賦能與負能：AIGC的技術紅利與風險規制

摘要：【目的】ChatGPT的火爆出圈使得AIGC的應用從小眾走向了分眾和大眾，在技術紅利釋放的同時也衍生了諸多風險問題，在拓展技術應用的同時完善風險規制有助于產業高質量、可持續發展。【方法】文章從內容供給、信源采納、模型調優、行業應用等維度對AIGC帶來的機遇和挑戰進行梳理。【結果】指出目前AIGC已基本可供、可用，部分可塑、可信，未來可替、可期。【結論】“負能”固然存在，“賦能”更為可期，在包容審慎中既要給技術發展以邊界約束，更要給技術應用以彈性空間。

關鍵詞：AIGC；技術紅利；風險規制；技術倫理；ChatGPT" " " " 中圖分類號：G205" " " " " " " " " " " 文獻標識碼：A

文章編號：1671-0134（2023）02-007-06" " " " "DOI：10.19483/j.cnki.11-4653/n.2023.02.001

本文著錄格式：向安玲.賦能與負能：AIGC的技術紅利與風險規制[J].中國傳媒科技，2023（02）：7-12.

1.產業背景：AIGC釋放巨大增量空間

人工智能生成內容（Artificial Intelligence Generated Content，簡稱AIGC）又稱生成式人工智能（Generative AI），是指在滿足用戶個性化需求的同時，使用AI自動化創建信息內容的過程。[1]作為Web3.0時代的內容創造新引擎，無論是在內容的集成效率和生產效能上，還是在信息的組織結構和交互模式上，AIGC都超出了Web1.0時代的PGC（Professional Generated Content，專業生產內容），并且有望在不久的未來超過Web2.0時代的UGC（User Generated Content，用戶生成內容）。《Science》期刊已將AIGC列為“2022年度科學十大突破”之一，預計到2025年AIGC將占據所有生成數據的10%，并由此產生數萬億美元的經濟價值。[2]可以說無論是從產業規模還是經濟增量來看，AIGC均釋放出了巨大增長潛力。

AIGC的火爆出圈和快速迭代也催生了一系列新的應用場景和業務模式。從內容模態來看，當前AIGC包括文本、語音、代碼、圖像、視頻等多模態，在新聞、音樂、影視制作等行業應用廣泛，極大地豐富了虛擬數字空間的信息內容。[3]從生產方式來看，AIGC顛覆了傳統內容產出模式，其基于生成對抗網絡GAN、大型預訓練模型等人工智能技術，通過適當的泛化能力生成相關內容。[4]從應用價值來看，AIGC以其高通量、低門檻、高自由度的生成能力廣泛適配于各類應用場景，2020-2022年，AIGC賽道風投增長了4倍，2021年新發布的深度合成視頻數量較2017年已增長10倍以上。

然而，人工智能領域日新月異的突破也引發了人類對技術發展的一系列迷思，其中暗含的社會風險、倫理風險，以及對人主體性的挑戰都引發較大爭議，這需要對AIGC發展保持更冷靜的思考和更綜合的研判。目前而言，學界和業界對AIGC也存在褒貶不一的看法，雖然其強大的生產能力和適配能力在很大程度上解放了人類生產力，但其應用過程中所帶來的內容失真、內容違規、內容侵權、信息冗余、政治偏見、技術倫理等問題也廣遭詬病。在充分激活AIGC技術紅利的基礎上，強化風險規制和質量保障機制，對落實中共中央《新一代人工智能發展規劃》《新一代人工智能倫理規范》 《互聯網信息服務深度合成管理規定》等政策，實現數字內容產業的長期、穩定、健康發展具有重要意義。

2.技術紅利：從可供到可用

無論是從技術研發層面還是從行業應用層面，AIGC均在很大程度上解放了生產力、重構了生產關系、釋放了技術紅利。越來越多的行業領域開始探索自動化內容生產并逐漸涌現出與之相適配的新型商業模態。在增強媒介可供性問題的基礎上，提升生成內容的可用性，是挖掘AIGC技術紅利之必要。

