从故事生成程序到大语言模型:人工智能编剧创作的历史与实践

人工智能生成内容(AI Generated Content,简称AIGC)电影包括内涵丰富的多种维度,从编剧角度可以分为AI生成故事(AI Generated Storyline,简称AIGSL)与AI生成剧本(AI Generated Screenplay,简称AIGSP)。AIGSL研究始于20世纪60年代初,按照创作模式可以分为基于结构模型的故事生成、基于规则的故事生成和基于机器学习的故事生成三类程序。2022年底以来,以Chat GPT为代表的大语言模型将AIGC的内容从简单的AIGSL拓展到了AIGSP领域,同时催生了基于大语言模型的专用故事与剧本生成工具。大语言模型的故事和剧本生产存在事实错误、陈词滥调以及主观偏见等天然缺陷,但AIGSL与AIGSP已经开始实现产业化。目前的人工智能编剧创作绝大多数并不完全由AI创作,属于弱人工智能领域。中国电影工作者与软件工程师有必要利用机器学习等AI技术,学习中国传统叙事文本并总结其叙事风格,为具有中国叙事特色的编剧创作提供智能助力。

生成式人工智能大模型在设计领域的应用

近些年来,随着ChatGPT,Midjourney,Stable Diffusion,Gemini等大模型的横空出世,生成式人工智能大模型取得了飞速发展,各行各业迎来了新一轮的技术变革。旨在探讨这一前沿技术在设计领域的应用,特别是在设计创新和创意产出方面的影响。首先,我们介绍了生成式人工智能大模型的基本原理,着重阐述其在文本生成、图像生成等任务上的成功应用。其次,我们深入研究了生成式人工智能大模型在设计领域的具体应用,主要包括服装设计、平面设计、漫画设计、机器人设计、工艺品设计、游戏设计等方面。此外,还探讨了生成式人工智能大模型在设计领域可能面临的挑战以及相应的解决策略。最后,我们强调了在设计领域使用生成式人工智能大模型的潜在益处,以及在设计过程中应扮演的角色。

人工智能生成内容的著作权客体性思考——兼论作品判定的独创性标准选择

以基于转换器的生成式预训练模型(GPT)为代表的高阶人工智能凭借其强大的智能型内容生成机制,使得内容产品生产中的技术占比不断上升,人的直接投入占比相对下降,传统著作权法作品的独创性要求、权利人本原则等基本理论受到冲击。面对人工智能生成内容(AIGC)可作品性问题,基于自然人智力投入的创造性本质理论和闭合性作品概念显得力不从心。在过程视角下(主观标准),人工智能内容生成过程符合人类创作的思维特征;在结果视角下(客观标准),人工智能生成内容具有著作权作品的外观形式和信息消费功能,符合著作权作品的本质属性。如果人为割裂人工智能生成内容与著作权作品在产生过程和实质作用上的同质关系,强行区分人工智能生成内容和自然人创作作品的法律性质,则有悖著作权法因应技术发展调整信息消费品利益的制度旨趣,最终将导致著作权法律秩序的混乱。

基于改进条件生成对抗网络的可控场景生成方法

可再生能源发电具有较强的随机性和波动性,为实现高效可靠的场景建模,提出一种基于改进条件生成对抗网络的可控场景生成方法。提出基于条件生成对抗网络的场景生成框架,结合Transformer的全局注意力机制以及常规卷积和深度可分离卷积的局部泛化机制,设计适用于提取可再生能源发电不同维度特征的网络结构;利用条件生成对抗网络模型建立低维气象特征隐空间和高维可再生能源发电数据之间的映射关系,提出一种可控场景生成方法,并建立随机场景生成、场景约减、极端场景生成和连续日场景生成4种生成策略。基于实际光伏、风电数据和气象数据的仿真结果表明,所提模型与方法能够有效学习可再生能源发电的随机性、时序性、波动性及空间相关性,实现对不同策略下场景的可控生成。

基于改进信息最大化生成对抗网络的风光出力场景可控生成方法

基于深度学习的场景生成方法能够自适应挖掘历史数据中高维非线性特征,在风光出力的不确定性建模中得到了广泛应用。然而,基于深度学习的场景生成方法多为黑盒模型,存在可解释性差、生成不可控等问题。为此,提出了一种基于改进信息最大化生成对抗网络(information maximizing generative adversarial nets,Info GAN)的风光出力场景生成方法。该方法在目标函数中增加了基于互信息的正则化项,最大化控制编码与生成场景之间的互信息,无监督学习控制编码与生成场景统计特征的映射关系,并引入Gumbel-Softmax分布提高了生成场景的质量。结合风电场和光伏电站的真实数据进行了算例分析,算例结果表明,所提方法不仅能准确描述风光出力不确定性,而且具有可解释性,能够可控生成指定风光出力场景。

