1. 几个问题

AIGC 近期成了热点，不少小玩法开始出现在小红书，比较流行的是头像二次元化，效果较好。高端局一般会用 Stable Diffusion，MidJourney 这样的工具来生成 AI 画作。

AIGC 是 Artificial Inteligence Generated Content （人工智能生成内容）的简称，实际当然不止是画画。包括声音、图像、视频，是都可以用类似的技术生成的。

（可以在这里看到一些视频的示例：https://imagen.research.google/video/）

作为破圈的先锋，AIGC 的画作还是更令人震撼：

（Dall-E2 的官网：https://openai.com/dall-e-2/）

（少楠用 Midjourney 绘制的图像，输入的描述是：Ultra realistic tree with green beech leaves, stunning forests in the background, sunrise light, art by Greg Rutkowski + Alphonse Mucha + Rien Portvliet, 8k --ar 16:9 --testp）

于是，有关 AIGC ，引来了几个有意思的问题的讨论：

- AIGC 能否替代真正的创作者？

- AIGC 是否意味着人工智能的质变？

- AIGC 能解决哪些问题？不能解决哪些问题？

我自己有一些观察，跟大家分享下。

2. 机器学习原理

我大学读研时的老本行就是机器学习，做过一些项目，略有了解，试着用白话简单说下机器学习的逻辑。

我们可以设想一下，科学家观测一个现象后，总结出定律的方法。

古代科学家认为天圆地方，这是最直观的推测，因为太阳月亮星星的运转用这个解释是合理的；后来观测到了地球是球型，那地心说就是直观的逻辑；再后来观测到了更多天文现象，就知道太阳才是太阳系中心，地球是公转中做自转的。

这个演进是符合一个逻辑的：依据当前的信息，解释一个现象，用最简单的方式。新的现象出现，解释不了了，再加入别的因子让它变复杂，再解释新的现象。

机器学习正是如此。

我们要识别一个人会不会买口红，最直观的方法就是判断 ta 的性别，是女性，就有更大的概率会买口红。人的属性千变万化，但性别就是我们判断「买口红」这个命题的「特征提取」。我们找到这个规律以后，就能用性别作为特征，建立模型。

输入用户资料 - 提取性别并判断 - 输出

现实情况更加复杂，可能男性也会买，往往是在逢年过节的时候送礼用。那么性别（男）+购买日期（临近节日），也能成为重要的特征，我们就要引入新的特征向量，即购买日期。

输入用户资料 - 提取性别&购买日期并判断 - 输出

根据新的用户资料和购买行为，我们持续会发现新的特征有利于我们的判断。于是就引入更多新的特征，比如除了公共节假日，可能还要看用户女朋友/家人的生日；比如女性里面，购买口红概率更大的，可能会出现在某个年龄段，等等。这样「特征」就越来越多。

输入用户资料 - 提取性别&购买日期&年龄&....... 并判断 - 输出

我们输出的结论肯定就越来越准确。这就是机器学习运作的基本逻辑。

即然要提取这么多特征做判断，就要看不同的特征影响输出的程度有多大。性别和年龄可能权重大一些，其它的可能权重小一些。怎么判断呢？肯定不能人为，那就要训练一个模型。

机器学习的模型就是投入我们认为筛选出来的特征维度（性别、年龄等）、大量的正向和负向的案例（训练集），让机器学习出一个极度复杂的公式，公式来解释每个特征影响结果的程度。

这里面训练集的规模就成了重点，案例越多肯定越准确。在过去的时代，很多训练集是需要人工标注的，标注员会跟富士康的工人一样算是劳动密集型的工作，去判断这个案例是正的还是负的。比如文字识别，这个字是哪个字？图像分类识别，这是猫还是狗？一段翻译，是否翻译准确？

这也是为何互联网公司团队往往拥有最好的「算法」。当我们提到算法好的时候，大部分情况下其实讲的是这个公司的机器学习模型准确度高，这个准确度来源于公司收集的大量用户行为数据，用户是在用准确的行为免费帮企业做标注，比如购买消费行为、浏览点击行为，等等。