2.1" "媒介可供性

媒介可供性（media affordance）是指用戶根據媒介特性、能力與局限性，從自身需求或目的出發，在特定語境中使用媒介展開行動的可能性。[5]從用戶視角來看，可供性涉及用戶自身的媒介素養和交互能力；從產品端來看，可供性則更多與其信息供給能力和服務便捷程度相關。對AIGC應用而言，其使用門檻目前逐漸下放，從專業用戶到普通用戶均能以相對便捷的方式進行交互使用。但不同AIGC產品在信息類別、媒介模態、支持語種、承載能力上差異分化，也會限制信息內容輸出的規模、速度和類型，對媒介可供性造成影響。

從信息類別可供性來看，目前主流AIGC產品一般可分為通用型和專業型兩種。其中通用型AIGC可面向泛知識領域進行信息組織、內容創作與輸出；專業型AIGC產品則側重于特定領域的信息集成與內容輸出，如醫療、金融、汽車等垂直領域的智能問答系統，財經、體育、氣象等領域的機器新聞產品等。

從應用場景來看，通用領域AIGC一般面向大眾級C端用戶，涉及信息議題更廣、交互模式更多元，但限于訓練集的開放性和多源性，其內容質量相對受限；專業領域AIGC一般面向B端、G端及部分專業級C端用戶，側重于特定領域的模型訓練與調優，其訓練語料往往會有更嚴格的把控，相比于信息廣度會更側重于信息的深度。當下包括ChatGPT在內的通用領域AIGC已逐步成為大眾級應用，但其商業模式還有待進一步拓展；垂直領域的AIGC商業空間更大，但在語料標注和模型訓練上還有待進一步調優，涉及領域也有待進一步拓展。

從媒介模態可供性來看，目前AIGC廣泛應用于文本生成、圖像生成、音頻生成、視頻生成等領域（如表1所示），圖文影音之間的跨模態生成也逐步成熟。其中文本生成包括交互式文本、非交互式文本（結構化生成和創作型生成），交互式文本生成通常為對話問答形式，非交互式文本則更多是根據特定指令進行智能寫作，包括結構化寫作（如當下主流的機器新聞產品）和創作型寫作（如文案、詩歌、文學作品生成），相比于程式化、模板化的結構化寫作，創作型寫作開放度、自由度、個性化程度更高，還存在諸多技術問題有待攻堅。與文本類似，圖像生成也可分為圖片智能編輯（結構化）與圖像自主生成（創造型）兩類，前者更多是針對既有圖像進行輔助修改、合成與自動調整，后者則是按照一定指令和風格要求自動創作一幅全新的畫作，包括2D和3D等多模態圖像。音視頻的AI生成則可分為克隆（包括深度偽造DeepFake）、智能編輯、自主創作三大類。此外，包括程序代碼、虛擬人、機器人操控等方面的生成式AI應用也逐步落地，媒介模態的可供性提升讓所謂的“AI寫手”“AI畫家”“AI程序員”及“AI偶像”大量涌現，行業應用場景和商業模式不斷拓寬。

從交互語種可供性來看，雖然當下包括ChatGPT在內的主流AIGC產品均支持多語種交互，但不同語種的輸入指令所獲取的內容輸出在反饋速度、響應概率、輸出準確度等方面均存在較大差異。由于AIGC產品底層的訓練語料庫所涵蓋的語種大多為英語，在交互反饋過程中，其針對英語指令的信息可供性往往更強。測試發現，針對同一個問題，采用中英文輸入指令其返回結果存在一定差異，一般而言英文結果往往更為詳細、與問題的匹配度也更高。尤其是針對專業領域的內容輸出，英語交互的效果通常更勝一籌。

