AIGC在设计行业应用中的挑战与策略.pdf

51 0 引言AIGC 通过训练模型和大量数据学习，根据输入的条件或指导，自动生成与之相关的内容，在设计行业已有所应用。当下，AIGC 技术出现在广告设计、动画设计、游戏设计等多场景中，未来 AIGC 在设计行业中的应用场景广阔，但目前 AIGC 仍面临技术成熟度不足、版权归属争论等问题。准确识别 AIGC 技术在应用中的困难与挑战，探究技术、版权和伦理挑战方面的应对策略，推动 AIGC 在设计领域中应用赋能，以新智能新技术激活产业效能，对促进 AIGC 在设计领域的应用和发展具有重要现实意义。1 AIGC 发展历程与应用1.1 AIGC 定义与发展历程简述AIGC 是继专业生成内容（Professional Generated Content，PGC）和用户生成内容（User Generated Content，UGC）后利用人工智能技术生成内容的新型生产方AIGC 在设计行业应用中的挑战与策略文/徐畅1,2，杜欣泽1,2，于凯迪1,2（中国电子信息产业发展研究院，北京 100048；赛迪顾问股份有限公司，北京 100048）摘要：随着ChatGPT的火爆出圈，能够自动生成文本、图像、音频、视频的人工智能生成内容（AI Generated Content，AIGC）引起学术界和产业界的广泛关注。AIGC 领域的进步将改变人类的工作与生活方式，特别是设计行业从业者将大幅提升内容生成类工作的效率。本文以综述的形式，简述了 AIGC 的发展历程，介绍了 AIGC 在设计行业的实际应用，同时阐释了 AIGC 在应用中面临的问题与挑战，并提出了解决方法与应对策略，以期促进 AIGC 在设计领域的应用与发展。未来，AIGC 将成为设计内容生成领域的重要形式，将在包括设计在内的多个行业广泛应用。关键词：AIGC；技术成熟度；数字版权；伦理问题中图分类号：TP181；D923.4 文献标志码：A 文章编号：2096-5036(2023)04-0051-10DOI：10.16453/j.2096-5036.2023.04.006AIGC 在设计行业应用中的挑战与策略 52 专题：AIGCAI-VIEW2023 年第 4 期式1。早期，AIGC 主要用于辅助生成固定模板的内容，多运用于专业任务场景，如影视、娱乐、建模等。2014 年，Goodfellow 等提出基于对抗学习的生成模型生成对抗网络 GAN（Generative Adversarial Network）2；2021 年，Radford 等提出能够有效学习视觉特征，实现多模态预训练的算法 CLIP（Contrastive Language-Image Pre-Training）3；2022 年，Ho 等利用前向扩散过程和反向生成过程实现图文生成的扩散模型（Diffusion Model）。经历多次代表性变革后，AIGC 在数字孪生、数字建模、艺术创作中的应用更加广泛4。2022 年 11 月，OpenAI 发布具有交互功能的生成式人工智能模型为内核的 ChatGPT 后，仅用两个月便达到 1 亿月活用户规模，引发各界对AIGC 的广泛关注5。1.2 AIGC 在设计行业的应用 AIGC 自出现以来在金融、传媒、文娱、工业等行业已经有所应用，尤其是在设计行业，广告设计、动画设计、游戏设计等场景中的 AIGC 应用具有很强的代表性。1.2.1 广告设计中的应用在广告设计中，AIGC 能够为广告公司和品牌方快速地生成广告文案、海报页面等营销内容。AIGC技术被广泛应用在智能广告中，为广告设计行业降低成本、提高效率6。例如，2023 年 4 月，中国旅游出行平台飞猪，用 AIGC 生成的“这个 五一 玩什么”主题广告在上海、杭州等地投放。AIGC 结合预置在数据库中的广告文本素材，融合数据采集、数据分析获取用户端浏览行为，形成用户端偏好数据集，触发并提取数据集中广告关键词，生成相匹配的广告进行投放。目前，已有基于 AIGC 广告内容生成系统7的专利申请。1.2.2 动画设计中的应用AIGC 能够应用于动画设计的角色设计、角色建模、场景构建、剧本生成、音频处理等方面。例如，2022 年 7 月戛纳短片电影节中，使用 AIGC 技术制作的动画短片 The Crow（乌鸦），将真人舞蹈作品 PAINT-ED 进行多模态转换，以“世界末日中起舞的乌鸦”形象再创作，获得最佳短片奖8。