此为机器学习的原理。当然这是白话说的，具体怎么提取特征、怎么判断权重和因子间相互的影响、怎么分类、怎么建模等等，其实是很复杂的技术操作。

3. 深度学习与 AIGC 原理

机器学习发展到 21 世纪，计算机的性能大幅提升，开始演化出深度学习（Deep Learning）。

深度学习之所以是「深度的」，就因为除了能学习模型怎么做精确，还能学习怎么建模本身。

前面讲的案例里，我们要识别一个人会不会买口红，还是从「生活观察」出发，去猜想，诶，这个特征是不是有关系？那个特征是不是有关系？

深度学习的逻辑不需要判断，就是一股脑把所有的信息，转化成数据投入进深度学习的模型里去，它会自己去判断哪个有用、哪个没用。

这样的好处是很显然的：能覆盖更多的特征、能采集更多的数据。并且由于深度学习的算法是可以叠加很多层次的，就能解决更复杂的场景、更复杂的数据。

所以深度学习的效果会明显变好。

（一个 卷积神经网络，即 convolutional neural network 、CNN 的示意图，来源 CSDN）

像我们举的例子，还是单一维度的判断，会不会买口红。而深度学习就可以到图像领域、视频领域了，可以处理大量像素的色值、位置等等问题。

但深度学习也会存在一个问题，就是既然绕过了人为提取特征、人为判断规律，就会让深度学习的模型，几乎不存在可解释性。就相当于这是一个黑盒，我们知道它每次能给出准确的答案，却不知道它为什么给；甚至我们拆开盒子，看到里面大量的函数、公式和逻辑，也会觉得莫名其妙——有可能要判断会不会买口红，有个因子是这人右脚的脚趾头是不是有胎记。

在深度学习领域中，2014 年横空出世了一款全新的算法，生成对抗网络(GAN, Generative adversarial network)。它在后来的 AIGC 领域所向披靡，大受欢迎，效果极佳。而它的原理甚至很有文学性。

GAN 解决这个问题的方式是，放一个老师，跟学生博弈。模型就像一个学生，给出考题的答案，老师来判断正误，直到满意；老师满意以后，学生对老师不满意了，觉得这些题太简单，老师你得出点更难的题目，我还得继续提升成绩呢，于是老师也要进步，给新的考题，直到学生几乎答不出来；接下来学生继续努力学习、答题，到了阈值后，老师继续学习、出题......循环往复，就像 GAN 的名字里所述，对抗的模式来共同提升。

这个算法的逻辑就是：竞争才能使人成长。

（在原始图像基础上，用 GAN 生成的一些实例。来源：https://gitcode.net/mirrors/yenchenlin/pix2pix-tensorflow）

它的具体实现当然又更加复杂了。我们只需要知道，它在图像方面，有最出色的表现，很适合基于原始内容（噪音）、补充和丰富细节。

GAN 是 AIGC 最常用的机器学习算法之一，另外一个常用的是 diffusion model，在某些方面很像，比如也是适合基于原始内容（噪音）来生成内容。文章一开头的那几张图，就是基于 diffusion model 原理的。

所以总结下就是，机器学习的发展过程中，大大简化了人工参与的环节和步骤、丰富了输入和输出的维度及准确性，继而从「会不会买口红」这样简单的问题，进化到了可以生成一幅宠物的照片、一段以假乱真的视频、一条模仿某人的声音。（推荐英剧《真相捕捉》，讲的是围绕 Deepfake 这类技术的罪案故事。）

这个过程中，很多公式和模型的复杂性已经到了难以解释，甚至无法去遍历和阅读的程度。聊到这，可能诸位也能有一种感受：这些年机器学习的进展飞快，不过仍然都围绕在最初机器学习的原理上——通过海量的数据训练机器，让机器能更好地预测概率。

4. 统计、概率、训练与经验主义

我们换个视角，用更形象的表述，可能有助于理解机器学习是怎么实现我们看到的人工智能的。

自然语言处理/机器翻译领域，我们目光所及的翻译工具，用的方式可以这么理解，比如是中文翻译到英文，机器做的事情是：

• 当给出的第一个中文词出现的时候，翻译是哪个英文词的概率更大？

• 当给出的第二个中文词，出现在第一个中文词后面的时候，翻译是哪个英文词的概率更大？

• ......

类比到 AIGC 领域，比如我们要画一个小狗，机器做的事情是：

• 当给出的关键词是小狗的时候，第一个像素点在哪个位置、哪个颜色的概率更大？

• ......

• 当画完脸部后，它有没有耳朵？

• 有的话，有几只耳朵的概率更大？

• 当应该要有左耳的时候，它的第一个像素点出现在哪个位置、是哪个颜色的概率更大？

• ......

