AIGC在童書生產中的應用模式探究

【摘 要】 結合國內外出版業對AIGC的應用實踐，以“金波別集”為研究對象，闡述AIGC在童書生產過程中的應用價值，提出人機協同機制的有效路徑：綜合各項信息將文獻集制作成文本數據，將文本數據轉化為機器可以理解的關鍵詞，通過關鍵詞對個性化風格進行測試與訓練，制定標準化要求對插圖圖片進行批量審核或個性化審核。在面臨編輯人員迭代問題、AIGC模型優化和訓練問題、版權糾紛問題時，編輯與模型訓練技術人員應將工作階段一分為二，編輯負責提供詳盡的文本數據與關鍵詞，技術人員負責將關鍵詞錄入AI模型并訓練AI，以此避免各種風險，更好地實現人機協同。

【關 鍵 詞】人工智能；童書出版；人機協同；AIGC

【作者單位】李默耘，東方出版中心。

【中圖分類號】G230.7 【文獻標識碼】A 【DOI】10.16491/j.cnki.cn45-1216/g2.2024.20.011

在出版領域，不同的出版機構對AIGC的認知與應用水平存在顯著差異，導致其在實踐中的表現呈現不一致性。特別是在中國，出版機構主要在童書生產領域探索AIGC的潛力。基于對AIGC優勢與劣勢的共識，更深入的研究揭示了其在創造力、穩定性、真實性以及出版審核方面的局限性，這些問題均強調在出版行業中應用AIGC時人機協同工作模式的重要性。

一、 AIGC在童書生產中的應用現狀

國內的出版機構在童書生產領域率先采用AIGC技術，這一趨勢主要是由市場需求驅動的。當前，童書的銷售渠道主要集中在短視頻電商平臺，某一本童書的熱銷往往會在短期內引發大量同類產品的跟風上市，迫使出版方加速產品迭代以適應競爭激烈的市場環境。同時，由于童書的目標讀者較為特殊，這使得出版機構在童書生產領域應用AIGC時，不能單純地依靠AIGC，而是需要使用人機協同模式。這種協同工作模式需要充分發揮人類智慧，將人類智慧與人工智能緊密結合，以確保生成的內容既符合出版質量標準，又能滿足市場對創新和多樣性的需求。“金波別集”已出版的25冊圖書為新時代童書生產中AIGC的應用提供了一個示范性案例。

1．AIGC在童書生產中的應用價值

童書最耗時的生產環節是插畫繪制，AIGC可輔助插圖師完成插圖繪畫工作，從而顯著減少童書生產的時間損耗。在傳統童書生產環節，如插畫師工作量滿額，繪制1張32開的滿版插圖需要5—7天，繪制1張16開的滿版插圖需要7—10天，繪制1張8開的插圖需要15—20天。如果一本兒童文學讀物需要插畫師繪制20張插圖，工期最少需要3個月。但AIGC可以在半分鐘內一次性生成4張圖，無限次生成備選圖，直至編輯滿意為止。以“金波別集”為例，AIGC1個月可以生成12000張圖，這1個月不僅包含生成時間，還包含訓練時間。同比，AIGC為1本兒童文學讀物繪制20張插圖可以在幾小時內完成。

AIGC使得圖片選擇更加多樣化。與傳統人工繪制插圖相比，AIGC能夠有效規避一旦著色便難以修改的問題，通過1次訓練即可產出多張風格迥異的備選圖片。這種技術使得編輯工作從做問答題轉變為做選擇題，從而更高效地從眾多備選圖片中篩選出符合要求的1張。以“金波別集”為例，經過訓練的AIGC技術解決了風格形成的難題，能夠提供包括宮崎駿風格、水彩風格、吉卜力風格、新海誠風格、迪士尼風格等近百種風格選項。同時，AIGC還提供詳盡的圖片生成需求明細，包括圖片質感、燈光、色調、視角、氛圍等，編輯可以根據不同的需求對AIGC進行有針對性的訓練，以實現更加精細化的圖片生成。這種技術的發展不僅提高了圖片生成的效率，也為編輯提供了更大的選擇空間，使得生成的圖像更加多樣化和個性化。