此外，AIGC產品的承載能力也在很大程度上影響了其可供性。受限于算力資源的影響，當下主流AIGC產品在承載用戶量和交互響應效率上均存在一定局限性。以ChatGPT為例，目前其全球用戶量已過億，平均每天的獨立訪客數超過千萬，峰值請求數更是達到數億級別，自從2023年2月其火爆出圈后長時間處于“滿負荷運轉”狀態，甚至幾度系統“崩潰”，對單個用戶的交互反饋頻次也做了限制。算力、算法、數據作為AIGC的三大底層支撐，共同決定了產品的可供性。在降低算力資源邊際成本的基礎上，不斷調優算法、細化數據顆粒度，才能保障AIGC在可供的基礎上進一步實現可用。

2.2" "內容可用性

根據Nielsen的可用性（Usability）框架，可用性主要包括產品的可學習性（Learnability）、可記憶性（Memorability）、效率（Efficiency）、出錯率（Errors）、滿意度（Satisfaction）五大屬性，此外針對互聯網應用，安全性和隱私性也常常被考慮在內。[6]其中可學習性主要指初次接觸使用的門檻，可記憶性主要指后期重新使用是否可迅速恢復熟練度，效率是指用戶完成任務的速度，出錯率是指產品出現BUG的頻次，滿意度則是用戶的主觀感知。針對AIGC產品而言，目前可學習性、可記憶性和效率問題普遍處于較高水平，影響可用性的關鍵指標為內容出錯率和用戶主觀體驗，尤其是內容本身的準確度、差錯率、專業度和冗余度在很大程度上影響了用戶的感知可用性。

從內容準確度來看，由于AIGC本身的輸出能力來自大規模學習而非算法革新，這也使得其在內容輸出上受限于其訓練的語料，而無法準確響應訓練集之外的指令，甚至出現答非所問的情況。針對訓練語料所涉及范疇問題，目前AIGC輸出準確度則與用戶指令的精確度直接相關，若指令問題對應著唯一性答案，AIGC給出反饋能保障接近100%的準確率；而對沒有特定答案的問題，則需要用戶通過層次遞進的追問法不斷獲取準確反饋。此外受限于訓練集的時效性，部分反饋內容也存在明顯的滯后問題（如ChatGPT部分訓練集時效截至2021年），這也對內容的可用性造成了較大影響。

從內容出錯率來看，包括ChatGPT在內的AIGC產品基于大模型訓練進行實時調優和反饋，相比于傳統的深度學習模型，大模型的臨場學習能力（in-context learning）使得其能夠超出原始訓練語料限制，在與用戶交互過程中不斷進行學習，并在這個過程中進行臨場“糾錯”以優化反饋結果。例如當用戶直接指出ChatGPT反饋結果存在問題，或對其輸出進行質疑和批判時，它會根據用戶反饋對其輸出進行臨時調整和糾正。這種持續性迭代和自我糾錯雖然在一定程度上能降低AIGC的錯誤率，但由于用戶交互內容本身的質量較難保障，往往也會造成“錯上加錯”的結果。這也就對用戶自身的媒介素養、知識儲備量和批判思維提出了更高要求。

此外，從AIGC內容專業度和信息冗余度來看，面向特定領域的垂類AIGC在專業性上往往有較好保障，尤其是醫療、法律、金融、編程等知識結構化程度高、訓練集質量高、專業型程度強的領域，基于生成式AI進行交互問答和內容生成可在一定程度上替代基礎性工作。但對通用領域的AIGC產品而言，經測試發現當下主流AIGC產品輸出內容和觀點相對中庸和常規，存在大量冗余信息，在提供信息增量、超出一般認知上還存在優化空間。

但整體來看，相比于傳統的信息檢索和交互問答產品，AIGC一方面能實現對歷史交互信息的主動記憶和上下文理解，在連續交互的過程中對內容的準確性、正確性、專業性進行持續提升，基于臨場交互情境優化用戶體驗；另一方面其極大地提升了用戶信息檢索和內容組織效率，對其所不涉及的指令范疇也可給出對應建議，相比于傳統信息產品具備更強的開放性、靈活性和成長性。

