大模型时代下AIGC新浪潮

大模型时代下AIGC新浪潮

文章目录

• 大模型时代下AIGC新浪潮
• • 1. **相关概念**
  • 2. **迎接大模型时代**
  • 3. **ChatGPT引爆AIGC产业**
  • 4. **从产业链宏观看AIGC**
  • • 1. **上游：基础层**
    • 2. **中游：技术层/模型层**
    • • 1. **模型层介绍**
      • 2. **预训练大模型分类与介绍**
    • 3. **下游：应用层**
    • • 1. **总体概述**
      • 2. **AIGC应用赛道**
      • 3. **国内外应用探索**
  • 5. **大模型时代下的风险**
  • 6. **AIGC浪潮下的机遇与挑战**
  • • **6.1 抓住机遇**
    • **6.2 应对挑战**
  • 7. **AIGC浪潮下的个体思考**

1. 相关概念

• 大模型：大模型是指具有大规模参数和复杂计算结构的机器学习模型。这些模型通常由深度神经网络构建而成，拥有数十亿甚至数千亿个参数。大部分大模型公司把大模型分为大语言模型、计算机视觉、音频、多模态大模型四大类。

• LLM：大型语言模型（LLM）是一种大型语言模型，以其实现通用语言理解和生成的能力而闻名。LLM通过在训练过程中使用大量数据来学习数十亿个参数，并在训练和操作过程中消耗大量计算资源来获得这些能力。

• AIGC：生成式人工智能——AIGC（Artificial Intelligence Generated Content），是指基于生成对抗网络、大型预训练模型等人工智能的技术方法，通过已有数据的学习和识别，以适当的泛化能力生成相关内容的技术。AIGC技术的核心思想是利用人工智能算法生成具有一定创意和质量的内容。

• 泛化能力：泛化能力是指机器学习模型在面对新的、以前未见过的数据时的表现能力。一个具有良好泛化能力的模型能够从训练数据中学到普遍的规律和特征，并能够在面对新数据时做出准确的预测或分类。

• 预训练大模型：预训练大模型是指在大型数据集上进行训练的深度神经网络模型，其中包含大量的参数和层级。这些模型通常使用大量的计算资源和大数据集进行训练，可以提高其性能和泛化能力。

• PLM：预训练语言模型是指在大规模文本数据上进行预训练的机器学习模型，旨在学习语言的各种特征和模式。这些模型通常使用无监督学习方法，在大量文本数据上进行训练，以学习语言的语法、语义、上下文理解等方面的知识。

• 多模态：多模态则指的是同时处理多种类型的数据或信息。例如，多模态模型可以同时处理文本、图像、音频等多种类型的输入。多模态模型可以更全面地理解和分析数据，因为它可以利用不同模态之间的关联性和互补性信息。

• Prompt：“Prompt” 是一个广泛应用于自然语言处理领域的术语，通常指的是一段文本或指令，用于引导模型生成特定类型的输出。在大多数情况下，prompt 是一个问题、描述或指令，旨在激发模型生成相关的回答或输出。在使用预训练语言模型（如GPT-3）时，prompt 被用作输入，以引导模型生成相应的文本。

• NLP：自然语言处理是计算机科学和语言学的一个跨学科分支。它主要关注的是赋予计算机支持和操纵人类语言的能力。它涉及使用基于规则或概率（即统计的，最近的是基于神经网络的）机器学习方法来处理自然语言数据集，如文本语料库或语音语料库。目标是一台能够“理解”文档内容的计算机，包括文档中语言的上下文细微差别。然后，该技术可以准确地提取文档中包含的信息和见解，并对文档本身进行分类和组织。

• Transformer：Transformer是一种架构，它使用注意力来显著提高深度学习 NLP 翻译模型的性能，其首次在论文《Attention is all you need》中出现，并很快被确立为大多数文本数据应用的领先架构。