2023 年，由 Netflix JP（日本奈飞）、日本WIT STUDIO 和微软小冰公司日本分部联合制作的动画片 犬与少年 的场景绘制部分运用 AIGC 技术，是 AIGC 辅助商业化动画片的首个发行级别作品9。在技术应用方面，NVIDIA（英伟达）的 GauGAN360，可以制作合成背景，自动生成或优化角色的外观、动作和表情等10。利用谷歌的作曲工具 Magenta 和 Adobe 的语音编辑工具 VoCo，可以根据现有音频合成逼真的语音11。1.2.3 游戏设计中的应用在游戏设计方面，AIGC已经在游戏环节设计和社交游戏结局创作等方面有所应用。来自哥本哈根信息技术大学等机构的研究人员，在 通过大型语言模型进行开放式的文本 2 级生成 一文中介绍如何应用 MarioGPT 语言模型生成“超级马里奥”的游戏关卡12。纽约大学坦登工程学院等机构的研究人员研究使用大型语言模型为推箱子游戏生成关卡13，实验取得成功。另外，国内已有关于利用 AIGC 技术的多结局创意社交游 53 AIGC 在设计行业应用中的挑战与策略戏的创作方法的发明专利申请14，通过评估游戏参与者的身体状态、认知能力和个性风格等调节游戏的难度设置，并生成后续游戏情节。2 AIGC 技术在设计行业应用中面临的问题与挑战随着 AIGC 应用逐渐普及，AIGC 技术面临的问题与挑战愈发明显，明晰 AIGC 现存的问题与挑战，探究应对策略，有助于未来技术更加安全、高效、可控的应用。目前，AIGC 在设计行业应用中主要面临技术能力、版权归属和伦理道德等方面的挑战。2.1 技术能力的挑战目前而言，技术能力不足是制约 AIGC 在设计领域应用渗透的关键因素。虽然AIGC 已经在设计创作中展现出不俗表现，例如 2022 年 8 月，游戏设计师 Jason Allen利用 Midjourney 人工智能系统绘画创作的 太空歌剧院 在美国科罗拉多艺术博览会上获得数字艺术类别冠军15，但是以下三个技术层面的问题和挑战导致 AIGC 技术依旧难以在设计等领域形成广泛应用。一是技术成熟度不足导致生成内容质量不达标。利用 AIGC 技术辅助创作可以看作是任务模态转化的问题，如利用自然语言文本生成图像、二维图像转化成三维图像、图像模态转化为动画模态等。但是，目前前沿的生成式预训练大模型技术水平仍无法完全理解人类的真实意图，而且在生成内容的细节精度上无法达到人类水平。例如，在图像生成任务中，人工智能可以较好地生成轮廓、纹理、颜色图像信息，然而面对生成人物等具有高透视、多遮挡特征的 AIGC 任务时，机器难以生成符合创作者预期的图像，尤其是生成手的拓扑结构8等。此类问题很大程度上导致 AIGC 生成的内容无法直接进行商业设计使用，而且人类设计师基于 AIGC 创作基础上进行加工修复的难度大，效率提升作用尚不明显。二是 AIGC 内容生成真实性难以保障。一方面，如果人工智能系统采用了大量可信度不高的网络数据，则在训练过程中就已经产生了虚假信息内容；另一方面，人工智能在自主创作的过程中可能会产生“幻觉”现象16，即模型虽然可以生成自然流畅、语法正确的文本，但实际上毫无意义且包含虚假信息（错误事实），如同人类产生了幻觉。据美国可信度评估机构 News Guard 的实验结果显示，ChatGPT 对测试中的 80%内容给出了诱导性的甚至是错误的回答，其中部分内容充斥违背公序良俗内容17。这将给利用 AIGC 进行设计的人员造成极大的不可控风险，尤其是对于准确度要求高的一些设计领域，目前 AIGC 的技术水平无法实现应用渗透。三是目前 AIGC 算法对高质量数据依赖程度较高。深度学习时代，数据、算法、算力成为 AI 系统能力提升的三大关键要素。随着数字经济快速发展，数据要素已经成为了经济社会发展的关键生产要素18。对于 AIGC 系统而言，有效的数据训练是提升其性能水平的关键。然而，由于目前算法机理的限制，大多数 AIGC 算法仍需要大量的高质量、可靠数据进行训练，大量现实世界中产生的原始数据无法被有 54 效利用。这使得算法开发者需要支付高昂的数据获取成本，数据采集、整理、标注消耗了大量时间和金钱9。同时，由于算法对高质量数据的依赖，数据需要经过前期处理后才能被使用，数据时效性难以保障，训练过程难以根据最新的数据进行实时捕捉和调整。算法对高质量数据的依赖问题在很多层面上限制着 AIGC 系统的性能提升速度。