亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

目前人工智能尚處于狹義人工智能階段，只能針對特定任務與封閉場景，難以應對多任務 與不確定性環境時應用需求。 “集成智能”是將一種或多種智能能力進行集成，是實現適應場景的 人工智能的可能路徑。 現有研究對于集成智能系統評價的研究尚不成熟，難以牽引集成智能系統 研究。 在分析集成智能概念內涵的基礎上，提出了面向基礎級、系統級以及應用級的多視角多層次 集成智能系統評價框架并以人機協同軍事智能應用為例，應用該框架建立了相應的指標體系，從而 指導集成智能系統的評價。

近年來，人工智能加速發展，“里程碑” 成果不 斷涌現，應用領域快速拓展，即將演進形成顛覆式科 技變革，“智能化革命” 正在孕育。 但是，當前人工 智能研究還是以解決場景封閉的特定任務的單一智 能為主，在應用于諸如軍事等領域中缺乏通用性與 適應性［１］ 。 集成智能是將多種單一智能集成從而 提高通用性與適應性，是今后人工智能研究的重要方向。

智能系統評價不僅關乎對現有系統評價比較， 更關乎未來發展方向的牽引與指導，是人工智能研 究中的關鍵領域。 面向特定領域的智能系統測評研 究已經有一定研究成果，如面向組件級、系統級等多 層次的 ＳＣＯＲＥ（Ｓｙｓｔｅｍ， Ｃｏｍｐｏｎｅｎｔ ａｎｄ Ｏｐｅｒａｔｉｏｎａｌｌｙ Ｒｅｌｅｖａｎｔ Ｅｖａｌｕａｔｉｏｎｓ）評價模型［３］ 、面向自治水平的 （Ａｕｔｏｎｏｍｙ Ｌｅｖｅｌｓ ｆｏｒ Ｕｎｍａｎｎｅｄ Ｓｙｓｔｅｍｓ，ＡＬＦＵＳ）評 價框架［４］與認知心理學中反映人類認知能力的典 型結構（Ｃａｔｔｅｌｌ?Ｈｏｒｎ?Ｃａｒｒｏｌｌ，ＣＨＣ） ［１４］等。 但是上述 相關研究一方面并沒有突出對于未來集成智能系統 的評價框架與方法研究，更重要的是上述研究往往 是從計算機系統、應用場景或認知科學等單一領域 出發，沒有全面分析“智能”的概念內涵，缺乏在多 學科領域下對“智能”的認知與評價，因而難以實現 對智能以及智能系統未來發展的牽引與指導。 為此，本文首先面向智能尤其是集成智能的概 念內涵的相關研究進行借鑒與分析，以“集成智能” 概念內涵為基礎，提出了多視角、多層次的集成智能 評價框架，具有更好的通用性、全面性與科學性；然 后，以該框架為指導、以典型軍事智能應用需求為例 構建相應指標體系，指導集成智能系統評價并支撐 集成智能系統測評的應用落地，從而為集成智能技 術發展與系統研制提供牽引支撐。

AIGC（Artificial Intelligence Generated Content），即人工智能內容生成。AIGC通常基于深度學習和自然語言處理技術，利用大規模的語料庫進行訓練，從而讓機器能夠自動生成與人類語言相似的內 容。一般來說，AIGC需要輸入一些指令或者關鍵詞，然后系統就會自動產生相應的內容，例如文章、新聞、評論、詩歌、小說、音樂、視頻字幕等等。當下，樹立對AIGC正確的認知已經成為重要的知識素養。下文將從概念、技術和熱點話題等多個角度出發，幫助讀者形成對AIGC概念的初步認識。

理解AIGC，需要結合人工智能（Artificial Intelligence）、內容生成（Generated Content）兩個角度。一方面，AIGC屬于AI的分支，從人工智能的角度理解有利于掌握其技術內涵。AI指人工智能，它是一種能夠通過計算機程序實現人類智能的技術。AI在上個世紀50年代出現，并在之后幾十年里得到了廣泛的發展和應用。它包括了許多不同的子領域，如機器學習、自然語言處理、 計算機視覺等，可以應用于廣泛的領域，如醫療、金融、工業等。