• Diffusion：机器学习中，扩散模型或扩散概率模型是一类潜变量模型，是用变分估计训练的马尔可夫链。扩散模型的目标是通过对数据点在潜空间中的扩散方式进行建模，来学习数据集的潜结构。计算机视觉中，这意味着通过学习逆扩散过程训练神经网络，使其能对叠加了高斯噪声的图像进行去噪。计算机视觉中使用通用扩散模型框架的3个例子是去噪扩散概率模型、噪声条件得分网络和随机微分方程。

• GAN：GAN是生成对抗网络（Generative Adversarial Network）的缩写，是一种深度学习模型。它由两个神经网络组成，分别是生成网络和判别网络。生成网络用于生成和合成新的数据，而判别网络则用于判断生成的数据与真实数据的区别。这两个网络相互对抗，通过不断的训练和优化，生成网络可以生成更加逼真的数据，而判别网络也可以更准确地判断生成的数据与真实数据的差异。

• NeRF：NeRF（Neural Radiance Fields）是一种用于三维重建的深度学习模型。它可以从2D的图像数据中重建出高度逼真的三维场景。NeRF的核心思想是使用神经网络来表示场景中每个点的辐射强度和颜色，而不是传统的表面几何模型。NeRF在计算机图形学和计算机视觉领域引起了广泛的关注，并在实际应用中取得了很好的效果。

• ToB/ToC：toB（或B2B）指的是商业对商业，即企业间的商业交易或合作。toC（或B2C）指的是商业对消费者，即企业向个人消费者的商业交易或服务提供

• Know-how：属于商业秘密.但没有专利保护.具有无形资产性质的技术诀窍、专业知识、私家配方，统称为“Know how”。

• SaaS服务：SAAS是一种软件交付模式，用户通过互联网访问和使用软件，而不需要购买、安装和维护软件。SAAS通常以订阅的方式提供，用户按照使用量或时间段支付费用。这种模式可以让用户轻松地使用软件，而不必担心软件的安装、更新和维护问题。SAAS模式通常适用于各种类型的软件，包括办公软件、客户关系管理软件、企业资源规划软件等。

2. 迎接大模型时代

作为新一轮科技革命和产业变革的核心引擎，人工智能正在为经济社会发展持续注入新动能，今年以来，大模型技术引领着人工智能领域迈入新发展高度，在世界范围内受到广泛关注。大模型对于人工智能厂商和企业用户而言，是一个重要发展机遇。

超大规模智能模型，简称大模型，是近年兴起的一种新的人工智能计算范式。和传统AI模型相比，大模型的训练使用了更多的数据，具有更好的泛化性，可以应用到更广泛的下游任务中。

大模型的技术变革呈现数据巨量化、模型通用化、应用模式中心化的特点。整个发展阶段可以划分为三个阶段。2013-2018年的深度学习阶段，主要还是基于传统的“专用模型+大量标注数据“的方式，在监督学习的机制下训练得到一个个专用小模型。2018-2022年的预训练阶段，基于“海量无标注数据”，在自监督学习机制下获得预训练大模型。2022念下半年以来的大语言模型阶段，预训练大模型的通用能力愈发强大。

按照应用场景划分，AI大模型主要包括语言大模型、视觉大模型和多模态大模型等。业界典型的自然语言大模型有GPT-3、源、悟道和文心一言等。视觉大模型也已广泛应用于自动驾驶、智能安防、医学影像等领域。基于多模态大模型的以文生图技术也迅速发展，AIGC是大模型的一个运用，大模型是AIGC的实现方式，已成为下一个AI发展的重点领域。

3. ChatGPT引爆AIGC产业

ChatGPT是一款人工智能聊天机器人，其背后的GPT模型是一种自然语言处理（NLP）模型，使用多层变换器（Transformer）来预测下一个单词的概率分布，通过训练在大型文本语料库上学习到的语言模式来生成自然语言文本。

AIGC是指由人工智能系统生成的内容。这种内容可以包括文本、图像、音频和视频等形式。AIGC通常通过机器学习和自然语言处理技术来生成，其目的是为了满足不同领域的需求，例如自动化写作、图像生成和声音合成等。AIGC的应用范围非常广泛，可以用于新闻报道、广告营销、电子商务、教育培训等领域。