經過訓練，AIGC生成的圖片能夠符合大眾審美。AIGC通過分析大量文本數據來學習如何根據文本描述生成相應的圖片。在這種訓練模式下，模型會學習文本中的關鍵詞、短語和整體語境，理解如何將這些文本元素轉化為視覺元素。AIGC能夠有效識別和理解文本中出現頻率較高的語境，即那些在大眾文化中廣泛流行的語境。隨著全球更多用戶的參與、調整和訓練，AIGC將不斷進步，其生成的風格將更加符合大眾的審美標準，能夠實時對審美趨勢進行調整和優化。這一過程不僅體現了AIGC在文化適應性上的進步，也展示了其在審美動態性上的靈活性。

2．AIGC在童書生產的應用場景

使用AI生成童書插圖，既是生產方式的迭代，也是生產力、生產關系的深刻變革。基于大模型訓練的AIGC不僅部分替代了原生產者（插畫師）的功能，且通過精密的算法引導生產者的思維，人與人的溝通轉至人與算法的博弈。

AIGC作為生成式新生產力工具，其關鍵技術在于機器學習，訓練路徑分為3種類型：一是基于文本數據訓練得到的分類模型；二是基于用戶行為數據訓練得到的推薦模型；三是基于用戶反饋數據訓練得到的推薦模型［1］。在正式應用AIGC之前，編輯需要準備大量的文本數據。以“金波別集”為研究對象，編輯團隊為該文獻集中的每一幅圖片提供相應的文本數據，隨后技術團隊對這些文本數據進行深入分析，以識別和提取關鍵詞。基于這些關鍵詞，技術人員將進行語言模型的轉換和適配，進而啟動訓練過程。在此過程中，編輯將對AIGC生成的圖片進行細致評估并在后續流程中持續對其進行反饋與修正。通過這種迭代的反饋機制，AIGC將逐漸學習并優化其算法，最終形成針對“金波別集”特有風格和內容的推薦圖像模型。該模型不僅能夠反映文獻集的視覺特征，還能夠根據編輯團隊的反饋進行自我調整，以提高生成圖片的準確性和相關性。

從目前來看，AIGC適用于生成短篇、彼此之間沒有關聯性的作品的插圖。在AIGC大模型訓練的初始階段，針對同一文本內容和固定關鍵詞集，若在不同時間點對AIGC進行訓練，AIGC可能會輸出截然不同的圖片。這種現象揭示了AIGC技術的獨特魅力，即其生成結果的多樣性和不可預測性，同時也暴露其潛在的局限性，尤其是在需要保持人物形象一致性的兒童長篇小說領域。由于人物形象連貫性對敘事完整性和讀者閱讀體驗至關重要，因此AIGC在生成一致性人物形象方面的不穩定性值得注意。隨著技術的不斷發展，AIGC在保持人物形象一致性方面的表現有望得到提升，從而更好地滿足出版行業的需求。

AIGC在處理單一元素的場景時表現較為理想，但在涉及多元素組合的場景中，可能會遇到風格和形象混亂的問題。發生這種情況的原因通常是數據集不充分，導致人工智能難以準確理解和處理指定風格中的多個關鍵詞，從而無法生成風格一致或與內容匹配的圖片。以“金波別集”為例，當任務要求生成1張包含“大樹下有兔子、狗、熊3個動物，且它們在互相交談”的宮崎駿風格的圖片時，AIGC將面臨挑戰。如果將宮崎駿風格設為優先，可能無法在畫面中生成所有指定的動物。如果強調3個動物同時出現，生成的圖片可能會傾向于寫實風格，從而偏離宮崎駿的插圖風格。此外，在指定風格優先的情況下，多人或多物件的場景還可能導致元素變形的問題。