机器在过程中，虽然用的是模型，实际上模型都是基于统计概率的模型。机器更像是在疯狂回忆它记住的所有过往的画作里，所有小狗的形象，力图让结果更接近「大概率」。

这也是为什么在各个 AI 绘图的工具里，关键词给的越精确，画作就会越成立。因为精确意味着缩小了范围，同样类型画作的风格、样貌是更接近的，画作的模仿效果就会更好。

这里训练出来的统计概率模型的过程，恰似古代的杂技工作者，让宠物做计算题的方式。当出现哪几个数字的时候，应该选择怎样的答案，宠物是靠背的，这个是统计概率的问题，不是数学计算的问题。训练的过程给的奖惩，跟机器学习是一样的（机器学习里也有奖惩概念）。

这也是机器学习里的神经网络，跟人的神经网络目前看差异最大的地方。我们很好地运用了计算机夸张的性能和存储能力，让它拥有巨型的统计概率模型，来存储海量数据训练集得到的记忆结果，但说到底，它有的还是围绕统计和概率的。

这也意味着，它是完全经验主义的。AlphaGo 可以参考天下古往今来所有的棋谱，但下不出没见过的棋谱；Novel AI 可以参考所有的小说，但不会用没见过的词组和表述。

只不过在 AIGC 的领域，内容的复杂性，在观感上，就弱化了我们对统计概率逻辑的认识，以为这个就是机器天马行空做出来的。其实机器还是在采纳大量过往画作基础上做「创作」的，但的确不同的拼凑和处理，会出现意想不到的效果，这是因为画作本身就是对现实世界的抽象，若离若即效果最佳。

如果是在书写长篇小说、拍摄一部逻辑完整的电影方面，就要吃力太多了。

5. 几个问题的解答

我们再回到最初的问题，试着解答一下。

- AIGC 能解决哪些问题？不能解决哪些问题？

如前文所说，AIGC 可以解决的，是从历史里做总结和学习，凭借统计概率，解决已被解决过的问题。

不能解决的，则是创造新的事物、总结规律、解释世界的问题。

- AIGC 能否替代真正的创作者？

一定程度上会。

哪怕只是经验主义、原理与 AlphaGo 并无本质区别，AIGC 也有很大的价值，那就是在某些足以乱真的领域，替代掉很多人工的成本。

比如 AIGC 的画作，如今就能替代不少插画。很多自媒体的朋友已经在用它们替代无版权图片作为封面了。

老话说，读书破万卷，下笔如有神。AIGC 的文本工具，其实就是替我们读了万卷书的助手。比如我们要写作，它帮我们生成一段人物小传作为参考、帮我们提供一些场景描述作为素材，就大有帮助。

只不过，对于很多真正需要「创造」的场景，AIGC 就爱莫能助了。例如，机器学习的训练集若是在三年前的，肯定就无法写出疫情故事、也难以想象疫情中我们常人都很难预知的场景。

几年前就出现过 AIGC 替代作者的说法，不过如今再看，应用比较多的还是在短新闻方面。它能很好地基于概率给出一篇「不错」的新闻通稿，但这也是过往短新闻格式一致、风格类似，较好模仿。观点、态度、延伸的想法，自然是很难用统计概率去捉摸的。

- AIGC 是否意味着人工智能的质变？

没有。

AIGC 的逻辑，与半个世纪前统计机器学习的根本逻辑并无二致，还是基于统计概率的，基于训练集去猜测的。哪怕 Siri 里偶尔出现精妙的回答，那也是曾经有对话真正发生过，Siri 从概率出发模仿的而已。

哪怕 AI 绘制的最拍案叫绝的画作，也是基于人类历史所有画作的基础创作的，还是人类作品的杂交。哪怕艺术性很高，也不代表 AI 有了「智慧」。

人类是可以归纳、演绎、总结背后逻辑的，这点机器依然做不到。甚至随着机器学习的黑盒越来越黑、模型越来越难以解释，让机器在更擅长做统计和记忆的路上一去不返，放弃了做解释、研究规律。

不过说到这里，也可以反问一句：是否通过统计概率就真的无法产生智能？这个目前看很难，但未必一定是假命题。人类自己的神经网络都还是朝阳研究学科，这就得留给时间去解答了。