AIGC 技術的興起可以追溯到近年來機器學習和深度學習等技術的發展。AIGC指人工智能生成技術，它是一種利用機器學習和神經網絡等技術來生成各種形式內容的技術。這些內容包括文本、圖像、音頻等等，通常是通過輸入大量的訓練數據來訓練模型，并使用這些模型來生成新的內容。2023年，ChatGPT應用的出現展示了AIGC的潛 力，掀起了AIGC的發展浪潮。AGI指通用人工智能，它是一種可以像人類一樣進行多種任務和活動的人工智能技術。與目前的AI技術相比，AGI具有更高的靈活性和智能性，可以在不同的環境和任務中進行適應和學習。然而，AGI技術仍處于概念發展的初級階段，目前還沒有實現真正意義上的 AGI系統。 以上三個概念之間的關系可以這樣理解：AI是整個人工智能領域的總稱，包括了AIGC和AGI等不同的技術方向。AIGC是AI領域中的一個重要分支，主要指通過機器學習等技術生成內容的技術范疇。而AGI則是AI領域一個更高級的目標，指向一個能夠像人類一樣進行多種任務和活動的智能系統。

隨著ChatGPT等大型人工智能（AI）模型的廣泛應用，人工智能生成內容（AIGC）越來越受到關注，正引領著內容創建和知識表示的范式轉變。AIGC使用生成性大型AI算法，根據用戶提供的提示，以更快的速度和更低的成本輔助或替代人類創建大量的、高質量的、類似人類的內容。盡管AIGC最近取得了顯著的進步，但其安全性、隱私性、道德和法律挑戰仍需得到解決。本文深入調研了AIGC的工作原理、安全和隱私威脅、最先進的解決方案以及AIGC范式的未來挑戰。具體而言，我們首先探討了AIGC的啟用技術、通用架構，并討論其工作模式和關鍵特征。然后，我們調研了AIGC的安全和隱私威脅的分類，并強調了GPT和AIGC技術的道德和社會影響。此外，我們回顧了關于AIGC模型及其生成內容的可規范AIGC范式的最新AIGC水印方法。最后，我們確定了與AIGC相關的未來挑戰和開放的研究方向。

//www.zhuanzhi.ai/paper/b8bd2d1b3785e54627ad947b1997f5d9

1. 引言

人工智能生成內容（AIGC）指的是利用生成性AI算法來協助或替代人類，基于用戶的輸入或需求，以更快的速度和更低的成本創建豐富的個性化和高質量內容[1]-[3]。AIGC包含了廣泛的合成內容，包括文本（如詩歌），圖片（如藝術品），音頻（如音樂），視頻（如動畫），增強訓練樣本和交互式3D內容（如虛擬化身，資產和環境）。作為傳統內容創作范例，如專業生成內容（PGC）和用戶生成內容（UGC）的補充，充滿前景的AIGC范例允許以自動化和有效的方式生產大量的內容，且成本低[4]，這對各種新興應用如元宇宙[5]和數字孿生[6]都非常有益。例如，在Roblox（一款交互式元宇宙游戲）中，AIGC可以為化身產生個性化皮膚和3D游戲場景，使用戶能在一個沉浸式的虛擬空間中玩耍，合作和社交。根據Gartner的數據[7]，到2025年，生成性AI算法預計將生產約10%的所有數據。