3.風險規制：從可塑到可信

在AIGC加速發展并迅速滲透到各個行業的同時，也衍生了包括虛假信息、錯誤信息、隱私侵犯、倫理道德、版權管理等一系列安全問題。涉及訓練語料、算法模型、交互指令、內容傳播等各個環節，面向全鏈條的內容風險管理也成為必要。從風險規制視角來看，一方面需針對后端的算法模型和底層數據進行不斷調優，另一方面要針對前端的內容輸出和交互功能進行規范約束，在算法模型可塑的基礎上實現內容輸出的可信。

3.1" "模型可塑性

隨著2018年谷歌發布了自然語言處理預訓練模型BERT，AIGC應用進入到大模型時代。相比于早期的機器學習模型，大模型一般基于海量數據進行自我監督學習、具備巨量參數、可快速提取特征，可實現多任務、多語言、多模態信息處理。雖然當下主流生成式AI模型參數多突破了千億（圖1），但值得注意的是，并非參數規模越大AIGC表現性能越好，如GPT-3.5模型參數量為13億個，遠低于含有1750億個參數的GPT-3，但其在反饋內容準確率和道德表現上卻明顯優于GPT-3.0。這種大數據預訓練和小數據微調的方式擺脫了對頻繁人工調整參數的依賴，使得生成內容更加自然，同時可在交互過程中基于用戶反饋進行強化學習，也即可對自身的錯誤進行持續性修正與迭代。

以ChatGPT為例，其通過引入RLHF（Reinforcement Learning with Human Feedback，基于人類反饋的強化學習）技術使得模型輸出內容可塑性更強，在一定程度上可讓AIGC和人類的常識、認知、需求甚至價值觀保持一致。這種模型訓練模式一方面使得AI自我進化能力更快，通過持續性學習能更快且更準確地響應用戶需求，適配于更多場景的用戶交互；但另一方面也增加了AI本身的“規訓”風險，除了預訓練語料，在人機交互過程中所“投喂”給模型的信息也會被其消化，并影響后續的內容輸出。一旦大量錯誤信息、風險信息通過人機交互用于模型強化學習，將會使得對應傳播風險被放大。新的模型范式背后潛在的惡意操縱行為也需警惕。

對多數AIGC產品而言，為了降低模型輸出內容風險，會對用戶請求和模型學習語料進行限制約束。如ChatGPT 增加了過濾處理機制以解決AI倫理問題，如遇到敏感性問題和指令（包括暴力、犯罪、歧視等），其會采用拒絕回答或相對中庸、穩妥地回復來降低傳播風險。這雖然在一定程度上規避了部分不當內容生成，但僅從用戶指令層面進行限制并不能解決底層語料內隱藏的倫理風險。公開資料顯示，包括ChatGPT在內的AIGC產品主要訓練語料均來自各類用戶生成內容（UGC）平臺，如網頁、維基百科、社交媒體平臺、博客等。[7]這就使得個人用戶所持有的偏見歧視、錯誤觀點、政治傾向等被AI模型進行了學習，在內容輸出過程中也會暗含相應的態度傾向。對AIGC產品的風險規制還需從底層語料、算法參數、功能約束等多個層面進行調優。

3.2" "內容可信度

如果說算法模型的可塑性是影響AIGC風險的隱性因子，那么輸出內容的可信度則是決定AIGC應用風險的顯性因子。現有研究表明，AIGC在一定程度上加劇了虛假信息（disinformation）和誤導信息（misinformation）的傳播。[8]包括深度偽造（DeepFake）在內的AIGC應用已經能做到真假難辨，多數受眾很難從視覺層面區分AI和人類生成內容。[9]盡管AIGC相關算法本身沒有善惡屬性，但這項技術已被廣泛用于政治操縱和不正當商業競爭等負面目的。[10]而且伴隨著越來越多的生成式AI模型被開源使用，由此產生的虛假信息、誤導信息和偏見信息對國際政治、社會和人權發展都帶來了風險。[11]而要提升AIGC可信度，一方面需要從信源層面盡可能保障內容質量，另一方面也需從交互應用層面對潛在風險要素進行約束和提示。