AIGC在處理基于已知事物的場景時表現較高的適用性，但在處理需想象的場景時往往超出用戶預期，更傾向于魔幻或奇幻的風格。以“金波別集”為例，基于“1只不開心的小蜜蜂在田間飛舞”的文案數據生成圖片時，AIGC可能會生成1個揮舞著大針鰲、具有人臉和蜜蜂身體、張牙舞爪的蜜蜂大王形象，這種暗黑而驚悚的解讀與原文本的意圖相去甚遠。為了避免AIGC的理解偏差，訓練過程中對關鍵詞的增刪至關重要。即便如此，AIGC對修改后關鍵詞的理解仍具有隨意性，導致生成的圖片呈現千變萬化的“智能”特征。

3．AIGC在童書生產的應用難點

隨著AI對圖文聲像處理能力和學習能力的不斷增強，其可根據用戶需求在短時間內生成文章、詩歌、音樂、視頻、動畫等內容形式，在使用者的引導下完成多樣化的內容創作［2］。因此，AIGC在持續創造力、活躍度和穩定性方面的性能被寄予厚望，這些也是其在實際應用中需要克服的關鍵難點。

AIGC在風格融合方面展現顯著的能力，但其在滿足個性化需求方面需要進行有針對性的訓練。如果AIGC系統對相似模式或數據集過度依賴，可能會造成生成內容的原創性和新穎性不足，這一現象有時被稱為內容飽和或創意枯竭。特別是在童書出版領域，AIGC的訓練若完全由算法主導，初期形成的獨特風格可能會逐漸與其他風格融合，導致小眾特質被淡化，這對出版方而言并非利好消息。以“金波別集”為例，該系列在人物形象塑造上一貫采用宮崎駿風格，經過持續訓練，AIGC生成的人物形象已趨于成熟，但也出現臉譜化、精致化和趨同化的問題。AI系統可能認為其生成的圖像趨向完美，但完美的外觀并不一定具有特色和辨識度。因此，為了保持AI的創造性，出版機構需定期更新AIGC算法，不斷為AI投喂多樣化的數據集并引入隨機性。這些措施有助于克服AIGC在內容生成上的局限性，優化其在個性化和創新性方面的表現。

AIGC在生成人物面部特征和四肢細節方面面臨顯著挑戰，這些問題被認為是當前技術發展中的主要難題。盡管AIGC在風格把握上可能表現一定的穩定性，但在面部五官的完整性、手指和腳趾數量的準確性以及四肢的完整性方面，AIGC的輸出結果常常出現偏差。例如，人物面部可能缺失必要的五官，或者四肢出現不完整的情況。在處理昆蟲等非人物圖片時，也可能出現多腿、多足或多翅膀等異常情況。因此，AIGC未來的優化和發展需要特別關注這些問題，以提高生成圖片的準確性和真實性。

二、人機協同在童書生產領域的應用模式

雖然AIGC能夠在一定程度上節約過程資源并提高生產的質量和效率，但AIGC在童書生產的圖片生成與審核兩個方面尚無法做到一次性完成任務且完全符合出版標準。在生成內容的過程中，AI對現實世界的理解基于數據的表面層次，缺乏對現實世界的理解和洞察，這使得目前其對知識的結構化呈現只能停留在“平庸的專業主義”階段［3］，使得其文本數據的表達處于淺層。同時，在審核過程中，多模態生成式人工智能技術將虛假信息的范圍從文本擴展到代碼、圖片和視頻，虛假信息的多樣性、欺騙性顯著增強，導致出版內容面臨真實性下降的風險［4］。這凸顯了人機協同機制在童書生產中的重要性和不可或缺性。

1．人機協同機制的前提和路徑

AIGC在童書出版領域的應用雖然部分替代了傳統插畫師的角色，但對那些具備高級審美能力的編輯的需求有所增加。在傳統手工繪制插圖的過程中，插圖的質量主要取決于插畫師對文本內容的理解和藝術表達能力，在此過程中，編輯可以通過簡潔明了的語言與插畫師進行有效溝通。然而，隨著AIGC的應用，機器學習的核心對象轉變為文本數據，編輯的角色轉變為文本數據的制作者，他們需要具備高級的審美能力，以確保提供的文本數據能夠引導AIGC生成具有獨特風格和創新性的圖片。這要求編輯不僅精通文本內容，還對藝術審美有深刻的理解和掌握，以便在人機協同中發揮關鍵作用，提升AIGC生成內容的藝術價值和原創性。