從技術角度看，AIGC通常由兩個階段組成[3]：(i) 提取和理解用戶的意圖信息，以及 (ii) 根據提取的意圖生成所需的內容。2022年11月，OpenAI發布了ChatGPT，這是一個多功能的語言模型，能夠生成代碼，編寫故事，執行機器翻譯，進行語義分析等等。到2023年1月，每天有近1300萬用戶在與ChatGPT交互[8]。ChatGPT是生成預訓練Transformer（GPT）的一個變種，GPT是一個基于Transformer的大型語言模型（LLM），能夠理解人類語言并創造類似人類的文本（例如，故事和文章）[9]，如圖1所示。隨著最近大型語言模型（如ChatGPT和其后繼者GPT-4）的進步，AIGC的能力得到了顯著加強，可以執行更復雜的任務（例如，多模態任務）并具有更高的準確性，這得益于LLM提供的更好的意圖提取[10]。由于技術進步和需求增加，AIGC已經引起了全球的關注，并在娛樂，廣告，藝術和教育等各種應用中展現出了巨大的潛力。包括OpenAI，Google，Microsoft，NVIDIA和百度在內的科技巨頭都已經宣布他們將探索AIGC，并開發了他們自己的AIGC產品。

在AIGC時代，更大的數據集是"燃料"，更大的基礎模型是"引擎"，而廣泛的計算能力則起到了"加速器"的作用。對于從GPT-3.5模型微調的ChatGPT，其訓練數據集包括近1萬億個詞，大約45TB大小[11]，并且在預訓練GPT中整合了自我監督學習，強化學習和提示學習等多種AI技術。ChatGPT的訓練所需的計算能力大約是每天3640 PetaFLOPs，相當于每秒計算10萬億次，需要3640天才能完成[12]。在大數據，大模型和大計算能力的工程組合下，ChatGPT展示了強大的新功能和更高級模式的學習能力，并能根據用戶的多模態提示自動創作有價值的內容。除了大規模訓練數據和廣泛計算能力帶來的好處外，ChatGPT還整合了一系列新技術。例如，ChatGPT使用了思維鏈（CoT）提示[13]，這使得預訓練的LLM能夠通過逐步推理來解釋其推理過程，在少示例和零示例學習設置中。此外，從人類反饋中的強化學習（RLHF）[14]被整合進來，通過訓練一個包含人類反饋的獎勵模型并通過強化學習對LLM進行微調，幫助ChatGPT更好地理解人類的偏好。更進一步的，在計算機視覺（CV）領域，由創業公司Stability AI開發的穩定擴散[15]和由OpenAI在2022年開發的DALL-E 2[16]已經成功地從復雜和多樣的文本描述中生成高分辨率和自然看起來的圖像。

A.動機 盡管AIGC的前景光明，但安全和隱私問題對其廣泛應用構成了重大障礙。在AIGC服務的生命周期中，可能會出現一些安全漏洞、隱私泄露、信任問題和道德問題，這些問題可能源自普遍的數據收集，智能模型/數據盜竊，到大量的網絡釣魚郵件的分發。

• 安全漏洞。AIGC模型在生命周期的每個階段都面臨著安全威脅。例如，在模型訓練過程中，攻擊者可能使用有毒或敵對的樣本來降低模型性能[17]，或發起后門攻擊以操縱模型結果[18]；在模型部署后，攻擊者可能通過智能模型盜竊攻擊來竊取AIGC模型或其部分功能[19]。由于大型AIGC模型如ChatGPT采用的策略比通用模型更復雜，可能會出現更多的安全威脅（如越獄[20]和提示注入[21]），這些威脅可能是全新的。此外，生成型AI模型仍然面臨著關于透明度、魯棒性和偏見/歧視的技術限制。

• 隱私侵權。AIGC模型的成功在很大程度上依賴于可能無可避免地包含用戶敏感和私人信息的大量訓練數據集。例如，ChatGPT在與用戶交互時，能夠記住與會話相關的項目以及用戶輸入、cookie和日志[22]，[23]。這為在AIGC中的數據濫用和犯罪活動帶來了新的可能。根據最近的一項研究[24]，對黑盒GPT-2模型，攻擊者可以使用提示注入和公共文本特征從AI記憶中恢復最多67%的訓練文本，包括個人名字、地址和電話號碼。2023年3月，由于對隱私合規的擔憂，意大利禁止使用ChatGPT[25]。