AIGC历程可以划分为三个阶段，从19世纪50年代的早期萌芽开始，该阶段AIGC仅限于小范围实验；20世纪90年代开始向实用性转变；21世纪10年代进入快速发展阶段，人工智能生成内容百花齐放，ChatGPT是AIGC最新浪潮的代表性产品。

ChatGPT具备划时代的强大功能，一经发布短短5天便获得100万用户，此前全球顶流社交软件ins触及100万用户花费了2.5个 月时间。此外，ChatGPT也引发全球资本市场对AIGC的投资热潮，Deelroom数据显示，2023年1月全球生成式AI总估值达到 480亿美元，相比2020年底增长了6倍。其中OpenAI估值达到290亿美元，相比2021年增长超1倍。国内外互联网头部企业持续关注AIGC产业，自ChatGPT发布后，纷纷加码布局，如谷歌为应对来自ChatGPT的威胁，投资 Anthropic布局智能聊天机器人；Meta宣布将在2023年底推出AIGC商业化落地产品；国内百度推出文心一言对标ChatGPT产品。根据IT桔子投融资数据，2023年前3个月全球AIGC赛道投资金额达54.93亿元，同比增长了5倍

4. 从产业链宏观看AIGC

1. 上游：基础层

它是人工智能产业的基础，为人工智能提供数据及算力支持。包括AI芯片、智能传感器、云计算、数据类服务、5G通信等。这其中AI芯片尤为重要，包括CPU（中央处理器）、GPU（图像处理器）等，可以说，它决定了人工智能的“智商”。

全球AI芯片市场被英伟达垄断，2021年Q4英伟达占据全球95.7%的GPU算力芯片市场份额。然而国产AI 算力芯片正起星星之火。目前，国内已涌现出了多家优质的 AI 算力芯片上市公司，非上市 AI 算力芯片公司亦在产品端有持续突破。

AIGC产业依赖算法、数据和算力的发展。

2. 中游：技术层/模型层

1. 模型层介绍

它侧重核心技术的研发，主包括机器学习、计算机视觉、算法理论、智能语音、自然语言处理等。其中计算机视觉目前发展较快，它是一个通过技术帮助计算机“看到”并理解数字图像内容的研究领域，例如理解照片和视频的内容。

我国计算机视觉市场规模一直保持逐年增长，据预计，2020-2025年我国计算机视觉市场规模复合年均增长率为12.3%，2025年规模将达到1537.1亿元。

AIGC中也叫“模型层”。主要分为数据层、算力层、计算平台、模型开发训练平台和其他配套设施。模型层：即垂直化、应用化、场景化的模型和应用工具，主要分为底层通用大模型和中间层模型，底层通用大模型又可分为开源基础模型、非开源基础模型和模型托管平台;中间层模型有人类互动反馈、大模型调整和个性化模型。应用层：即面向C端用户的文字、图片、音视频等内容生成服务，按不同的价值创造逻辑，可分为生产可直接消费内容、结合底层系统生产高附加值内容、提供内容生产辅助工具、用于提供体系化解决方案四类。在这四类中，目前我国落地及变现进展最快的是生产可直接消费内容这一赛道。

AIGC产业的商业化应用需要在模型构建中寻找最优解。

2. 预训练大模型分类与介绍

预训练大模型按照模态可以分为文本、图像、视频、代码、音乐生成等多种，但从底层架构上都分属两类。Transformer是一种编解码模型框架，适用于处理文本、代码这类强连续性生成任务；Diffusion、GAN、NeRF等框架善于处理图像生成类任务。叠加文图转换技术可以形成文生图模型。由单模态模型在实际训练时融合其他模态技术，可形成多模态、跨模态大模型，如GPT-4、文心一言、 Mid journey等，由于多模态模型可接受文本、图像等不同输入输出形式，对应用场景能够更广泛适配，着力发展多模态模型成为产研两界共同趋势。