從目前來看，AIGC人機協同的路徑有以下幾個方面：綜合政策規定、出版標準、市場需求、讀者反饋，將文獻集制作成文本數據；將文本數據轉化為機器可以理解的關鍵詞；通過關鍵詞對個性化風格進行測試與訓練；確定關鍵詞與風格之間的優先關系；制定標準化要求，對插圖圖片進行批量審核或個性化審核。

2．人機協同機制的應用場景

人機協同機制在生成與審核兩個環節都具有非常復雜的應用場景，本文主要對常見場景進行概述。

第一，在生成環節對風格的界定與把握。雖然采用人工繪制的童書插圖已形成豐富多樣的風格，但市場需要更多的創意圖片。因此在使用AIGC繪制插圖之前，編輯需要對每種插圖風格的特色、代表畫家、代表作進行深入學習和研究，儲備關于童書插圖的專業知識，在此基礎上有所創新。以“金波別集”為例，該文獻集的文本風格普遍呈現溫暖和向善的特質。在視覺化設計的初期階段，編輯團隊選定宮崎駿風格、水彩風格、中式水墨風格以及迪士尼風格進行實驗性應用。通過對比測試數據，編輯團隊發現：中式水墨風格在人物形象的表現上存在明顯的模糊不清、難以辨認的問題，不能滿足質量審查的標準；迪士尼風格因其場景和人物形象的高度模式化，導致表情和動作過于遵循迪士尼的既定范式，可能引發讀者的審美疲勞；宮崎駿風格在樹木、花草的細節描繪以及動物表情的捕捉上表現不佳；水彩風格在人物形象的生成方面未能達到預期效果。基于這些測試結果，編輯團隊決定采用宮崎駿風格與水彩風格相結合的藝術手法，以期在保留各自風格優勢的同時，彌補單一風格在視覺表現上的不足，實現更加和諧與豐富的視覺效果。

第二，在生成環節對關鍵詞的訓練與優化。優化關鍵詞是提高AIGC系統性能的關鍵技能。要生成貼合文本、對文本理解深刻、表達卓越的圖片，需要在訓練環節不停地優化關鍵詞。例如，生成1張“月光下的父子冰上游玩圖”的基礎關鍵詞如下——地點：公園。背景：冬天，湖面，結冰。人物：父與子。動作：父親推著兒子的小冰車。如果僅將這些關鍵詞輸入AIGC，得到一張距離父子2—3米遠的普通平視視角圖片，這張圖片并沒有瑕疵，但在接下來生成圖片時，如果對“地點”“背景”“人物”“動作”進行同邏輯的提示，所得圖片視角會同質化且缺乏美感。為了得到1張與眾不同的圖片，編輯需要優化關鍵詞。視角：從小孩子的視角進行平視。人物位置：父親在孩子身后，被孩子擋住半個身體。畫面細節：天空正飄下細雪，生成六邊形的形狀；一片雪花落在孩子的手上。表情：又好奇又驚喜。天氣：霧蒙蒙的下雪天，太陽朦朦朧朧。通過這些關鍵詞的豐富，AIGC才可以生成1張不同視角、不同體驗的圖片。由此可見，AIGC在插畫創作領域具有顯著的時間節約優勢，然而，這一技術的應用也要求編輯在準備文本數據、關鍵詞轉化及關鍵詞的持續優化方面投入更多的時間和精力。此外，技術人員在訓練AIGC模型的過程中也需要花費額外的時間來調整和優化模型參數，以確保生成內容的質量和風格符合預期。

第三，在審核環節對政策規定、出版標準的把握。AIGC在圖像生成過程中面臨對政策規定和出版標準的準確把握難題。例如：在中式建筑圖像中，可能錯誤地包含日式建筑元素；在描繪兒童時，可能未能適當處理服裝的適宜性以及人物五官和面部表情的準確性。因此，編輯團隊需要通過人機協同工作機制來完成審核閉環，確保生成圖片內容符合出版相關要求。

