|
|
传统数字内容生成的效率已经成为新时代的瓶颈。AIGC（人工智能自动内容生成）的出现和应用顺应了众多行业的生产需求，为今年的人工智能注入了新的想象力和活力，成为今年人工智能技术的新引爆点。#百度AIGC#海讯云Aihttps://chat.58chat-ai.com是当下比较受关注的行业产品，我们网站内汇集很多最近最新的资讯，欢迎点击进入了解更多消息资讯！
近年来，随着内容媒介的日益丰富，人们渴望通过内容来表达自己和自己的思想，同时，对内容的快速生产也产生了更大的需求。深度学习的发展带来了各种新的尝试，从CV（计算机视觉）延伸到CG（计算机图形），这些也是目前大众理解的AIGC的狭义概念。
一、AIGC 带来全新的技术变革
1、GAN 神经网络
在二维领域，众所周知的GAN神经网络是在2014年提出的，由两个模型组成：生成器和判别器。生成器试图欺骗判别器，而判别器则抵制这种欺骗。经过多轮训练，生成器和判别器的性能都可以得到优化，从而形成一个良好的生成模型。基于现有的图像，从GAN网络衍生出来的模型（如CycleGAN），可以用来实现图像的风格迁移、图像修复和图像补充等操作。许多人工智能绘画算法是GAN的扩展应用。
图2 GAN网络流程
2、基于 AI 算法的图片 3D 重建
由于在深度学习方面为不同领域设计了模型，人们越来越关注人工智能在GC领域的应用。为了完成三维重建，人们首先要在显性或隐性表达之间做出选择，如2019年的DeepVoxels和Neural Volumes以及2020年的Latent Fusion，但显性表达会限制三维内容的分辨率。为了克服这个问题，隐式表示法成为了焦点。隐式表达中的DeepSDF模型是最简单、最直接的，但也受到了表达方式的缺陷的限制。直到2020年，谷歌研究院提出的NeRF方法才成为三维重建的新热点。NeRF带来了新的方向和突破，原始研究文献中的引用次数达到了一千多次。
二、AIGC 潜在的巨大商业价值
我们很想知道，在目前的技术成熟度下，AIGC能创造多少商业价值。领先的风险投资公司Redshirt Capital最近发布了其AIGC行业蓝图报告《Generative AI: A Creative New World》。从CV的发展历史来看，在AlexNet（2012）问世之前，CV中的检测和目标识别已经发展了40多年，但技术不稳定，没有很好的商业化实现方式。随着深度学习的进步和成熟，人工智能才逐渐被应用到各种商业场景中。
我们目前有一个成熟的、被广泛使用的技术应用——人脸识别，它在支付和安全等领域大放异彩。人工智能技术很好地促进了生产力的提高，为社会提供了更丰富的发展资源。
图3 AI绘画-下雨天、绿树
1、视频内容生成
随着流量时代的到来，丰富的流量已经成为变现的必要基础。吸引流量的主要方式是通过文章和视频，带来视觉体验。比如，现在做一个视频需要的时间和人力成本相对较高，传统的视频基本上都是通过素材+后期剪辑的方式拍摄。这种视频编辑过程比较繁琐，会受到拍摄素材的限制，也需要简单的重复劳动才能获得。但通过人工智能生成和风格迁移，可以快速批量生成不同效果的视频，快速降低内容制作成本。
图4 拍摄视频素材
2、线上商业服务
近年来，传统工业、传统农业、传统服务业都在使用硬件机器人来替代重复性工作，以解放人力，降低成本，提高效率。
同时，在线客服、娱乐圈的主播，甚至一些节目的主持人都出现了被虚拟机器人取代的例子。人们看天气预报，不会因为主持人被虚拟人取代而停止观看，人工智能有更好的数字基础，发挥得更稳定。
越来越多的重复性工作被人工智能取代，减少了员工流失的风险。但仍有一些困难需要克服，如何让AI+3D创造的人物，更灵活、更流畅，是我们需要解决的实际问题，使之更加真实。
3、行业仿真
根据用途的分类，仿真应用大致分为管理仿真（数字双胞胎）和设计仿真（工业设计软件）。从技术上讲，管理仿真更关注效果和数据的结合，而设计仿真则关注对几何世界的数字模拟。但不管两者之间有什么区别，两者都仍然依赖于重复的、简单的人类努力来模拟内容。它们都依赖人进行大量的重复性工作，而且无论是宏观的（如数字双胞胎）还是微观的（如工业结构件），模型的数量都非常大，而且都是劳动密集型的，很费时间。如何通过人工智能快速生产内容并更好地渲染内容，是工业仿真更快发展道路上难以突破的障碍。
AI算法性能的好坏有天壤之别，AIGC的爆发难免会导致鱼龙混杂的局面。对于人工智能行业来说，从不成熟到成熟的道路是一个过程，需要时间的磨炼，所以需要耐心和长期深入行业打磨产品，弘扬工匠精神。AIGC方向对于企业的技术、场景和数据的理解和积累尤为重要。但我们相信，AIGC会在各种显性的业务场景中创造越来越多的现实价值和落地。
举报/反馈 |
|
发表于 2024-9-28 15:24:46