2.2 数据版权问题AIGC 的成果生成过程需要嵌入大量蕴含人类智慧成果的数据库资源，因此人工智能生成内容可以看作是由“AI 创作”与“人类创作”的二元创作主体共同实现的19。基于此，AIGC 在版权归属的认定问题方面存在相应的探讨空间。在实务界，对于 AIGC 数字权属的争辩尚无定论，两个典型的例子分别是 2019 年的北京菲林律师事务所诉北京百度网讯科技有限公司案（以下简称“菲林案”）和 2020年深圳市腾讯计算机系统有限公司诉上海盈某科技有限公司案（以下简称“腾讯案”）。“菲林案”被认为是中国首例涉及人工智能生成内容版权的案件，其判决结果基于版权法所规定的作品创作主体必须为自然人的认定，认为人工智能无法以作者身份署名，并且由于人工智能生成内容也不能表达软件开发者的思想与个性化表达，故人工智能生成内容也不可构成作品20。而“腾讯案”则是中国首例认定人工智能生成内容可以构成版权意义上的作品的案件。深圳市南山法院认为，人工智能生成内容在形式方面具备形式要件、在内容方面存在独创性，且为基于使用者的独特需求而生成，故人工智能生成内容可构成作品并且受版权法意义上的保护21。在学术界，针对人工智能生成内容的权属问题，学者主要从主体性、独创性、思想性、法律性几个角度展开论证。从主体性看，清华大学尤可可等认为，AIGC 的主体具有特殊性，生成的设计成果非传统典型作品，人工智能尚不具备成为创作主体资格的条件，因此其设计成果在数字版权归属、创作主体界定等方面都存在相应的疑点19。从独创性看，即便人工智能已经具备主体资格，其由于尚不具备在情感上自动创作的欲望以及同人类一样独立思考的能力，因此其设计结果不具备独创性22。Levent Uzun 也认为，多数时候人工智能所设计和生成的独特内容可能包含错误信息，其独创信息的准确性和可靠性明显不足23。从思想性看，表达的前提是自然人独有的思想和智力，AIGC 生成的设计作品不具有“思想性”24。上海大学郑旭东认为，AIGC 生成的设计作品通过算法加工运算而成，并不存在个体思想，故人工智能自动生成的设计内容不应当被认定为作品25。从法律性看，Ballardini 等认为，知识产权保护旨在保护人类智力成果，版权概念依赖于作为自然人的作者或发明人26。因此，AIGC 的设计成果无法受版权保护。华中科技大学熊琦也认为，即便承认人工智能与人在著作权上的权利主体地位一致，但关于人工智能在侵权行为中的主观过错、真实意图等权利主体问题的认定都是现行法律体系所无法解释的27。综上，AIGC 可否被看作创作主体，其输出的设计成果能否成为版权意义上作品，在实务界和学界始终存在争论。专题：AIGCAI-VIEW2023 年第 4 期 55 AIGC 在设计行业应用中的挑战与策略2.3 伦理与监管问题AIGC 伦理问题一直是各方探讨的重点，AIGC 目前在设计领域的应用存在系统性偏见、价值观对抗、“观点霸权”、刻板印象、虚假信息等价值观问题和伦理问题28，主要可以分为技术伦理风险和社会伦理挑战两方面。AIGC 的技术伦理风险主要体现在以下两点。一是算法风险方面，由于训练 AIGC所用数据库中数据来源多源化，难以保证数据准确无误，运用 AIGC 生成的设计产品可能传递虚假信息。同时，从算法规制方式上看，很难对 AIGC 的侵权行为开展事后追责29。当前在法律层面上，仅限于拥有法律人格的主体享受权利并承担义务，AI 因缺乏法律人格，在发生侵权事件后，只能间接问责使用 AIGC 设计产品的企业或个人，降低了法律对 AIGC 使用的约束力与震慑力。二是数据安全与数据伦理忽视，AIGC 在内容生产过程中，需要大量获取用户数据信息，加重了个人隐私泄露的风险。在 AIGC 用于设计行业前，需要运用大规模数据进行训练，为了数据训练精度更高，可能会忽视数据伦理，将人脸图像、用户私密聊天等敏感信息用于 AIGC 等机器训练29，在信息采集阶段，为了更准确地识别用户偏好，侵犯用户隐私的风险极大增加30，即使信息已做匿名化处理，但机器学习过程中将碎片化的数据进行多维度组合与关联，个人隐私可能复原，导致个人隐私泄露。在社会伦理方面的挑战主要表现在价值观偏差与歧视。AIGC 依赖于训练数据中的统计规律，深度学习的算法通常存在不透明性，容易产生算法歧视31。另外，目前无法做到实时信息抓取，且数据来源难以核实，生成内容的设计内容往往包含刻板印象32。在AI作图软件DALL E 2的风险测试中，生成内容存在刻板印象与偏见，如输入“婚礼”“餐厅”等关键词时，生成内容多为西式场景的图片。