生成式人工智能賦能傳媒：技術(shù)、應(yīng)用與挑戰(zhàn)

摘要：ChatGPT、Sora等大模型的推出，標(biāo)志著生成式人工智能已成為AI研究領(lǐng)域的前沿?zé)狳c(diǎn)。AIGC在傳媒行業(yè)的應(yīng)用涵蓋內(nèi)容生成、信息推薦、信息審核等多個媒體傳播環(huán)節(jié)。文章在分析AIGC模型基礎(chǔ)網(wǎng)絡(luò)——包括Transformer模型、GAN模型、擴(kuò)散模型及混合專家模型——的基礎(chǔ)上，介紹了當(dāng)前具有典型代表性的若干系列大語言模型。進(jìn)一步結(jié)合傳媒行業(yè)的典型應(yīng)用場景，探討了AIGC在相關(guān)領(lǐng)域的應(yīng)用及其對傳媒行業(yè)的影響。最后，分析了AIGC給傳媒行業(yè)帶來的挑戰(zhàn)，并展望了未來的發(fā)展方向。

關(guān)鍵詞：生成式人工智能；大語言模型；傳媒行業(yè)；多模態(tài)；機(jī)遇與挑戰(zhàn)

中圖分類號：TP399文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）15-0016-04

0引言

生成式人工智能（AIGC）是一種以生成新內(nèi)容為核心的人工智能技術(shù)[1]，正逐漸改變內(nèi)容生產(chǎn)的方式。與專業(yè)生成內(nèi)容（PGC）和用戶生成內(nèi)容（UGC）相比，AIGC為媒體內(nèi)容生產(chǎn)提供了新的可能性，并與之互補(bǔ)[2-3]。大型預(yù)訓(xùn)練語言模型，特別是多模態(tài)學(xué)習(xí)與大型語言模型（LLM）的結(jié)合，推動了AIGC的快速發(fā)展[4-8]。AIGC技術(shù)已廣泛應(yīng)用于傳媒行業(yè)的各個環(huán)節(jié)，深刻影響傳媒行業(yè)的多個方面[9]。文獻(xiàn)[10]以ChatGPT為切入點(diǎn)，研究了生成式AI對傳媒行業(yè)的影響；文獻(xiàn)[11-12]則以Sora為切入點(diǎn)，探討視頻類生成AI對新聞專業(yè)意識、新聞創(chuàng)作及新聞創(chuàng)新的影響。本文將深入分析AIGC技術(shù)基礎(chǔ)，并探討其在傳媒行業(yè)的應(yīng)用、影響及未來發(fā)展趨勢。

1AIGC技術(shù)與大語言模型

其是深度學(xué)習(xí)算法的進(jìn)步AIGC技術(shù)的快速發(fā)展得益于人工智能算法。不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)，尤成了深度學(xué)習(xí)算法的基礎(chǔ)。研究人員基于這些基礎(chǔ)模型架構(gòu)，結(jié)合海量數(shù)據(jù)訓(xùn)練出多種預(yù)訓(xùn)練大語言模型，應(yīng)用領(lǐng)域的專家則根據(jù)具體需求進(jìn)行調(diào)整，構(gòu)建相應(yīng)的應(yīng)用服務(wù)。

如圖1所示，AIGC在傳媒行業(yè)的應(yīng)用涉及基礎(chǔ)模型架構(gòu)、大語言模型、應(yīng)用服務(wù)及模型應(yīng)用等多個層次。AIGC的基礎(chǔ)模型架構(gòu)包括CNN、RNN、GAN、Transformer架構(gòu)和擴(kuò)散模型等，以及綜合這些模型的MoE架構(gòu)。大語言模型層以基礎(chǔ)模型為基礎(chǔ)，通過通用數(shù)據(jù)訓(xùn)練，具備解決通用應(yīng)用領(lǐng)域問題的能力。但針對具體應(yīng)用領(lǐng)域問題，需要通過領(lǐng)域微調(diào)或指令微調(diào)滿足特定需求，同時提供相應(yīng)的領(lǐng)域功能服務(wù)。領(lǐng)域應(yīng)用則綜合多種功能服務(wù)以滿足客戶的終端需求。

1.1AIGC的基礎(chǔ)網(wǎng)絡(luò)架構(gòu)