3. 下游：应用层

1. 总体概述

人工智能应用遍及各行各业，场景丰富且多元，包括机器人、无人机、智慧医疗、无人驾驶汽车、智能家居、智慧教育等。

AIGC按内容生成类别可划分为文本、代码、图像、音视频四类，根据红杉资本预测，2023年文本、代码生成有望得以成熟应用，其中文本生成可实现垂直领域文案的精确调整，达到科研论文精度，代码生成可覆盖多语种多垂直领域；图像、音视频生成的成熟度相对较低，目前尚处于生成基础初稿的阶段，2030年有望得以成熟应用。

本章节所探讨的AIGC应用，是以大模型为技术主体，同时涵盖其他AIGC技术（如语音合成、策略生成）的应用范围。总体来看，大模型基于其在内容生成、总结、逻辑推理等方面的能力，已在多种AI服务的技术开发环节中展开融合替代。其中，内容生成与理解 是大模型的核心能力，AIGC的产业价值主要体现在以此为核心的“变革内容生产方式”与“变革人机交互方式”两方面。大模型对 内容理解和内容生成的双向能力使其既能以极低门槛实现多模态内容生成，也可脱离内容生产核心场景泛化为一种人机对话的媒介。未来，全行业将借助大模型能力衍生出的大量AI生产工具，实现内容生产效率的飞跃，并进一步降低数字生态的人机交互门槛。

2. AIGC应用赛道

AIGC技术的渗透路径将遵循数字产业的基本发展逻辑，按照客户类型、产品形态和商业模式，划分为To C和To B两个领域。To C产品：以内容和工具形式触达消费者，各类C端应用可通过直接调用通用大模型API形成各种AI创作工具，并利用其生成内容进行变现，典型场景覆盖文娱、影视传媒行业以及电商零售等。To B产品：AIGC技术通过大模型能力去部分补充或替代原有场景的算法小模型或是传统软件功能，将其渗透各行各业以提高企业生产办公效率。更高的场景复杂度对参与厂商的技术能力和行业know-how也提出更高要求。

3. 国内外应用探索

对比国内外AIGC应用的发展环境与发展现状可知，现阶段国外的AIGC应用发展更完善、进度更领先、发展路径更清晰。首先，在应用数量上，国内外已相差一个量级；其次，国内以实用刚需场景为主，国外则在多种细分场景上充分发挥创意。究其差距原因，一是国外在开源社区在AI技术和数据集上有多年积累，国内还处于初步阶段，二是国内用户在SaaS服务上极低的付费意愿和购买力，

导致国内AIGC的C端应用开发乏力。因此，从发展路径来看，国外会相对平稳均衡，以轻量级SaaS服务挖掘大量细分场景的潜在机会，同时也会逐步探索大模型与企业现有服务的产品化结合；而国内既有厂商主要瞄准TOB赛道，从定制逐步走向产品化，同时也有新生厂商探索消费级应用，但场景价值与变现能力尚未明晰。

5. 大模型时代下的风险

随着基于广泛数据训练的模型（如GPT-3）的兴起，人工智能正在经历范式转变，这些模型可以适应广泛的下游任务。尽管大模型基于标准的深度学习和迁移学习，但它们的规模会产生新的涌现能力，而它们在众多任务中的有效性会激励同质化。同质化是指大模型的能力是智能的中心与核心，大模型的任何一点改进会迅速覆盖整个社区，但其缺陷也会被所有下游模型所继承。同质化提供了强大的杠杆作用，但需要谨慎，因为大模型的缺陷会被下游所有适应的模型继承。尽管大模型即将广泛部署，但我们目前对它们是如何工作的，何时失败，以及由于它们的紧急特性，它们甚至能够做什么还缺乏明确的了解。为了解决这些问题，我们认为，许多关于大模型的关键研究将需要与其基本的社会技术性质相适应的深入的跨学科合作。