• 信任問題。AIGC技術的快速發展使得創造和傳播虛假信息和假證據，如深度偽造內容和假新聞[26]變得越來越容易。這導致了新類型的犯罪活動的出現，如AI欺詐、誹謗、身份盜竊和冒充[27]。例如，ChatGPT可以產生誤導和不道德的回應，具有惡意意圖的個人可以利用其生成無瑕疵文本的能力進行欺詐，復制語音模式進行冒充，和開發惡意代碼進行黑客攻擊。這極大地增加了為由生成性AI模型產生的材料建立可追溯來源和規定的需求，以確保其問責制。

• 道德影響。作為一把雙刃劍，AIGC技術也對人類社會產生了負面影響，并可能被濫用用于分發惡意軟件、勒索軟件和網絡釣魚郵件。例如，ChatGPT產生即時和令人信服的對話的能力可以使其更容易制作釣魚郵件，誘騙收件人點擊有害鏈接，下載惡意軟件，或者泄露機密信息[28]。此外，AIGC可以促進課堂上的作弊，藝術中的抄襲，和學術論文的欺詐，使得這樣的行為更容易被犯下，也更難被發現。

本文的其余部分按如下方式組織。在第二部分，我們介紹AIGC的工作原理。第三部分討論了AIGC中安全和隱私問題的分類，以及最新的對策。第四部分介紹了AIGC模型和內容的IP保護和規定。第五部分探討了未來的研究方向。最后，第六部分得出結論。本文的組織結構在圖2中展示。

2. AI生成內容：工作原理

在這一部分，我們首先介紹AIGC的發展路線圖和啟用技術。然后，我們討論內容創建范式以及知識表示和使用范式的范式轉變。之后，我們展示了AIGC的一般架構，工作模式，關鍵特性，應用，以及現代原型。

如圖3所示，人工智能生成內容即服務（AIGCaaS）的一般架構包括以下三層：（i）基礎設施層，（ii）AIGC引擎層，和（iii）AIGC服務層。

? 基礎層。隨著大型AI模型（如參數達1750B的GPT-3）的規模持續擴大，對廣泛的計算能力，強大的AI算法，和大量訓練數據的需求日益增長。對于ChatGPT，大計算能力，大數據，和大模型的組合釋放出了其在學習用戶提供的多模態提示并自動生成高質量內容方面的強大的突現能力。AI算法包括AI框架（如TensorFlow，Pytorch，和Keras），有監督/無監督學習算法，和生成AI模型（如transformer和擴散模型）。配備了強大的GPU，TPU，AI芯片和大量存儲的云服務器，使得基礎AIGC模型的高效訓練成為可能。所涉及的訓練數據可以是已標注的數據，或從互聯網收集的數據，可以是非結構化和多模態的。

? AIGC引擎層。多模態基礎模型（如GPT-4）在大量的多模態數據上進行預訓練，并能在不需要任務特定微調的情況下執行多種不同的任務[33]。此外，各種底層技術，如CoT提示，人類反饋的強化學習（RLHF），和多模態技術，都被集成到訓練和優化基礎模型中。多模態基礎模型作為AIGCaaS的引擎，為上層AIGC服務賦予了越來越強的實時學習能力。此外，多模態基礎模型可以通過與數十億用戶的實時和密集交互進行逐步的演化和優化，因為它允許從更多的私有數據（如用戶輸入和歷史對話）以及個人和機構的反饋中學習[38]。