随着 AIGC 技术在设计行业的普及应用，如何有效监管成为 AIGC 可持续发展的必然挑战。各国政府和监管部门需要制定相应的政策与标准，采取有效的监管手段，以保证 AIGC 技术的透明、安全、合规、可控。3 应对策略为进一步推动 AIGC 在设计领域中应用赋能，以新智能新技术激活产业效能，既需要技术工作者努力突破，通过新算法模型、新理论体系、新技术支撑，不断提升 AIGC系统的技术能力，还需要产业政策制定者、监管平台、个体用户、技术型企业等多方主体的有机协同，共同促进 AIGC 在设计领域的应用和发展。3.1 针对技术能力挑战的策略对于技术成熟度不足导致生成内容质量不达标问题，目前技术探索方向主要有以下三类。一是可以参考人类问题求解的方法，通过构建思维链（CoT）33将复杂问题分析拆解成为多步骤推理问题（如人物手部拓扑结构的刻画，可以通过加入中间过程转化成不同元素生成和拼接的问题）。二是可以借助混合专家系统（MoE）34的理念，针对不 56 同任务场景训练特定领域的专家模型，然后利用门控制结构在不同应用场景中激活相应专家模型进行输出。如此，相较于完全通用的人工智能模型，具有专业知识强化训练的专家模型可以实现更高质量的生成。三是可以通过人类反馈对人工智能系统进行引导，即利用人类反馈强化机器学习过程（RLHF）35，例如 OpenAI 发布的 ChatGPT 对话系统，部分是基于 InstructGPT 的机理实现，人类的反馈指引可以让机器快速地学习生成更符合人类预期的内容。对于 AIGC 内容生成真实性问题，人类反馈强化机器学习同样适用于提升 AIGC 内容置信度，然而用户在使用 AIGC 系统的过程中可能会提出复杂、多样、多变的内容生成需求，仅依靠人类引导仍无法对于生成内容真实性提供满足要求的高置信保障。因此，研究者们提出，一方面可以通过在每一步训练过程中加入奖励机制，做到“过程管理”36，相较于传统“结果管理”的模式，“过程管理”可以对 AI 生成的中间过程进行真实性、可靠性确认；另一方面，可以通过开发对事实更加敏感的过滤模型，提高模型对于特定信息的敏感度门槛，从而减少 AIGC 生成具有误导性、虚假性、偏见性内容的概率。对于算法高度依赖高质量、可靠数据问题，解决问题的思路主要可以分为两类第一类是通过对数据进行处理和分析，从而增加数据的可用性或者实现现有数据的扩充。例如，在模型训练之前对数据进行数据清洗或数据增强，则训练完成的 AIGC 系统可以达到更好的性能37。第二类则是基于有限的数据，降低模型对于高质量数据的依赖性，从而实现小样本或零样本的机器学习。目前，学术界开展了诸多关于小样本学习的研究（如利用自适应聚合的小样本学习38、构建孪生网络的小样本学习39、通过知识迁移的小样本学习40等）。另外，Recitation-Augmented41等方法也是降低模型对外部数据依赖的有效路径，通过强化模型对现有准确内容的记忆，提升AI内容生成质量。3.2 针对数字版权问题的策略 针对人工智能生成内容的版权保护，政府机构和企业在规则层面和实务层面均进行了相关探索，以试图在科技发展与版权保护之间寻求平衡。在规则层面，2018 年，日本修订 著作权法，其中特别针对人工智能技术增设了灵活条款，规定了若内容使用者的使用“不侵害或轻微损害著作权所有者利益”，则可无需经权利人许可使用其成果42。2019 年，欧盟发布 单一数字市场版权指令，为人工智能技术进行数据挖掘创设例外，以支持人工智能的技术发展43。2020 年，欧盟发布 欧盟人工智能知识产权立法报告，提及当人工智能设计成果用于协助人类从事创作活动时，则可以采用传统知识产权保护手段对人工智能生成作品的著作权进行保护44。当前，中国对于人工智能生成内容和设计成果的产权保护方面的探讨也呈现了不同的路径，北京市社会科学院法学研究所于雯雯从法人作品与非法人作品的角度区分人工智能生成内容的著作权归属。若构成法人作品，则归属权属于法人；若构成非法人作品，则使用人工智能进行创作的人享有著作权45。中国政法大学杨利华则从权利客体范畴界定、著作权保护期限调整、附随强制性署名义务等方面入手，寻求人工智能生成内容在著作权保护与限制之间的平衡46。可以看到，对 AIGC 生成作品的属性确认专题：AIGCAI-VIEW2023 年第 4 期 57 AIGC 在设计行业应用中的挑战与策略以及对其著作权的保护与侵权界定已经成为了人工智能时代下国际社会的普遍关注要点和发展趋势47。