人工智能安全的一个重要研究领域是表征和预测当前自我监督基础模型的能力。有三个方面使这项工作具有挑战性。首先，大模型的通用性意味着它们可以以意想不到的方式应用于无数不同类型的应用程序。列举基础模型的当前和计划应用程序不足以捕捉它们的全部使用方式。其次，即使在特定的应用程序中，模型功能也是新兴的：随着模型的扩展，它们以意想不到的方式增长和变化。例如通过“提示”控制GPT-3的能力是一种新出现的现象。未来基础模型的涌现特性是什么样子还不得而知。第三，即使在特定的应用程序和规模内，模型的能力也不容易表征。例如，一旦将逗号添加到输入中，GPT-3执行加法的能力就会显著提高。同样，提示的小改写也会对任务性能产生很大影响。由于提示的空间难以枚举，因此很难明确断言任何任务都超出了当前基于提示的基础模型的范围——这是推理基础模型可能带来的灾难性风险的一大挑战。

6. AIGC浪潮下的机遇与挑战

6.1 抓住机遇

AIGC技术有可能彻底改变社会安全事件的预测和预警领域。这些事件会对社会稳定、公共秩序和公共安全产生重大影响，包括火灾、交通事故、恐怖袭击和暴力犯罪等一系列事件。通过利用其卓越的自然语言处理能力，ChatGPT可以有效地分析和处理大量文本信息，以识别和预测潜在的社会安全事件。通过监控社交媒体平台、新闻报道和公共信息渠道，ChatGPT可以成功提取与社会安全事件相关的关键词、短语和语义，如它们的位置、时间和事件类型。通过对这些信息进行细致的分析和分类，ChatGPT可以预测和识别这些事件，从而为社会的整体安全做出贡献。

此外，AIGC有可能通过有效分析和处理大量社交媒体数据、新闻报道、恐怖主义记录和其他相关信息，彻底改变安全。通过利用AIGC的力量，政府和组织可以预测未来的安全威胁，识别新出现的趋势，并制定强有力的安全政策和措施。在反恐领域，ChatGPT可能非常有用。它可以分析与恐怖袭击和活动有关的大量文本数据，帮助反恐部门预测和识别潜在威胁。通过情绪分析，ChatGPT可以衡量恐怖分子及其组织的情绪、态度、意图和行动计划。此外，ChatGPT可以监控和分析聊天记录、电子邮件和其他在线文本源，以主动检测和预测潜在的恐怖活动。凭借其提取关键词和匹配文本的能力，ChatGPT可以识别关键细节，如与恐怖袭击有关的特定地点、个人和组织。这些特点使反恐部门能够及时发出警告，有效防止潜在的恐怖行动。

除了预测能力外，AIGC还有潜力用于模拟和测试各种安全解决方案和措施，包括网络安全、边境安全和反恐。通过使用AIGC，研究人员可以自动生成网络安全攻击和防御的新场景，从而有助于更深入地了解安全挑战及其相应的解决方案。AIGC的这一应用对推进安全问题研究和加强安全措施具有重要前景。

6.2 应对挑战

当前，AI大模型仍在加速发展，有机遇也有挑战。

今年来，伴随着ChatGPT在全球的火爆，国内也迅速进入了“百模大战”甚至是“千模大战”，通用型以及垂类型在各个领域是百花齐放。但这种火热的另一面，是对大模型套壳、造假的质疑。

最近，从谷歌新发布的AI模型Gemini演示视频的造假，到外媒曝出字节跳动使用OpenAI技术开发自己的大语言模型，违反了OpenAI服务条款，因此被暂停了账户。“百模大战”的激烈竞争以及引发的乱象，也让业界对大模型评测标准以及统一规范提出了新的课题。此外，虽然用 ChatGPT 能够轻松应对日常写作任务，而在其背后，却参杂着高比例的虚假信息，人工验证不可或缺。由此可见，AIGC 技术在下游应用上仍有许多不完善的地方。

除了生成速度快之外，AIGC 技术可生成多样化的内容类型，包括文字、图片、音频、视频等，也支持在已有真实内容上做自定义修改。同时，借助跨模态技术，人们只要说一段话、写一段文字就能生成对应的内容，大大降低了内容创作的难度。