文本到图像生成方法的研究进展

跨模态学习是人工智能领域中长期研究的课题之一,依据文本描述生成图像成为近几年的热门研究领域,主要任务是根据文本描述生成和文本高度相关性的图像。文中总结了文本到图像生成领域中的研究现状和最新进展,从生成框架上将生成模型分为生成对抗网络框架方法和非生成对抗网络方法,又根据训练策略将生成对抗网络框架方法细分为单阶段、多阶段和额外监督等类别,同时介绍了经典的一些非生成对抗网络方法。最后给出文本生成图像任务采用的数据集和评估标准,提出了当前方法的不足和尚未解决的问题,指出了未来的研究方法。

生成图水印的前沿研究与展望

随着人工智能生成内容(Artificial Intelligence Generated Content,AIGC)带来的深度合成浪潮,数字水印技术作为图像取证领域中的一种主动防御手段,被广泛应用于识别生成内容和模型的版权保护。因此,生成图水印越来越受到研究者的关注。首先,介绍了生成图水印的研究背景,从模型版权保护和AIGC监管两个角度介绍生成图水印的研究动机。接着,基于生成模型和水印技术的发展引出了生成图水印问题,将水印根据是否参与生成过程分为两类,并对这两类生成图水印的现状进行了详细的梳理和介绍。随后,对现有的生成图水印方法进行评估,在传统水印需满足的鲁棒性、不可察觉性和容量基础上,进一步提出了针对生成图水印的新要求。最后,指出生成图水印中有待进一步解决的问题及发展趋势。

基于问题导引的高中数学生成性教学探析

针对当前高中数学课堂生成的“游离化”“机械化”“浅表化”现象,提出应科学预设问题,引发参与生成;搭建问题阶梯,突破生成困点;及时捕捉问题,促进探究生成;总结反思问题,拓宽生成空间等应对策略,以激发学生的学习兴趣和动力,培养其数学思维能力和解决实际问题的能力。

元宇宙内容生成技术研究

元宇宙是整合多种新技术而产生的新型虚实相融的互联网应用和社会形态,允许每个用户进行内容生成和世界编辑。技术和内容是元宇宙规模化、价值化的两大关键要素,而当下元宇宙发展和部署面临的最大瓶颈问题正是内容生成。文章给出元宇宙内容生成的基本概念,描述PGC(专业生成内容)、UGC(用户生成内容)和AIGC(人工智能生成内容)等内容生成模式的起源、优缺点、与元宇宙的关系,分析文本生成能力、音频生成能力、图像生成能力、视频生成能力、多模态生成能力的参考定义、技术需求、代表性产品或模型,介绍内容孪生、内容编辑和内容创作的工作原理、技术构成和应用场景。

生成式人工智能的专利法律问题思考

生成式人工智能在发明人主体资格、其生成物的可专利性及审查条件、权利归属、责任承担等方面对传统专利法律制度提出了挑战。生成式人工智能算法与其生成物的区分是讨论生成式人工智能专利法律问题的前提,发明人主体资格并不影响生成物中的技术方案作为专利法的保护客体。在审查条件方面,可以适当地采用综合对比原则以确保新颖性审查的准确性,调整“本领域技术人员”的拟制以提高创造性的审查标准,同时要坚持实用性的审查标准。在权利归属方面,经人工干预的发明,其专利权应当归属于发明人;未经人工干预的发明,应当参照适用职务发明和委托发明制度来确定其权利归属。在侵权责任方面,由于人工智能本身无法承担责任,应当将侵权责任分配至其背后的相关主体。