在实务层面，数字水印被认为是对数据来源及所有权进行验证和跟踪、保护信息安全、实现版权保护的有效方法之一，诸多国际主流厂商已经采用了这一手段。微软在发布了可由文本提示通过机器自动创建艺术作品的 Bing Image Creator 工具的同时，还推出了 AI 数字水印工具，用以标记并识别由人工智能生成的 Bing Image Creator内容48。谷歌也主张由人工智能生成的图片均镶嵌公司水印，可通过谷歌搜索引擎而非人眼进行读取和查看标签。抖音发布 关于人工智能生成内容的平台规范暨行业倡议49，提出生成式人工智能技术商需对人工智能生成内容进行显著标识的倡议，同时倡议使用统一的人工智能生成内容数据标准或元数据标准，以便于公众和其他内容平台的判断和识别。在规则层面，需进一步对 AIGC 的数据挖掘过程和生成物的使用设定例外制度；在实务层面，企业需积极探索新的工具手段来实现信息溯源和版权保护。针对人工智能技术发展及其生成内容所引发的版权问题应保持开放包容的态度，予以合理规制，从而推动 AIGC 的创新发展与数据资源的自由流动。3.3 针对伦理与监督问题的策略 目前，AIGC 技术应用已涉及全球范围内多个国家和地区，伦理规范应从全球治理格局出发50，在建立全球化的 AIGC 技术伦理规则框架的同时，加强 AIGC 技术及其模型的技术伦理监管。2019 年以来，美国相继发布 2019 年算法问责法案51和 人工智能应用监管指南备忘录（草案）52；2020 年，英国颁布 人工智能与数据保护指南53；2021 年，欧盟颁布 人工智能法54；人工智能伦理问题建议书 于2021 年 11 月 24 日在教科文组织第 41 届大会上获得一致通过55，是首个关于以符合伦理要求的方式运用人工智能的全球框架。2022 年 11 月，中国在日内瓦举行的联合国特定常规武器公约2022 年缔约国大会上提交了 中国关于加强人工智能伦理治理的立场文件，并在会上提出人工智能治理应坚持伦理先行，通过制度建设、风险管控、协同共治等推进人工智能伦理监管；应加强自我约束，提高人工智能研发过程中算法安全与数据质量，减少偏见歧视；应提倡负责任使用人工智能，避免误用、滥用及恶用，加强公众宣传教育；应鼓励国际合作，在充分尊重各国人工智能治理原则和实践的前提下，推动形成具有广泛共识的国际人工智能治理框架和标准规范等主张56。随着 AIGC生成的图片、声音和文字的广泛出现，为避免技术被加以滥用，2023 年 3 月，联合国教科文组织号召各国立即执行 人工智能伦理问题建议书57。国内方面，针对 AIGC 的规定和管理办法不断完善。互联网信息服务深度合成管理规定 于 2022 年 12 月发布，其中包括“深度合成服务提供者和使用者不得利用深度合成服务制作、复制、发布、传播虚假新闻信息”“深度合成服务提供者和技术支持者应当加强训练数据管理，采取必要措施保障训练数据安全”等有关规定58。为促进生成式人工智能技术健康发展和规范应用，2023年7月，国家互联网信息办公室等部门发布 生 58 专题：AIGCAI-VIEW2023 年第 4 期成式人工智能服务管理暂行办法59，其中包括“在算法设计、训练数据选择、模型生成和优化、提供服务等过程中，采取有效措施防止产生民族、信仰、国别、地域、性别、年龄、职业、健康等歧视”“尊重他人合法权益，不得危害他人身心健康，不得侵害他人肖像权、名誉权、荣誉权、隐私权和个人信息权益”等规定，提出“生成式人工智能服务提供者（以下称“提供者”）应当依法开展预训练、优化训练等训练数据处理活动”“提供者应当依法承担网络信息内容生产者责任，履行网络信息安全义务”等内容。针对人工智能伦理的监管和治理需要坚持透明度、安全性、公平性和问责性的基本原则，建立技术算法问责制度，建设以风险为基础的全生命周期监管治理体制60，AIGC 的伦理监管同样需要全生命周期的监管治理体系，明确系统使用者的风险治理主体责任。在 AIGC 的训练与生成过程中，彻底消除偏见是较为困难的，可以通过吸纳多元化数据、加强人工审核等方式对产品进行优化32。另外，为了解决人工智能带来的伦理问题，人们开始探索使用技术方法实现“伦理嵌入设计”61，未来将伦理价值转化为设计规范，将价值和规范嵌入AIGC设计的全过程62，以保证生产的产品符合道德、伦理。4 结束语作为能够运用于多任务场景的新型生产方式，AIGC 被认为是新的技术风口，在设计行业的应用场景广泛，发展潜力巨大，但目前 AIGC 尚处于发展初期，面临着技术、伦理、监管等方面的问题和挑战。