型包括AIGCTransformer基礎(chǔ)網(wǎng)絡(luò)架構(gòu)種類繁多、擴(kuò)散模型、生成對抗網(wǎng)絡(luò)等，典型的生成式模。

Transformer[13]架構(gòu)由谷歌于2017年提出，該模型通過引入自注意力和交叉注意力機(jī)制，實(shí)現(xiàn)了在無監(jiān)督環(huán)境下的自學(xué)習(xí)，重點(diǎn)學(xué)習(xí)輸入序列內(nèi)部、輸入序列與輸出序列之間以及輸出序列內(nèi)部token間的相關(guān)性，并通過多頭注意力機(jī)制準(zhǔn)確捕捉單詞間的多重關(guān)系和細(xì)微差別。

DiffusionModel[14]是一種基于熵增原理的生成模型，分為正向擴(kuò)散過程和反向逆擴(kuò)散過程。正向擴(kuò)散過程是向圖像逐步添加噪聲的過程，即從無到有，直到生成純噪聲圖像；反向逆擴(kuò)散過程則通過學(xué)習(xí)如何從噪聲圖像恢復(fù)到原始圖像。

生成對抗網(wǎng)絡(luò)（GAN）[15]是一種基于生成器與判別器之間對抗博弈進(jìn)行訓(xùn)練的深度學(xué)習(xí)模型，由IanGoodfellow于2014年提出。生成器負(fù)責(zé)生成新的數(shù)據(jù)樣本以欺騙判別器，判別器則負(fù)責(zé)區(qū)分樣本是來自訓(xùn)練數(shù)據(jù)還是生成器產(chǎn)生。

MOE[16]（MixtureofExperts，混合專家架構(gòu)）實(shí)現(xiàn)了對多個專家系統(tǒng)的稀疏連接。大型語言模型通過添加MOE層，結(jié)合多個專家模型的結(jié)果，以提升模型性能。MOE層由多個專家模型和一個門控（gate）網(wǎng)絡(luò)組成。

各種生成架構(gòu)各具優(yōu)缺點(diǎn)，詳見表1。

1.2預(yù)訓(xùn)練大語言模型

預(yù)訓(xùn)練大語言模型是基于一種或多種網(wǎng)絡(luò)架構(gòu)，利用海量數(shù)據(jù)集經(jīng)過預(yù)訓(xùn)練而獲得的具備內(nèi)容生成能力的模型。此類模型通常以對話形式生成用戶所需內(nèi)容，適用于多種任務(wù)。各大語言模型比較如表2所示。在傳媒領(lǐng)域，應(yīng)用較為廣泛的主要模型包括以下幾種。

1）GPT系列。由OpenAI推出的生成式語言模型系列，目前影響力最大，包含多個版本：GPT-1、GPT-2、GPT-3及GPT-4等。

2）LLaMA系列。MetaAI公司發(fā)布的系列大型語言模型。2023年7月發(fā)布了開源版Llama2，2024年4月19日推出了MetaLlama3系列。

3）Gemini。GoogleDeepMind于2023年12月6日發(fā)布的多模態(tài)大模型，能同時接受文本、圖像、音頻、視頻和代碼五種類型輸入，具備理解并生成主流編程語言（如Python、Java、C++）高質(zhì)量代碼的能力，并配備全面的安全性評估機(jī)制。

4）Sora。由OpenAI開發(fā)的基于文本描述生成視頻的語言模型。Sora利用GPT的文本生成能力，將用戶簡短提示轉(zhuǎn)化成更詳細(xì)的標(biāo)題，指導(dǎo)視頻生成過程，實(shí)現(xiàn)對用戶指示的精確跟隨，產(chǎn)出高質(zhì)量視頻內(nèi)容。

5）文心，核心技術(shù)為創(chuàng)新的知識增強(qiáng)技術(shù)（ERNIE）。百度自主研發(fā)的產(chǎn)業(yè)級知識增。文心經(jīng)歷了從單模態(tài)到跨模態(tài)、從通用基礎(chǔ)大模型到跨領(lǐng)域、跨行業(yè)的持續(xù)創(chuàng)新突破。