從當下通用領域AIGC產品所采用的信源來看，UGC規模遠大于PGC，這也使得信源的權威性和專業性受限，進一步影響了內容輸出的可信度。以ChatGPT為例，其訓練數據60%來自于Common Crawl數據集，該數據集涵蓋了2018年以來在全球各大開源網站、社交媒體、維基百科、政府網站等平臺上采集的數據，其中博客平臺（18.69%）和維基百科信息（13%）占據了相當比例，這些普通用戶主導生成的內容在可信度上并不能得到保障。除了文本類AI，當下典型圖像AIGC產品的訓練數據多來自于各大開源網站平臺，如Stable Diffusion的數十億圖片訓練數據集中約有8.5%來自大型圖片社交網站 Pinterest，6.8%來自WordPress，同時也涵蓋了各類購物平臺、博客。[12]訓練數據集的版權許可不明也使得AIGC面臨著版權爭議。此外，當前ChatGPT對各國主流媒體的信息調用存在限制，其雖然能通過部分開源網站獲取部分權威媒體的信息觀點，但并不能系統調取其相關信息進行訓練學習，信源內容的良莠不齊也影響了其輸出內容質量的穩定性。

除了訓練數據集中潛藏著內容風險，交互端的惡意使用也會使得AIGC成為虛假信息和錯誤信息傳播的助推器。美國新聞可信度評估與研究機構NewsGuard對ChatGPT進行了測試，當其要求ChatGPT根據陰謀論和誤導性信息進行反饋時，其在80%情況下均做出反饋。此外，當測試人員讓ChatGPT根據虛假信息進行新聞寫作時，其可迅速生成大量看似讓人信服但實際上無明確信源的內容，新聞結構和敘事手法均接近專業水平，但內容本身卻充斥著錯誤信息和虛假引用。[13]對AIGC的不當訓練和惡意使用會助推虛假信息的傳播，這對用戶本身的媒介素養和批判思維也提出了更高要求。研究發現，相比于歐美國家用戶對AIGC的批判性態度，中國用戶對AIGC的應用表現出了更明顯的積極態度[14]，在部分場景下用戶對署名為算法新聞的感知可信度甚至高于對人類記者的信任度[15]，AIGC內容的感知可信度、混淆度和冗余度也進一步加大對AIGC風險規制的必要性。

內容可信度之余，包括隱私問題、版權問題、成癮問題、微政治歧視、不當使用造成的“高科技剽竊”和學術不端，惡意使用帶來的不正當商業競爭和網絡詐騙、網絡攻擊等，均成為AIGC多場景應用中所面臨的風險，在充分利用AIGC技術紅利的同時正視其衍生的負外部性，也是實現AI技術生態可持續健康發展的必要。

4.演化趨勢：從可替到可期

隨著深度學習進入到大模型階段，AIGC打破了早期AI輔助生產的預定義規則模式，內容生成從“智能編輯”逐步演化到“智能創作”。從AI輔助編輯到AI輔助生產再到AI自主創造，內容生產范式的轉變給信息產業帶來巨大沖擊，低成本、高效率、大規模的應用也讓部分職業的可替性增強。如何在人機協同中找到最佳平衡點和最優協作模式，也成為AIGC未來高質量發展和多領域應用需要探索的問題。

4.1" "職業可替性

在AI規模性應用之前，人們普遍認為相比于腦力勞動者，簡單重復的體力勞動者被技術的替代可能性更高。隨著AI在信息組織和知識生產領域的應用深化，在GPT-3等大模型的支撐下AI已初步具備創造能力，除了滿足錯誤糾正、簡單問題回答、自動翻譯、素材集成、自動填充等輔助性生產工作，在全新內容創作、藝術生產、代碼編程等方面也表現出高度的適應性和創造性。牛津大學在2017年曾對700多個職業被AI的替代率進行了分析，指出未來10年將有近一半職業消失，47%的人面臨失業風險。[16]而且除了技術含量較低的流水線工作，包括翻譯、銷售甚至醫生、作家等專業性職業也將面臨著“人機交接”風險。[17]