AIGC 不仅生成速度快、内容多样，而且内容逼真。以目前最常见的人脸生成为例，人物的整体形态和脸部细节都和真人相差无几，甚至连光影效果、虚化都能以假乱真。

基于以上 AIGC 的显著特点，在带来生产效率提升的同时，也充斥着欺诈、不合规内容的泛滥，给内容风控带来了新的挑战。这不仅要求内容风控需要精准有效，而且要能快速识别特定内容，保障内容的合法性和真实性。

国家坚持发展和安全并重、促进创新和依法治理相结合的原则，采取有效措施鼓励生成式人工智能创新发展，对生成式人工智能服务实行包容审慎和分类分级监管。国家发布了《生成式人工智能服务管理暂行办法》和《中国游戏产业AIGC发展前景预告》。《生成式人工智能服务管理暂行办法》奠定了我国对于AIGC包容审慎、分级分类监管的主基调，明确生成式人工 智能服务提供者应承担网络信息安全、个人信息保护等义务，提出需进行安全评估与备案、对生成内容进行标识等服务规范。

当前，国内部分大厂具有多条“大模型产品线”，公开信息显示，截至目前，国内至少有23家大模型通过《生成式人工智能服务管理暂行办法》备案。这意味着算法备案已成为AIGC产品的向社会公众开放、进入商用市场的重要门槛。所谓大模型备案，是指大模型产品在向公众开放及商用之前，经过监管部门的备案审批。没有经过备案，就只能小范围内测，大部分人无法注册使用，而通过备案的大模型产品或服务即可面向社会全面开放服务。

由于大模型的复杂性和应用场景的多样性，如何评价其性能和效果，证明产业大模型应用的价值，成为面向下一阶段的一个极具挑战性的问题。也因此，建立一套科学、合理、完善的评价体系对于大模型的应用至关重要，它能够推动技术进步，促进产业发展，同时确保技术应用的合规性和社会效益。

此前，中国质量认证中心发布了人工智能评测体系，综合人工智能企业科技信用评级、算法适配度评测、大模型应用能力评测及芯片适配评测评价维度，旨在通过权威第三方评测，将企业技术能力、算法与场景的适配能力、大模型应用能力、芯片与算法适配能力的黑箱，变成人人可懂的白盒，帮助垂类企业选择更适合所属行业场景的相关产品和供应商，权威技术识别“工具”，助力传统行业的智能化转型升级。

智用研究院院长孙明俊表示：“组织大模型评测的目标是为了解决众多垂类行业用户对于大模型能力和特点的认知需求，建立一套具有中国特色、由丰富行业场景引导的评测体系，对大模型的垂直行业应用能力进行技术评判，推动产业的健康发展。”

而从更长的维度来看，围绕AI大模型的发展，除了应用落地和评测标准建立外，还面临着一些基础层的挑战和问题。算力体量、成本和数据体量都亟需进一步改善；数据安全、隐私保护、算法公平等问题需要得到充分关注和解决；大模型的产业应用和交叉领域建设，更需要培养和提升一大批产业内数智化人才的梯队储备。

面向未来，从政产学研用通盘视角来看，政策端需要做好统筹政策调度、支持孵化大模型产业生态和相应的创新要素供给，以更好的促进科技成果转化和产业大模型的落地成熟化、规模化；技术端需要推动软硬件技术一体化的进一步提升，为大模型的产业端应用提供更牢固的技术基础；产业端则需要提升产业对大模型和数智化应用升级的知识认知、能力建设和人才培养，并结合当前产业大模型训练需求，协助和支持科研界将大模型成果务实落地，提炼出更多产业内关键场景，商业痛点和行业数据。

7. AIGC浪潮下的个体思考

在AIGC浪潮下，大学社团与组织了“潮创钱塘·联创浙江”AI时代下的大学生创新机会相关活动在为浙江各高校学生提供一个共同学习、交流和合作的平台，促进同学们在 AI 时代下更好地融入创新创业的浪潮。 活动聚焦于 AI 技术的应用与创新创业机会，旨在探讨人工智能技术在不同领域的创新应用、未来发展趋势及其对创新创业的影响。同时，相关活动将建立一个更加紧密的合作网络，为各高校创新创业者提供更多资源支持、交流合作的机会。