6）GLM大模型。由清華大學(xué)KEG實(shí)驗(yàn)室推出的預(yù)訓(xùn)練模型，融合了BERT和GPT的優(yōu)勢，采用基于自回歸的空白填充策略改進(jìn)GPT模型，兼具多種預(yù)訓(xùn)練方式的優(yōu)點(diǎn)。

2AIGC與傳媒行業(yè)

2.1AIGC在傳媒行業(yè)中的應(yīng)用

AIGC的應(yīng)用涉及傳媒行業(yè)的各個方面，可以輔助進(jìn)行主題策劃、內(nèi)容采寫等；可以與數(shù)字虛擬人技術(shù)、智能語音合成技術(shù)組合，形成人機(jī)自然交互的應(yīng)用；可以與AIGC的繪圖、視頻、編劇等技術(shù)結(jié)合，形成內(nèi)容創(chuàng)作的新方法；也可以根據(jù)用戶交互記錄，完成內(nèi)容推薦；還可以根據(jù)相關(guān)的法律法規(guī)對內(nèi)容進(jìn)行安全性審核。AIGC在傳媒行業(yè)的不同子領(lǐng)域中均得到了廣泛應(yīng)用。

2.1.1AIGC在新聞媒體中的應(yīng)用

在新聞媒體中，AIGC通過由用戶給定特殊的提示詞來形成特定的新聞視角，根據(jù)預(yù)設(shè)的新聞模板和實(shí)時的網(wǎng)絡(luò)數(shù)據(jù)自動生成新聞稿件。AIGC的圖像生成能力及多模態(tài)下的文本轉(zhuǎn)圖像技術(shù)可以自動地為新聞稿件配上相關(guān)插圖，從而豐富整個新聞內(nèi)容。此外，AIGC能夠基于數(shù)據(jù)分析自動生成社交媒體內(nèi)容，包括發(fā)帖和互動回復(fù)，從而實(shí)時響應(yīng)用戶需求，提高用戶參與度。AIGC還可以為視頻內(nèi)容實(shí)時生成字幕，并提供多語言翻譯，使得跨語言傳播更便捷。

上海廣播電視臺的智媒魔方Scube是較早的AIGC應(yīng)用，集成了多模態(tài)素材識別，支持自動生成稿件、視頻自動剪輯等AI能力。在2024年全國兩會報道中，該系統(tǒng)所提供的現(xiàn)場實(shí)況內(nèi)容整理、新媒體端內(nèi)容制作播出、新聞稿件生成、現(xiàn)場實(shí)況內(nèi)容翻譯、指定視頻片段提取、視頻字幕生成等全套新聞制播服務(wù)能力，節(jié)約了新聞報道的前后期團(tuán)隊搜集處理素材所需的時間和制作成本。中國移動北京公司與人民日報合作建設(shè)的“AIGC編輯部”于2024年兩會前夕上線，也為快速的兩會報道提供支持。

AIGC技術(shù)在新聞內(nèi)容審核方面同樣發(fā)揮著重要作用。例如，通過語音識別和語義理解技術(shù)，AIGC技術(shù)可以檢測和識別多模態(tài)內(nèi)容中的敏感信息和暴力內(nèi)容，從而對違規(guī)的文本、圖片以及視頻進(jìn)行標(biāo)記和刪除。人民日報社的AIGC-X是我國首個AIGC內(nèi)容檢測工具，具備檢測AI技術(shù)生成的假新聞、內(nèi)容抄襲以及垃圾郵件的能力。騰訊云的AI審核系統(tǒng)被廣泛應(yīng)用于騰訊旗下的新聞媒體及其他內(nèi)容平臺。