以媒體行業為例，早在16年就有機構統計指出機器新聞年產量已突破10億篇，尤其是在財經、體育和自然災害等領域機器的模板化生成能力已相當成熟，國內外大量主流媒體機構也自研或引入了機器新聞產品投入生產應用。除了常規的模板化生產，以ChatGPT為主的開放式、自主式新聞生產也逐步滲透到傳媒行業。測試發現ChatGPT生成的新聞與當前專業新聞寫作在結構、框架、邏輯、敘事語言等方面是高度相似的，其內容通常會包含事實、觀點和引語等常規要素，且符合倒金字塔寫作結構。盡管AIGC的生產效率和規模性已經遠超出人類寫手，但與人類寫作的新聞相比，機器新聞的可讀性往往較差，且在情緒交互上相對較弱，限于倫理、情感、靈活性等多種因素，目前大多數學者對機器取代人類寫作仍持否定態度。[18]

此外，AIGC對人類創造性工作的替代，也造成了關于“高科技剽竊”的爭議。運用AIGC生成的作品版權如何界定？“機器作者”身份是否可被承認？AIGC作品的署名問題與侵權追責問題？諸多議題還未形成定論。尤其是在學術領域AIGC的濫用問題已被部分機構歸類為“學術不端”，目前已有超百家學術期刊表示將完全禁止或嚴格限制使用ChatGPT等AI撰寫學術論文。

從長遠發展來看，媒介是人的延伸，AIGC作為一種泛媒介也將成為人的延伸，而非完全的替代。不同職業工種的情感投入度、隨機應變性、程式化程度、專業性、安全性、探索性、經驗性等多重特性都會影響其被AI替代的可能性。但這種替代在某種程度上可視之為對人類生產力和創造性的解放，AI在造成失業的同時也會增加新的就業機會。通過在人機協同中找到平衡點，將更多基礎性、常規性工作交給AI，也會讓人類有更多時間投入到創意生產中。

4.2" "應用可期性

AIGC除了對現有職業存在替代性，其強大的生產和創造能力對Web2.0時代各種互聯網應用也造成挑戰。目前主流AIGC產品已具備交互問答、信息檢索、內容生成、語言翻譯、程序編寫與調試、環境模擬、數據處理、創意生成、推理分析等多種功能，在一定程度上可替代既有搜索引擎、翻譯軟件、編程工具、文案工具等，已成為一個集成多種實用功能的“工具箱”。隨著AIGC涉及模態、應用場景和技術倫理的拓展與優化，其對當下的社交媒體、新聞資訊、游戲引擎等應用也會構成挑戰，在重構未來職業結構的同時也將重構全球互聯網生態。

Web3.0背景下，AIGC更有望成為元宇宙構建的內容引擎和底層工具。隨著AI生成3D模型、AI生成虛擬人、AI驅動機器人、AI生成數字作品、AI驅動數字孿生等技術的發展成熟和規模化應用，AIGC在三維時空構建、數字靈魂打造和數字藏品鑄造上將會發揮重要作用。這也會在很大程度上降低元宇宙的構建門檻和邊際成本，加速元宇宙在G端、B端及C端不同層面的深度應用。

相比于生成式AI在技術層面的突破，其在應用層面更具潛力空間。包括GPT-3、CLIP、Diffusion等大模型在2022年前已在專業領域得以應用，但ChatGPT的爆火讓這些AI技術從小眾走向了分眾和大眾，應用價值得以釋放，產業規模也邁向指數級增長階段。ChatGPT帶動了AIGC應用場景的大發展，除了在互聯網、傳媒、教育、影視、金融等領域的廣泛應用，在政務服務、工業、醫療等領域也具備巨大應用空間。

綜合來看，在AIGC爆發式增長前夕，更應以一種客觀中立、包容審慎的視角去看待技術的發展，“負能”固然存在，“賦能”更為可期，在警惕技術風險、規范倫理約束的同時不斷拓展其與不同產業的連接點，才能在可供、可用、可塑、可信的基礎上實現可替和可期。

[1] Du HLi ZNiyato Det al. Enabling AI-Generated Content （AIGC） Services in Wireless Edge Networks[J]. arXiv preprint arXiv：2023.