鲜益母草胶囊联合屈螺酮炔雌醇片对稽留流产清宫术后患者血清促卵泡生成素黄体生成素雌二醇水平及子宫内膜的影响

探讨鲜益母草胶囊联合屈螺酮炔雌醇片对稽留流产清宫术后患者血清促卵泡生成素(FSH)、黄体生成素(LH)、雌二醇(E_(2))水平及子宫内膜的影响。方法选取2021年1月至2023年1月天津市西青医院妇科稽留流产的90例女性为研究对象,根据治疗方法分为对照组和研究组,各45例。90例患者均在清宫术后进行治疗,术后配合抗感染处理,其中,对照组患者采用屈螺酮炔雌醇片治疗,研究组在对照组的基础上给予鲜益母草胶囊治疗,比较2组临床疗效、子宫内膜厚度、月经情况、血清FSH、LH、E_(2)水平、炎症因子白细胞介素(IL)-2、IL-8水平。结果经治疗,研究组有效率达到96%,比对照组(78%)高,2组阴道出血量、子宫内膜厚度、IL-2、IL-18、FSH、LH、E_(2),差异均有统计学意义(P<0.05)。结论针对经清宫治疗的稽留流产患者予以鲜益母草胶囊和屈螺酮炔雌醇片治疗,临床效果显著,增加子宫内膜厚度,促进月经恢复正常,改善血清激素水平。

“助”与“替”:生成式AI对学术研究的双重效应

生成式AI应用于学术研究,揭开了知识生产的新篇章,它可以通过“助”读、“助”知、“助”写和“助”思来助力人的学术研究,自动化一些准备性或辅助性的工作,减轻人的认知负荷,使人将主要精力集中学术创新的关键环节,提高学术知识生产的效率。但对于生成式AI辅助功能的过度使用,可能导致“替”读、“替”知、“替”写、“替”思等负面效应,带来人的学术能力多向度退化。如何“助而不替”地合理使用生成式AI,是智能时代人机合作进行学术知识生产的新课题。

在线社区中人工智能生成内容的识别方法研究

[目的/意义]生成式人工智能会对在线社区造成一定程度的AI信息污染,研究多种AIGC识别方法对防范快速进化的生成式人工智能带来的负面影响有重要意义。[研究设计/方法]首先在以新浪微博54个大类主题为主的多个在线社区平台中构建了HAC数据集,其中包含100,873条分别由人类和生成式人工智能撰写的信息;然后探究当前6个主流深度学习和7个机器学习方法是否能识别在线社区中的信息是由人类还是由生成式人工智能所撰写;最后提出了一种BEM-RCNN方法进一步提高AIGC的识别精度。[结论/发现]从构建的数据集中可以看出,生成式人工智具有强大的“类人表达”,能够模拟人类在社交媒体平台上发布和回复内容。实验结果表明,提出的方法准确度达到96.4%,能够很好地识别在线社区上的内容是由人类还是AI撰写。在精度、召回率、F1-值和准确度上均优于BERT、ERNIE、TextRNN等其他13种主流的方法,验证了其性能优势。同时,大量探究实验也证明了当前主流的机器学习方法虽然精度低于此方法,但是也能够识别部分AIGC。[创新/价值]使用多种方法去识别社交媒体上的AIGC,防范生成式人工智能对社交媒体平台造成的信息污染。

AIGC赋能“中文+职业教育”资源智能生成与质量进化——内涵、机理与模式构建

AIGC赋能“中文+职业教育”资源智能生成与质量进化有望为国际中文教育和职业教育的融合发展与协同出海保驾护航,文章旨在回答AIGC何以及如何赋能“中文+职业教育”资源建设的关键问题。首先,笔者明确了“中文+职业教育”资源建设的原则、目标与任务,厘清AIGC赋能“中文+职业教育”资源建设提量、增质与人机共生的基本内涵;其次,基于S-O-R模型构建人机共生“中文+职业教育”资源建设机理,将“人机共生”核心机制贯穿于AIGC赋能“中文+职业教育”资源建设的四个阶段;进一步提出基于AIGC的“中文+职业教育”资源智能生成与质量进化模式,融合资源需求规划、资源智能生成、资源质量审核与资源质量进化四个模块形成紧密的信息传递与反馈机制,为人机协同“中文+职业教育”资源开发提供创新方案。最后,文章提出模式运行的关键困境与突破进路,旨在为AIGC赋能的“中文+职业教育”资源建设模式可持续运行提供有效支撑,更为“中文+职业教育”走向世界提供保障。

“人G共生”范式:生成式人工智能视域下的教育转型图景

作为新一轮科技革命和产业变革的驱动力量,人工智能正深刻改变生产与生活方式,引领社会走向人机协同、跨界融合、共创分享的智能时代。生成式人工智能作为一种特定类型的人工智能,其创新发展正在引发链式突破,持续嵌入教育业务流程,推动教育教学领域的变革,深刻改变教育理念、教育空间、教学方式、教育管理模式等,创造新的教育场景和教育生态。以生成学习理论为视角,从动机、学习过程、生成过程和创造过程四个维度阐释人的学习是怎样发生的,为生成式人工智能赋能教学奠定理论基础;厘清“人G共生”范式中生成式人工智能在教学中扮演的角色和作用,包括针对性知识生成、差异化教学、量身定制的思维能力培养范式、多模态数据建构认知空间;构想生成式人工智能引领建构教育新生态的四大应用场景,即建构教育与技术的伙伴关系、助力跨学科学习、服务教育公平、智能迭代;总结提炼平等、协作、共享三大“人G共生”的关键原则,从而以一种更为开放、协作、创新的人类与AI关系范式,以及智能化的共生对象共同创生丰富、多元和智能的教育新生态。