2.1.2AIGC在影視制作中的應(yīng)用

從影視工業(yè)化的視角來看，AIGC確實(shí)能夠憑借強(qiáng)大的內(nèi)容生產(chǎn)效率為影視工業(yè)帶來“質(zhì)變級”的降本增效。在劇本創(chuàng)作和故事生成階段，AIGC主要運(yùn)用其文本生成功能，生成具有一定參考價值的劇本段落甚至完整劇本，特別是在情節(jié)演進(jìn)和角色對話生成方面為創(chuàng)作者提供一定便利。據(jù)報道，漫威在制作《洛基》第二季時，利用AIGC工具輔助編劇團(tuán)隊進(jìn)行創(chuàng)意啟發(fā)。在內(nèi)容創(chuàng)作階段，AIGC可以完成從劇本到分鏡的自動拆解與生成，從而縮短劇集的籌備周期。《三星堆：未來啟示錄》是由博納影業(yè)聯(lián)合抖音出品的短劇，該短劇是通過借助即夢AI平臺，利用其文生圖、文生視頻、圖生視頻等功能創(chuàng)作完成的。在角色生成階段，AIGC可以根據(jù)數(shù)據(jù)和大量訓(xùn)練，依據(jù)給定的文本描述、圖片和視頻等智能地生成包括角色動作、場景布置和特效效果等的畫面。在《指環(huán)王》系列重制過程中，特效團(tuán)隊利用AIGC來輔助生成一些宏大場景的特效草圖。比如對于剛鐸城的戰(zhàn)爭場景，AIGC根據(jù)已有的建筑模型、地形數(shù)據(jù)和戰(zhàn)爭元素（如士兵、攻城器械等），生成了特效場景的初步框架。

AIGC還可以幫助簡化電影和視頻游戲的音軌制作過程。它會利用AI生成算法，在用戶的提示下，幫助用戶創(chuàng)作各種音樂流派的音樂。在電影《星際穿越》的配樂制作過程中，AIGC幫助作曲家確定音樂風(fēng)格。制作團(tuán)隊將電影的主題、場景特點(diǎn)等信息輸入AIGC，AIGC會生成一些音樂風(fēng)格建議，如在穿越蟲洞時應(yīng)該使用宏大、帶有科幻感的管弦樂風(fēng)格，在主角回憶家人時可以采用抒情、帶有弦樂和鋼琴交織的風(fēng)格。這些建議為作曲家漢斯·季默提供了靈感，幫助他更好地把握音樂與電影情節(jié)的契合度，創(chuàng)作出令人震撼的配樂。

2.1.3AIGC在廣播電視中的應(yīng)用

近兩年，虛擬主播成為廣電領(lǐng)域的熱門話題。AIGC技術(shù)通過對大量人類主播的視頻和音頻數(shù)據(jù)進(jìn)行標(biāo)注、分析與學(xué)習(xí)，生成具有相同音色語音及流暢動作的虛擬主播，展現(xiàn)可替代真人主播的信息傳達(dá)效果。虛擬主播可以隨時隨地出現(xiàn)在直播、電視節(jié)目等各種媒體中，不受時間和空間限制，為人們提供有趣、實(shí)用、便捷的新型媒體形象。較為成熟的虛擬主播包括中央廣播電視總臺的“小小撒”和“AI王冠”，北京廣播電視臺的“時間小妮”、東方衛(wèi)視的“申雅”、浙江衛(wèi)視的“谷小雨”等。虛擬人主播能夠?qū)崟r進(jìn)行新聞播報和信息傳遞，24小時不間斷工作，在重大新聞事件和緊急報道中發(fā)揮重要作用。

奈飛（Netflix）等流媒體平臺廣泛收集用戶的觀看歷史、評分、瀏覽行為等數(shù)據(jù)，并應(yīng)用AIGC技術(shù)進(jìn)行個性化推薦。喜馬拉雅等音頻廣播平臺同樣通過分析用戶收聽的廣播節(jié)目類型（如歷史故事、有聲小說等）、收聽時長、收聽時間段等數(shù)據(jù)，利用AIGC技術(shù)進(jìn)行廣播節(jié)目推薦。

2.2AIGC對傳媒行業(yè)的影響

2.2.1AIGC顛覆產(chǎn)品創(chuàng)新基本模式

就內(nèi)容生產(chǎn)方式而言，AIGC是繼PGC（專業(yè)生產(chǎn)內(nèi)容）、UGC（用戶生產(chǎn)內(nèi)容）和PUGC（專業(yè)用戶生產(chǎn)內(nèi)容）之后的一種全新方式。AIGC在提示詞指導(dǎo)下，融合上下文語義理解，能生成更加符合人類需求甚至更具創(chuàng)意的內(nèi)容。人工智能正在將軟件從信息檢索、集成與呈現(xiàn)的工具，轉(zhuǎn)變?yōu)閮?nèi)容的合作創(chuàng)造者甚至獨(dú)立創(chuàng)造者，形成信息整合、知識生產(chǎn)和內(nèi)容創(chuàng)作的新模式。AIGC使非專業(yè)創(chuàng)作者或缺乏特定技能的人員也能進(jìn)行內(nèi)容創(chuàng)作。如B站部分UP主利用AIGC生成視頻腳本、創(chuàng)意點(diǎn)子，甚至輔助制作特效，使更多人有機(jī)會參與內(nèi)容創(chuàng)作。