[2] Sonya Huang，Pat Grandy.Generative AI.A Creative New World[EB/OL].https：//www.sequoiacap.com/article/generative-ai-a-creative-new-world/.2022-09-19/2023-02-23.

[3] Illia Laura，Colleoni Elanor，Zyglidopoulos Stelios. Ethical implications of text generation in the age of artificial intelligence[J]. Business Ethics， the Environment amp; Responsibility，2022（1）：201-210.

[4] Nitzberg MZysman J. Algorithmsdataand platforms： the diverse challenges of governing AI[J]. Journal of European Public Policy，2022（11）： 1753-1778.

[5] 蔣俏蕾，張自中.全媒體時代的決策與素養：媒介可供性與分布式認知[J].中國新聞傳播研究，2022（3）：120-132.

[6] Kureerung PRamingwong LRamingwong Set al. A Framework for Designing Usability： Usability Redesign of a Mobile Government Application[J]. Information2022（10）： 470.

[7] Thompson，A.D..What’s in my Al？ A Comprehensive Analysis of Datasets Used to Train GPT-1GPT-2GPT-3GPT-NeoX-20BMega-tron-11B，MT-NLG，and Gopher[EB/OL].https：//lifearchitect.ai/whats-in-my-ai/.2022-10-18/2023-02-23.

[8] Vaccari C，Chadwick A. Deepfakes and disinformation： Exploring the impact of synthetic political video on deceptionuncertaintyand trust in news[J]. Social Media+ Society，2020（1）： 1-13.

[9] Whittaker LKietzmann T CKietzmann Jet al. “All around me are synthetic faces”： the mad world of AI-generated media[J]. IT Professional，2020（5）： 90-99.

[10] Yu PXia ZFei Jet al. A survey on deepfake video detection[J]. Iet Biometrics，2021（6）： 607-624.

[11] Illia LColleoni EZyglidopoulos S. Ethical implications of text generation in the age of artificial intelligence[J]. Business Ethicsthe Environment amp; Responsibility，2023（1）： 201-210.

[12] Andy B..Exploring 12 Million of the 2.3 Billion Images Used to Train Stable Diffusion’s Image Generator[EB/OL].https：//waxy.org/2022/08/exploring-12-million-of-the-images-used-to-train-stable-diffusions-image-generator/.2022-08-30/2023-02-23.

[13] Seth Smalley. Could ChatGPT supercharge 1 narratives？[EB/OL].https：//www.poynter.org/ifcn/2023/could-chatgpt-supercharge-1-narratives/？ref=biztoc.com.2023-02-02/2023-02-20.

[14] Yuheng Wu，Yi Mou，Zhipeng Li，Kun Xu. Investigating American and Chinese Subjects’ explicit and implicit perceptions of AI-Generated artistic work[J]. Computers in Human Behavior，2020，104（C）.

[15] 蔣忠波，師雪梅，張宏博. 人機傳播視域下算法新聞可信度的感知研究——基于一項對大學生的控制實驗分析[J]. 國際新聞界，2022（3）：34-52.

[16] Frey C B" Osborne M A . The future of employment： How susceptible are jobs to computerisation？[J]. Technological Forecasting and Social Change2017：254-280.

[17]Grace KSalvatier JDafoe Aet al. When will AI exceed human performance？ Evidence from AI experts[J]. Journal of Artificial Intelligence Research.2018： 729-754.

[18] 楊逸云.國內外機器新聞寫作研究進程、熱點及展望[J].湖北社會科學，2022（4） ：105-113.

作者簡介：向安玲（1991-），女，湖北宜昌，中央民族大學新聞與傳播學院，講師，研究方向為媒介大數據、智能媒體、網絡輿論、國際傳播。

（責任編輯：李凈）