AIGC
定义
AIGC指利用人工智能技术生成、合成的文本、图片、音频、视频、虚拟场景等内容,也指相应的一类内容生产方式以及支撑内容自动化生成的技术集合[1][2]。这一定义出自中国信息通信研究院联合京东探索研究院于2022年9月发布的《人工智能生成内容(AIGC)白皮书(2022年)》[1][2]。
在内容生产的序列中,AIGC常被放在专业生产内容(PGC)与用户生成内容(UGC)之后讨论,三者分别对应专业机构供稿、普通用户上传与机器自动生成三种来源[3]。白皮书认为,AIGC既能作为独立的内容形态存在,也能嵌入既有生产流程中充当工具环节[1]。
在政策文件中,与之含义相近的表述是“人工智能生成合成内容”,指利用人工智能技术生成、合成的文本、图片、音频、视频、虚拟场景等信息,该界定见于国家互联网信息办公室等四部门2025年发布的《人工智能生成合成内容标识办法》[4]。学界与产业界对该概念的具体边界仍无完全统一的表述。
原理
AIGC的技术底座由生成算法、预训练大模型与多模态技术三者交汇构成[5]。生成对抗网络(GAN)由生成器与判别器两部分组成,生成器尝试造出接近真实分布的数据,判别器负责分辨真伪,两者在对抗训练中共同提升。
Transformer架构以自注意力机制为核心,能够并行处理序列并捕捉长距离依赖,成为大语言模型的通用骨架[5]。文本类模型据此按自回归方式逐词预测,把输入提示扩展为连贯段落[6]。
图像生成的主流路线是扩散模型:前向过程向数据逐步加入噪声直至接近纯随机噪声,反向过程由神经网络学习逐步去噪,最终重建出结构化图像。在实际产品中,提示词经编码后通过交叉注意力引导去噪方向,模型从学到的概率分布中采样出与语义匹配的画面[7]。
为让输出更贴近人类偏好,训练流程中还引入基于人类反馈的强化学习(RLHF),先由标注者对候选输出排序,再以此训练奖励模型、优化生成模型[3]。多模态技术则通过文本与图像的联合表示,把同一模型的能力延伸到跨模态生成任务[5]。
发展历程
用计算机生成内容的想法可追溯到20世纪50年代:1950年图灵提出“图灵测试”,为判断机器能否模仿人类生成内容提供了试验思路[8]。50年代的马尔可夫链与70年代的隐马尔可夫模型等概率模型,为生成式方法奠定了理论基础。
2014年,伊恩·古德费洛等人提出生成对抗网络,显著提升了图像生成的逼真程度,被视为AIGC发展的关键突破。2017年Transformer架构提出后,自然语言生成进入以大语言模型为主的阶段[5]。
2020年OpenAI发布拥有1750亿参数的GPT-3,同年还推出文生图模型DALL·E,展示出跨模态生成能力[6]。2022年底ChatGPT上线并迅速普及,同年Stable Diffusion等文生图模型开放使用,推动AIGC进入大规模应用阶段[6][3]。
2022年9月,中国信息通信研究院与京东探索研究院在世界人工智能大会期间联合发布《人工智能生成内容(AIGC)白皮书(2022年)》,对技术体系、应用场景与治理问题作出系统梳理[2]。2025年3月,国家互联网信息办公室等四部门发布《人工智能生成合成内容标识办法》,并配套发布强制性国家标准《网络安全技术 人工智能生成合成内容标识方法》,两者自2025年9月1日起施行[4][9]。
应用
在传媒与影视领域,AIGC被用于选题策划、文案撰写、素材生成与后期处理等环节,覆盖文生文、文生图、文生视频、声音克隆与数字人播报等功能[10]。有制作团队分别用语言模型生成剧情、用图像模型生成分镜、用视频模型生成动态画面,再由人工完成剪辑与配音。
在电商、娱乐与设计等数字化程度较高的行业,AIGC被认为率先取得应用进展,并逐步向其他行业扩散[2]。白皮书梳理的技术能力包括数字内容孪生、编辑与创作三个层次,分别对应现实世界的数字化映射、虚实双向交互与算法自主创作[11]。
在办公与知识服务场景中,生成式产品被用于问答、会议纪要整理与演示文稿制作;中国互联网络信息中心2025年的调查显示,使用生成式人工智能产品的用户中,用于回答问题的比例最高,其次为办公辅助。
局限
生成模型依赖训练数据中的统计规律,输出倾向于数据分布中的高概率区间,容易呈现风格与题材的趋同[7]。有研究指出,若模型持续在前代模型输出上训练,会逐代丢失真实数据分布的信息,偏离主流的风格逐渐消失[7]。
文生视频模型仍存在移动镜头与长镜头一致性不足、空间逻辑错误以及算力成本约束等问题[12]。在需要精确事实与严密推理的任务上,模型也可能给出不准确的结论[13]。
权属与标识是另一重约束。美国版权局与联邦法院坚持“人类作者”要件,纯由人工智能自主生成的作品不予登记;2026年3月2日,美国联邦最高法院拒绝受理相关复审申请,该立场继续有效[14]。在中国,生成合成内容须按规定添加显式与隐式标识,服务提供者应确保下载、复制、导出的文件中带有符合要求的标识[4]。
此外,训练数据大量取自现有作品而缺乏相应付酬机制,由此引发的版权争议仍待厘清。
参见
参考资料
- 中国信通院-科研能力-权威发布-蓝皮书 [引用日期2026-10-29]
- 中国信通院联合京东探索研究院发布《人工智能生成内容（AIGC）白皮书》 [引用日期2026-10-29]
- 【AIGC】1、爆火的 AIGC 到底是什么 | 全面介绍 [引用日期2026-10-29]
- 四部门发布《人工智能生成合成内容标识办法》 [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- 图文详情——科普中国资源服务 [引用日期2026-10-29]
- AIGC视觉内容泛化背后的公共文化危机 [引用日期2026-10-29]
- 人工智能生成内容 [引用日期2026-10-29]
- 四部门联合发布《人工智能生成合成内容标识办法》-河北省高级人民法院 [引用日期2026-10-29]
- 基于AIGC的智能媒體內容創作平臺的設計與實現 [引用日期2026-10-29]
- 深圳市人工智能产业协会 - AIGC生成式人工智能高光亮相“2023全球人工智能开发者先锋大会” [引用日期2026-10-29]
- 智能视听：AIGC在短视频制作领域的应用前景及挑战 [引用日期2026-10-29]
- Generative AI - What is it?: Difference between revisions [引用日期2026-10-29]
- morganlewis.com 上的网页 [引用日期2026-10-29]