未来，经过长期的技术迭代，通过新算法模型、新理论体系和新技术支持，AIGC 系统的技术能力不断提升，同时伴随 AIGC 版权归属边界不断清晰，政策法规逐步明确，监管手段日臻完善，AIGC 技术在设计行业的应用向纵深发展。参考文献1 WHITE R,CHEUNG M.Communication of fantasy sports:a comparative study of user-generated content by professional and amateur writersJ.IEEE Transactions on Professional Communication,2015,58(2):192-207.2 GOODFELLOW I,POUGET-ABADIE J,MIRZA M,et al.Generative adversarial networksJ.Communications of the ACM,2020,63(11):139-144.3 RADFORD A,KIM J W,HALLACY C,et al.Learning transferable visual models from natural language supervisionC/International Conference on Machine Learning.New York:PMLP,2021:8748-8763.4 HO J,JAIN A,ABBEEL P.Denoising diffusion probabilistic modelsJ.Advances in Neural Information Processing Systems,2020,33:6840-6851.5 邓莎莎,李镇宇,潘煜.ChatGPT和AI生成内容:科学研究应该采用还是抵制J.上海管理科学,2023,45(2):15-20.6 非凡产研.行业洞察|创意变革与市场颠覆：AIGC对广告行业的全面影响EB/OL.(2023-05-11)2023-07-04.https:/ 环球数科集团有限公司.一种基于AIGC的广告内容生成系统:CN202310284124.6P.2023-04-21.8 欧阳春雪.基于深度学习的多模态AIGC动画探究J.现代电影技术,2023(1):41-47.9 高锐.从动画影片犬与少年到元宇宙:AIGC的潜力、应用及挑战J.现代电影技术,2023(5):24-28,17.10 NVIDIA.NVIDIA AI demosEB/OL.2023-07-04.https:/ Brown T B,Mann B,Ryder N,et al.Language models are few-shot learnersJ.Advances in Neural Information Processing Systems,2020,33:1877-1901.12 SUDHAKARAN S,GONZLEZ-DUQUE M,GLANOIS C,et al.MarioGPT:open-ended text2level generation through large language modelsJ.arXiv preprint arXiv:2302.05981,2023.13 TODD G,EARLE S,NASIR M U,et al.Level generation through large language modelsC/Proceedings of the 18th International Conference on the Foundations of Digital Games.2023:1-8.14 环球数科集团有限公司.一种利用AIGC技术的多结局创意社交游戏的创作方法:CN202310237831.XP.2023-04-11.15 周圳.起底百度AI作画,天宫盛宴刷屏视频背后的未来变革J.大数据时代,2023(2):54-59.59 AIGC 在设计行业应用中的挑战与策略16 SALVAGNO M,TACCONE F S,GERLI A G.Artificial intelligence hallucinationsJ.Critical Care,2023,27(1):1-2.17 曾晓.ChatGPT新思考:AIGC模式下新闻内容生产的机遇、挑战及规制策略J.