? AIGC服務層。從能力的角度看，AIGC服務包括生成文本，音頻，圖像，視頻，代碼，3D內容，數字人，和多模態內容。從終端用戶的角度看，AIGC服務可以分為兩種類型：ToB（面向業務）和ToC（面向消費者）。雖然基礎模型為各種任務提供了一種一刀切的解決方案，但它可能在特定任務上的表現不如專用AI模型。① 對于ToB情況，一個機構或機構聯盟可以通過在包含標注業務數據的較小數據集上對基礎模型進行微調，訓練出一個專用AI模型來執行特定任務，如醫療診斷或財務分析。例如，一個機構聯盟可以通過聯邦學習和遷移學習技術使用本地業務數據共同訓練一個在基礎模型之上的專用AI模型[39]。此外，還可以結合兩種方法以獲得更好的結果。例如，可以使用一個專用AI模型進行特定任務，并將其輸出作為輸入提供給基礎模型，以生成更全面的響應。 ② 對于ToC情況，每個用戶都可以定制一個網絡分身[6]（即智能手機或PC中的程序），并使用自然語言與之交流。網絡分身有自己的記憶存儲用戶的偏好，興趣和歷史行為，以及任務特定的專業知識。利用這些知識，網絡分身為用戶生成個性化的提示，從而提供高效和定制的AIGC服務。此外，它還實現了一個反饋環，用戶可以對AI提供的建議進行評價。網絡分身也可以通過構建一個連接的網絡并自由分享所學習的知識和技能，來協同完成更復雜的任務[6]。 對于ToB和ToC兩種情況，以倫理和保護隱私的方式處理個人和機構的私有數據都至關重要。此外，在提供AIGC服務時，保護基礎模型和專用AI模型的知識產權，以及AI生成內容的出處，也是非常重要的。

在未來，AIGC有可能完全取代簡單和非創新的人類工作，同時也加速了人機協作時代的到來。AIGC在內容生成方面有兩種主要模式：輔助生成和自主生成[5]。

? AI-Assisted Content Creation（需要人類干預）。在這種模式下，AI算法為創造內容的人類提供建議或幫助。然后，人類可以根據AI提出的建議編輯和改進內容，以提高最終產品的質量。然而，這種模式在內容創建上往往比較慢且成本更高。

? Autonomous Content Creation by AI（不需要人類干預）。在這種模式下，AI完全自主地創造內容，沒有任何人類的干預。AI機器人可以自主快速且低成本地創建大量內容，而產生的內容質量取決于生成的AI模型。

在此部分，我們將討論不同類型的AI生成內容以及其應用： 1）文本生成。大型語言模型（LLM）可以比人類作者更快、更有效地生成高質量的文本 [10]。這包括博客、新聞、代碼、文章、營銷副本和產品描述。此外，它使聊天機器人和虛擬助手能夠通過AI生成的文本以人類的方式與客戶和客戶進行溝通。 2）圖像生成。大型視覺模型（LVM）可以將草圖轉化為數字繪制的圖像，用于各種目的，包括創造視覺藝術、廣告圖片、游戲場景、駕駛模擬環境以及增加訓練樣本。 3）音頻生成。AI生成的音頻有著廣泛的應用，包括語音合成、音樂創作和聲音設計。如Amper Music這樣的音樂創作AI程序，允許用戶使用AI創建原創音樂。 4）視頻生成。AI生成的視頻可以廣泛用于虛擬現實、增強現實、營銷、廣告、娛樂和教育等各種領域。 5）3D內容生成。AIGC可以通過分析照片和視頻等真實世界的數據來創建逼真的3D模型，AI生成的3D模型可以用來創建動畫、游戲資產和產品設計。 6）數字人生成。AIGC可以生成具有高度逼真動作和表情的數字人，可用于游戲、虛擬現實和廣告等各種領域。 7）跨模態生成。AIGC中的跨模態內容生成指的是使用基礎AIGC模型在多種模態之間生成新內容 [3]。它包括文本到圖像、圖像到文本、文本到代碼、文本到視頻、文本到音頻等。 總的來說，AIGC讓生活變得更加便捷和高效，但也帶來了新的安全/隱私威脅、倫理問題以及潛在的偏見，這些將在下一節中展示。

AIGC發展過程：AI自行生成內容

　　AIGC（ArtificialIntelligenceGeneratedContent）指的是人工智能系統生成的內容，通常是文字、圖像、音頻或視頻。這類內容可以通過自然語言處理，機器學習和計算機視覺等技術生成，即生成式AI。AI最初設立的目的是讓機器像人類一樣思考解決問題。目前AI的總體目的是通過各種算法解決問題提高生產效率。

　　AIGC多樣化的內容生成能力使其覆蓋各類內容形式，各類應用場景正隨技術進步逐漸落地。AIGC不僅可覆蓋文本、音頻、圖像、視頻等基本內容模態，還可綜合圖像、視頻、文本進行跨模態生成，并應用于各類細分行業成為具體的生產力要素，例如游戲行業中的AI、NPC、虛擬人的視頻制作與生成等。

