作型文本生成，重點關(guān)注閑聊型交互文本生成。音頻生成：TTS場景基本成熟，樂曲創(chuàng)作有發(fā)展?jié)摿σ纛l生成主要應(yīng)用于流行歌曲、樂曲、有聲書的內(nèi)容創(chuàng)作，以及視頻、游戲、影視等領(lǐng)域的配樂創(chuàng)作，目前在眾多場景已獲初步發(fā)展，在部分場景已廣泛應(yīng)用、趨于成熟。現(xiàn)有的落地場景集中在TTS、語音克隆、樂曲/歌曲生成。索尼計算機科學實驗室（CSL）在2021年9月宣布發(fā)布一款AI輔助音樂制作應(yīng)用程序FlowMachinesMobile（FMMobile），已登陸蘋果AppStore，可以用于iPad。FMMobile利用AI人工智能技術(shù)輔助音樂制作，能夠根據(jù)創(chuàng)作者選擇的風格提示旋律、和弦和貝斯線，生成音樂。

2021年，喜馬拉雅用TTS技術(shù)完美還原單田芳聲音，并首次將單田芳的AI合成音應(yīng)用于風格各異的書籍，用單式評書腔調(diào)，全新演繹聽眾耳熟能詳?shù)慕?jīng)典之作。喜馬拉雅上已有80多部運用還原自單田芳先生聲音制作的專輯。圖像生成：從GAN到擴散模型，圖像生成技術(shù)迭代發(fā)展2014年生成式對抗網(wǎng)絡(luò)（GenerativeAdversarialNets，GAN）的提出標志著圖像生成進入快速發(fā)展期。GAN由生成器和判別器兩個神經(jīng)網(wǎng)絡(luò)組成，其中生成器通過輸入數(shù)據(jù)試圖產(chǎn)生欺騙判別器的真實樣本，而判別器試圖區(qū)分真實樣本和生成樣本。對抗博弈下不斷提高性能，達到納什平衡后生成器可以實現(xiàn)以假亂真的輸出。

GAN不需要蒙特卡洛估計來訓練網(wǎng)絡(luò)，G的調(diào)整更新不直接來自數(shù)據(jù)樣本，而使用來自D的反向傳播，能夠更快產(chǎn)生樣本。但可解釋性差且較難訓練，容易產(chǎn)生隨機圖像，且圖像同質(zhì)化嚴重、分辨率較低。針對這些，CGAN、StyleGAN被提出來解決難訓練和分辨率低的問題。

雖然近年來GAN在神經(jīng)網(wǎng)絡(luò)架構(gòu)、損失函數(shù)設(shè)計、模型訓練穩(wěn)定性、模型崩潰問題上取得了突破，提升了最終圖像的特定細節(jié)、內(nèi)在邏輯、生成速度等，但要在實際中大規(guī)模運用還需要解決相應(yīng)問題。視頻生成：與圖像生成類似，大量應(yīng)用集中在視頻屬性編輯視頻生成原理與圖像類似，主流模型為GAN、VAE、Flow-based模型，近年來擴散模型也逐漸應(yīng)用到視頻生成中。

2019年，DeepMind提出了DVD-GAN模型（DualVideoDiscriminatorGAN)，加入了空間判別器D-S和時間判別器D-T。GAN在視頻生成中的重大突破是一組由50萬段10秒高分辨率YouTube視頻剪輯匯編成的數(shù)據(jù)集訓練，能夠生成具備時間一致性的高分辨率（256x256像素）視頻。

視頻生成應(yīng)用場景主要集中在視頻屬性編輯、視頻自動剪輯、視頻部分編輯，前者已有大量應(yīng)用落地，后兩者還處于技術(shù)嘗試階段。視頻編輯比圖像更具挑戰(zhàn)性，需要合成新動作，不僅是修改外觀，還要保持時間一致性。跨模態(tài)生成：“CLIP+其他模型”成為通用的做法跨模態(tài)定義：跨模態(tài)生成，指將一種模態(tài)轉(zhuǎn)換成另一種模態(tài)，同時保持模態(tài)間語義一致性。主要集中在文字生成圖片、文字生成視頻及圖片生成文字。Transformer架構(gòu)的跨界應(yīng)用成為跨模態(tài)重要開端之一。多模態(tài)訓練普遍需要匹配視覺的區(qū)域特征和文本特征序列，形成Transformer架構(gòu)擅長處理的一維長序列，與Transformer的內(nèi)部技術(shù)架構(gòu)相符合。此外Transformer架構(gòu)還具有更高的計算效率和可擴展性，為訓練大型跨模態(tài)模型奠定了基礎(chǔ)。CLIP（ContrastiveLanguage-ImagePre-training，可對比語言-圖像預訓練算法）成為圖文跨模態(tài)重要節(jié)點。

2021年，OpenAI發(fā)布了CLIP，是一種經(jīng)典的文圖跨模態(tài)檢索模型，在大規(guī)模圖文數(shù)據(jù)集上進行了對比學習預訓練，具有很強的文圖跨模態(tài)表征學習能力。CLIP模型包含圖像和文本的Encoder兩部分，用于對圖像和文本分別進行特征抽取。“CLIP+其他模型”在跨模態(tài)生成領(lǐng)域成為較通用的做法，如DiscoDiffusion，其原理為CLIP模型持續(xù)計算Diffusion模型隨機生成噪聲與文本表征的相似度，持續(xù)迭代修改，直至生成可達到要求的圖像。產(chǎn)業(yè)鏈及相關(guān)公司百度：“創(chuàng)作者AI助理團”助力AIGC智能創(chuàng)作2022年9月，萬象·百度移動生態(tài)大會召開，百度發(fā)布多項AIGC應(yīng)用內(nèi)容生產(chǎn)領(lǐng)域的技術(shù)和產(chǎn)品，尤其是“創(chuàng)作者AI助理團”和“百度APP數(shù)字人計劃”的發(fā)布，助力內(nèi)容創(chuàng)作駛進AIGC元年。百度百家號攜手澎湃新聞、新京報等數(shù)十家權(quán)威媒體成立“AIGC媒體聯(lián)盟”，推動AI普惠和賦能媒體行業(yè)，加速內(nèi)容生產(chǎn)的智能化。騰訊：“AI+游戲/數(shù)字人”多場景綜合布局AIGC騰訊AILab的基礎(chǔ)研究方向包括計算機視覺、語音技術(shù)、自然語言處理和機器學習，應(yīng)用探索結(jié)合了騰訊場景與業(yè)