文本生成图像研究综述

对文本生成图像任务进行综合评估和整理,根据生成图像的理念,将文本生成图像任务分为3大类:基于生成对抗网络架构生成图像、基于自回归模型架构生成图像、基于扩散模型架构生成图像.针对基于生成对抗网络架构的文本生成图像方法,按照改进的不同技术点归纳为6小类:采用多层次体系嵌套架构、注意力机制的应用、应用孪生网络、采用循环一致方法、深度融合文本特征和改进无条件模型.通过对不同方法的分析,总结并讨论了现有的文本生成图像方法通用评估指标和数据集.

生成式算法在风景园林生成设计中的适应性研究

【目的】测试目前常见的生成式算法在风景园林生成设计中的表现,尝试探讨不同的生成式算法在各个设计环节应用的优劣势。【方法】构建“方案文本生成—场地布局生成—平面图渲染—效果图生成”的风景园林方案生成设计理论框架,在同一个输入条件下测试不同算法在各个设计环节的表现。【结果】方案文本生成算法方面,测试了大语言模型及其在下游应用中的适应性调整方法,包括二次预训练及微调、检索增强生成、多代理系统的方法;图像生成算法方面,测试了大型文生图预训练模型及微调方法、图像结构控制方法;另外,将文生图模型与基于生成对抗网络的布局生成算法、参数化三维模型生成系统结合,并测试其在各个阶段的表现。【结论】目前大型预训练模型以其在通用领域的生成能力为生成设计领域提供强有力的支撑,但预训练模型提供的只是基础的通用能力,从通用领域到风景园林领域的适应性研究还需要检索、控制、微调等多种技术手段协作以开发全面的技术体系。

人工智能生成内容赋能创新产品设计流程的机遇与挑战

随着人工智能技术的飞速进步,特别是人工智能生成内容在各个领域的广泛应用,产品设计创新流程正经历着深刻的智能化变革。本文通过回顾传统并行式产品设计流程的各个阶段以及AIGC(Artificial Intelligence-Generated Content,人工智能生成内容)融合设计领域案例研究,提出AIGC赋能的创新产品设计流程模型,并剖析了当下产品设计领域需要把握的机遇和即将面对的挑战。

血管生成拟态在胃癌研究和治疗中的研究进展

血管生成拟态(VM)是一种独立于内皮细胞的血管样结构,通常存在于需要血管生长的实体肿瘤中。VM与肿瘤细胞的增殖、侵袭、转移及胃癌患者的不良预后密切相关。VM的存在可能是胃癌患者抗血管生成药物耐药的原因之一,抗血管生成同时靶向VM治疗将有望成为胃癌治疗的新方向。

基于动态频域分解的乐队指挥动作生成

近年来,音乐与人体动作之间的内在关联一直以来都在被广泛研究。然而,很少有人关注音乐驱动的乐队指挥动作生成这一任务,即以音乐为输入信号,生成与音乐节奏和语义相协调的乐队指挥动作。聚焦于这一任务,针对指挥动作多种语义成分时空重合的特性,提出基于动作动态频域分解(dynamic frequency-domain motion decomposition,DFMD)的指挥动作生成方法。具体地,首先利用节拍信息构建滤波器,将指挥动作分解成高频和低频分量;接着,通过深度卷积神经网络动态地学习这些分量;最后合成最终的指挥动作。在大规模指挥动作数据集ConductorMotion100上进行的实验中,基于DFMD的指挥动作生成方法得到的低频动作分量和高频动作分量的标准差分别达到了4.4579和9.6466,与真实动作十分接近。该方法突破了现有基于时域或空间域动作分解中连贯性与协调性不可兼得的局限,并有效避免了大幅值低频动作对小幅值高频动作的影响。可视化结果证明生成的动作自然、美观、多样,且与音乐信号紧密同步。为音乐与动作之间的关联提供了新的解释,并为音乐表演领域带来了创新的应用前景。