　　AIGC發展過程：GPT助力，進入黃金期

　　ChatGPT的發展帶動了文字類AI生成，或將在2023年進入黃金時期，圖片類AI生成黃金時期將在2025年左右抵達，3D和視頻類AI生成在2023年可能正處于草稿階段，進入黃金時期或許在2030年。

　　AIGC產業應用，如在制造業、建筑業等巨型垂直實體領域中，AIGC的C/Content內容將不僅停留在圖片和文字的領域，而是進入信息更為豐富的領域。

IaaS（Infrastructure as a Service），基礎設施 即服務，指把IT基礎設施作為一種服務通過網絡 對外提供，在這種服務模型中，用戶不用自己構 建一個數據中心，而是通過租用的方式來使用基 礎設施服務，包括服務器、存儲和網絡等。IaaS 由一組物理和虛擬化資源構成，這些資源為用戶 提供在云中運行應用程序和工作負載所需的基本 構建塊，因此與傳統資源配置相比，IaaS具有可 擴展性、靈活性、低成本等優點。全球IaaS市場 規模2017年至2021年從307億美元增長至916億 美元，復合增長率達31.4%，行業增速呈快速上 升趨勢，預計2026年市場規模達到1,898億美元， 中國IaaS行業市場規模增速快，2021年，中國 IaaS市場規模達1,107.5億元，過去五年的復合 增長率達到27.8%。2026年中國IaaS市場規模預 計達5,907.9億元，2021年至2026年復合增長率 達39.8%，一方面，未來在IaaS沒有做出關鍵性 突破的前提下，中國IaaS的市場規模增速將趨于 平穩，保持在30%左右；另一方面，隨著IaaS業 務云帶來的企業互聯網發展和轉型，為在互聯網 浪潮中保持競爭力，傳統的IDC服務商、電信服 務商、網絡提供商將轉型為IaaS廠商，搭建自身 部署環境的基礎設施，減少內部運維成本的同時 為客戶提供相關IaaS服務并創造營收，且隨著元 宇宙時代的到來，未來IaaS技術將不斷成熟與落 地并應用于更多中小企業中，發展潛力巨大。

發展歷程 　　2007年，中國首次提出laas概念，2009年阿里云創立，開始提供laaS服務，隨著移動互聯網、智能終端的普及和大數據技術的應用，越來越多的騰訊云、華為云等互聯網大廠的云平臺開始搭建，云生態成為發展重點，隨著云計算技術發展成熟，傳統企業和互聯網公司紛紛選擇將業務遷移至云端，如今laas市場已經成為主流的云產品部署方式，市場格局超于穩定 　 　　市場規模 　 　　中國laas市場規模增速快，22021年，中國aas市場規模達1,107.5億元，隨著laaS帶來的企業互聯網發展和轉型，laaS技術將不斷成熟與落地并應用于更多中小企業中發展潛力巨大 　 　　產業鏈分析 　　中國laaS行業屬于技術密集型產業，產業鏈長，上游組件供應穩定，中游為云服務廠商，形成以互聯網廠商為主的宴頭競爭格局，下游主要為SaaS廠商、PaaS廠商和各類客戶 　 　　發展超勢 　　隨著企業用戶的需求從基礎資源向云平臺、云應用延伸，中國laas行業未來將呈全棧化超勢發展。同時，中國政府密切出臺多項云服務安全政策與條款，明確未來laaS安全化發展的規劃 　

隨著深度學習領域[1-4]帶來的技術性突破，人工智能（artificial intelligence，AI）無論在科研還是在產業應用方面都取得了快速的發展。深度學習算法需要大量的矩陣乘加運算，對大規模并行計算能力有很高的要求，CPU和傳統計算架構無法滿足對于并行計算能力的需求[5]，需要特殊定制的芯片。目前，AI芯片行業已經起步并且發展迅速[6]。