出版广角,2023(7):57-61.DOI:10.16491/45-1216/g2.2023.07.010.18 何苏燕.数据生产要素化及其价值创造机制研究J.企业经济,2023,42(1):79-87.DOI:10.13529/ki.enterprise.economy.2023.01.009.19 尤可可,沈阳.元宇宙版权的特征与作品权属探析J.中国版权,2023(1):45-52.20 张铤.人工智能的伦理风险治理探析J.中州学刊，2022(1):114-118.21 钟义信.人工智能:“热闹”背后的“门道”J.科技导报，2016，34(7):14-19.22 涂啸菲,周宇.版权视角下人工智能生成内容问题的思考以人工智能生成内容版权纠纷案为切入点J.东南传播,2022(6):81-83.23 UZUN L.ChatGPT and academic integrity concerns:detecting artificial intelligence generated contentJ.Language Education and Technology,2023,3(1).24 孙正樑.人工智能生成内容的著作权问题探析J.清华法学，2019，13(06):190-204.25 郑旭东.人工智能生成内容版权性探析J.电脑知识与技术,2020,16(9):206-207.26 BALLARDINI R M,HE K,ROOS T.AI-generated content:authorship and inventorship in the age of artificial intelligenceJ.Online Distribution of Content in the EU,2019:117-135.27 熊琦.人工智能生成内容的著作权认定J.知识产权,2017(3):3-8.28 陈昌凤,张梦.由数据决定？AIGC的价值观和伦理问题J.新闻与写作,2023(4):15-23.29 于文轩,吴泳钊.AIGC与敏捷监管J.信息技术与管理应用,2023,2(2):8-17,93.30 VASWANI A,SHAZEER N,PARMAR N,et al.Attention is all you needJ.Advances in neural information processing systems,2017,30.31 马修U.谢勒,曹建峰,李金磊.监管人工智能系统:风险、挑战、能力和策略J.信息安全与通信保密,2017(03):45-71.32 钟 雨 欣 等.歧 视 与 偏 见：如 何 应 对AIGC的“暗 黑”一 面？EB/OL.(2023-03-20)2023-07-05.https:/ WEI J,WANG X,SCHUURMANS D,et al.Chain-of-thought prompting elicits reasoning in large language modelsJ.Advances in Neural Information Processing Systems,2022,35:24824-24837.34 SHAZEER N,MIRHOSEINI A,MAZIARZ K,et al.Outrageously large neural networks:the sparsely-gated mixture-of-experts layerJ.arXiv preprint arXiv:1701.06538,2017.35 STIENNON N,OUYANG L,WU J,et al.Learning to summarize with human feedbackJ.Advances in Neural Information Processing Systems,2020,33:3008-3021.36 LIGHTMAN H,KOSARAJU V,BURDA Y,et al.Lets verify step by stepJ.arXiv preprint arXiv:2305.20050,2023.37 JI Z,LEE N,FRIESKE R,et al.Survey of hallucination in natural language generationJ.ACM Computing