第四，在審核環節對讀者反饋的把握。AIGC在審核環節的運用依賴于其對新文本數據的持續學習，然而其預測能力和對復雜語境問題的辨識能力存在局限性。如果僅按照AIGC的初始數據進行輸出，可能在形式上符合出版標準，但由于讀者反饋的多樣性，實際上可能并不符合預期的表達效果。因此，編輯團隊需要以人機協同的工作模式，在審核環節對圖片進行細致的把控并進行適當修改，以確保內容的準確性和適宜性。

3．人機協同機制的應用應對

在生成與審核環節對AIGC生成圖片通過人機協同機制進行把關，從流程上完成了童書生產應用AIGC的閉環，但仍面臨編輯人員迭代、AIGC模型優化訓練、版權糾紛等問題。

新質生產力的使用離不開生產者對新式生產工具的掌握。在童書生產環節，編輯團隊嘗試過將編輯與技術合二為一的方式，但具備高級審美能力的編輯與熟練掌握AIGC模型訓練及使用關鍵詞的技術人員各自有其擅長的專業領域，不能簡單粗暴地合并工作流程。合理的流程是將工作階段一分為二，編輯負責提供詳盡的文本數據與關鍵詞，技術人員負責將關鍵詞錄入AI模型并訓練AI，編輯授權技術人員適當增刪關鍵詞的權利。一方面，編輯需要對文獻集和圖片有深刻的體味與領悟，擁有熟練的文本數據制作能力，與技術人員熟練配合，才可以充分發揮AIGC的優勢，否則生成的圖片可能不能使用。另一方面，出版機構需要尋找適當的技術人員，這些技術人員需完全掌握和理解文本數據和關鍵詞，在適當的時候可對關鍵詞進行調整，能熟練訓練AI模型。由此可見，AIGC目前仍處于人工智能的過渡階段，嚴重依賴人的參與及引導。

AIGC的版權問題一直都是人們關注的焦點。在人機協同機制得以順利開展的前提下，AIGC所生成的童書圖片在某種程度上有了人的智慧投喂，具有獨一無二性。然而，當人機協同機制執行不順暢時，編輯可能難以制作符合要求的文本數據，或者AIGC無法準確理解關鍵詞，導致編輯轉而尋找相關圖片直接投喂給AIGC。在這種情況下，AIGC從文生圖的生成模式轉變為圖生圖的生成模式，可能引發版權問題。圖生圖模式直接模仿已有圖片完成生成任務，而非通過關鍵詞訓練完成任務，這可能會引發較為嚴重的侵權行為。因此，AIGC所產生的版權糾紛更多是由生產者導致的。

三、結語

當下童書出版的市場競爭進入白熱化，在童書生產領域深耕的出版機構迎接技術革命浪潮，積極運用AIGC，是形勢所迫也是大勢所趨。出版機構在童書插圖生產環節可積極應用與實踐AIGC，但其在童書生產的其他環節的賦能仍需謹慎研究。筆者通過“金波別集”的具體實踐得出，童書出版機構需要做好AIGC應用的頂層設計，研究AIGC的應用場景，通過實踐規避AIGC的應用難點和痛點并實時關注AIGC的優化迭代，以調整應用節奏。在AIGC應用過程中，出版機構應引進與培養優質編輯與技術人員，制定好人機協同的相關管理機制和流程，充分發揮人機協同機制的優勢，為AIGC的應用守好審核關與出版關。

｜參考文獻｜

［1］索偉. 生成式智能出版的技術原理、應用挑戰及優化路徑［J］. 傳播與版權，2024（8）：59-61.

［2］王飚，魏婧.“人—技”關系視域下AI在出版行業的創新應用［J］. 出版廣角，2024（13）：16-20.

［3］喻國明，林昱彤，李昀玥. 作為新型內容生產力的生成式AI：發展局限與未來進路［J］. 出版廣角，2024（14）：22-30.

［4］趙禮壽，丑越豪，王夢穎. 人工智能在出版業的風險應對及應用前景［J］. 出版廣角，2024（13）：21-26.