、

参加AIGC相关的沙龙活动，对于大学生来说是一个很好的机会，可以接触到行业内的专业人士，了解最新的技术和趋势。但是也会面临挑战，比如需要充分准备自己的知识和技能，以及与其他参与者的竞争。我在活动中学习到许多与AI相关的知识和经验，拓展了自己的视野，提升了自己的专业能力。这对于我个人的成长与未来方向的选择具有重要意义。同时我结识了许多志同道合的人，建立起更广泛的人脉。这对于未来的职业发展和合作机会都非常有帮助。

我也更清晰地认识到自己的价值和定位，也能够更全面地了解自己所处行业的发展方向和趋势，更好地规划自己的职业发展方向。

大学生加入AIGC浪潮对国家与AI发展有着重要的意义。大学生作为年轻一代，我们具有更加灵活的思维和创新的能力，我们的参与可以为国家的AI发展注入新的活力和创意。可能会带来新的理念、新的技术和新的应用场景，从而推动国家AI技术的不断创新和进步。

与此同时，我们的参与可以为国家培养更多的AI人才。随着AI技术的快速发展，国家对于高素质的AI人才的需求也在不断增加。我们通过参加AIGC浪潮可以接触到最新的AI技术和发展趋势，提升自己的技能和知识水平，为国家培养更多的AI人才储备。

参考文献:

[1]Bommasani, R… On the Opportunities and Risks of Foundation Models[OL], arXiv e-prints. 2021. doi:10.48550/ arXiv：2108.07258.

[2]国家网信办.生成式人工智能服务管理暂行办法[EB](2023). http://www.cac.gov.cn/

[3]伽马数据.中国游戏产业AIGC发展前景报告[OL].2023. https://www.199it.com/

[4]CworldAI.Introduction to AIGC[OL].Introduction to AIGC | Cworld.AI

[5]网易易盾.AIGC浪潮下数字内容风控的新挑战[OL].AIGC浪潮下数字内容风控的新挑战 – 知乎 (zhihu.com)

[6] Danhuai Guo, Huixuan Chen, Ruoling Wu, Yangang Wang,.AIGC challenges and opportunities related to public safety: A case study of ChatGPT[J]. Journal of Safety Science and Resilience,Volume 4, Issue 4,2023,Pages 329-339,

[7] Cao, Y…A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT[OL].arXiv e-prints, 2023. doi:10.48550/ arXiv:2303.04226

[8]慧博智能投研.AIGC行业深度：应用场景、商业模式、市场规模、产业链及相关公司深度梳理[OL].2023. AI大模型行业深度：行业概述、发展现状、产业链及相关公司深度梳理【慧博出品】 – 知乎 (zhihu.com)

[9] 北京市科学技术委员会、中关村科技园区管理委员会.北京市人工智能行业大模型创新应用白皮书[EB]. 北京市科学技术委员会、中关村科技园区管理委员会 工作动态 《北京市人工智能行业大模型创新应用白皮书（2023年）》发布 (beijing.gov.cn)

[10]中国计量大学创潮协会.AI 时代下大学生创新机会 主题沙龙 暨浙江高校创协首次联合活动 策划书 [OL].2023.

[11]王祺, 李冬露, 张云, 李鑫. 2023年中国AIGC产业全景报告 日就月将，学有缉熙于光明[A]. 上海艾瑞市场咨询有限公司, 2023艾瑞咨询8月研究报告会论文集[C]. 艾瑞咨询企业服务三组;: 2023: 241-309
l)

[10]中国计量大学创潮协会.AI 时代下大学生创新机会 主题沙龙 暨浙江高校创协首次联合活动 策划书 [OL].2023.

[11]王祺, 李冬露, 张云, 李鑫. 2023年中国AIGC产业全景报告 日就月将，学有缉熙于光明[A]. 上海艾瑞市场咨询有限公司, 2023艾瑞咨询8月研究报告会论文集[C]. 艾瑞咨询企业服务三组;: 2023: 241-309