Surveys,2023,55(12):1-38.38 ZHANG J,ZHANG M,LU Z,et al.AdarGCN:adaptive aggregation GCN for few-shot learningC/Proceedings of the IEEE/CVF winter conference on applications of computer vision.IEEE,2021:3482-3491.39 GUO Q,FENG W,ZHOU C,et al.Learning dynamic siamese network for visual object trackingC/Proceedings of the IEEE international conference on computer vision.IEEE,2017:1763-1771.40 YAO H,ZHANG C,WEI Y,et al.Graph few-shot learning via knowledge transferC/Proceedings of the AAAI conference on artificial intelligence.AAAI,2020,34(4):6656-6663.41 SUN Z,WANG X,TAY Y,et al.Recitation-augmented language modelsJ.arXiv preprint arXiv:2210.01296,2022.42 宋海燕.大模型监管观察丨英国、欧盟、美国如何规制ChatGPT训练数据？EB/OL.2023-07-06.https:/ 朱开鑫,张艺群.“你的AI侵犯了我的版权”：浅谈AIGC背后的版权保护问题EB/OL.2023-07-06.https:/www.tisi.org/25255.44 BALLARDINI R M,HE K,ROOS T.AI-generated content:authorship and inventorship in the age of artificial intelligenceJ.Online Distribution of Content in the EU,2019:117-135.45 于雯雯.人工智能生成内容在著作权法上的权益归属J.人工智能,2020(4):93-100.46 杨利华.人工智能生成物著作权问题探究J.现代法学,2021,43(4):102-114.47 沈锡宾,王立磊,刘红霞.人工智能生成内容时代学术期刊出版的机遇与挑战J.数字出版研究,2023,2(2):27-33.48 YUSUF MEHDI.Create images with your words-Bing Image Creator comes to the new BingEB/OL.(2023-03-21)2023-07-06.https:/ 抖音.抖音关于人工智能生成内容的平台规范暨行业倡议EB/OL.(2023-05-11)2023-07-06.https:/ 方卿,丁靖佳.人工智能生成内容（AIGC）的三个出版学议题J.出版科学,2023,31(2):5-10.51 Congress of the United States.Algorithmic accountability act of 2019EB/OL.(2019-04-10)2023-07-07.https:/www.congress.gov/bill/116th-congress/house-bill/2231/text.52 The White House.Guidance for regulation of artificial intelligence applicationsR/OL.(2020-11-17)2023-07-07.https:/www.whitehouse.gov/wp-content/uploads/2020/11/M-21-06.pdf.53 ICO.Guidance on AI and data protectionEB/OL.(2023-03-15)2023-07-07.https:/ico.org.uk/for-organisations-2/guide-to-data-protection/key-dp-themes/guidance-on-artificial-intelligence