相關(guān)內(nèi)容并進(jìn)行作答AIGC可以基于相關(guān)主題，加速將不同時空的信息堆疊，即時連接、搜索、整合，通過構(gòu)筑新的上下文關(guān)系呈現(xiàn)在新的時空中，打破傳統(tǒng)新聞生產(chǎn)的線性模式，改變新聞的中心化生產(chǎn)方式。AIGC還可幫助內(nèi)容生產(chǎn)者快速收集和整理信息，例如通過分析和篩選大量新聞源，提供有價值的線索和選題，大幅提升媒體生產(chǎn)效率。

2.2.2AIGC升級信息獲取主要方式

以關(guān)鍵詞為基礎(chǔ)的搜索引擎長期以來是用戶獲取信息的主要手段。以ChatGPT為代表的生成式大模型徹底顛覆了這一信息獲取方式。生成式大模型將大量知識存儲于參數(shù)化模型中，能夠直接根據(jù)用戶的問題或提示詞生成答案，更便捷地滿足用戶信息需求，但因返回信息為模型生成，可能存在虛假、陳舊或錯誤信息。

基于AIGC技術(shù)的即時互動功能，用戶可與AI進(jìn)行對話，實(shí)時獲取所需信息。這種互動式信息獲取方式不僅提升了信息獲取速度，還增強(qiáng)了用戶與信息的互動性。精準(zhǔn)推送相關(guān)內(nèi)容AIGC技術(shù)還可以通過深度挖掘用戶行為數(shù)據(jù)。媒體平臺通過AI算法將用戶的，瀏覽歷史、閱讀習(xí)慣、點(diǎn)贊評論等行為數(shù)據(jù)與興趣偏好相關(guān)聯(lián)，從而推薦最符合用戶需求的內(nèi)容。

2.2.3AIGC重構(gòu)傳媒業(yè)底層運(yùn)行邏輯

傳媒內(nèi)容生產(chǎn)中“人”的主體性被弱化，人與技術(shù)形成共生關(guān)系，對人的能動性提出更高要求。人需主動在人機(jī)連接和交互過程中強(qiáng)化對技術(shù)的控制。AIGC的發(fā)展促使媒體內(nèi)容價值需要重新評估。其能夠快速挖掘、分析和整合海量數(shù)據(jù)和信息，提取有價值的內(nèi)容與知識，為傳媒行業(yè)提供更豐富的素材和更深入的見解。例如，財經(jīng)媒體可利用AIGC分析大量財經(jīng)數(shù)據(jù)和市場信息，生成專業(yè)的財經(jīng)報道與投資建議。AIGC通過學(xué)習(xí)和模仿大量優(yōu)秀作品，生成高質(zhì)量內(nèi)容，同時融入創(chuàng)新元素，推動內(nèi)容創(chuàng)新和發(fā)展。

媒體內(nèi)容生成在與人交互過程中，依據(jù)人需求和反饋即時完成并實(shí)時播報，不受其他主體限制，直接面向個體用戶進(jìn)行信息傳播。該過程取消中介環(huán)節(jié)，大大縮短傳統(tǒng)媒體傳播層級，將信息傳播從中心輻射式、圈層式轉(zhuǎn)變?yōu)槎喙?jié)點(diǎn)網(wǎng)絡(luò)式傳播，實(shí)現(xiàn)去中心化傳播。

傳播AIGC，因此媒體的真實(shí)性和可靠性尤為重要使人人可參與媒體生產(chǎn)，并通過社交網(wǎng)絡(luò)。媒體從業(yè)人員將從傳統(tǒng)內(nèi)容生產(chǎn)者逐步轉(zhuǎn)變?yōu)椤皟?nèi)容審核者”，以保證媒體內(nèi)容的準(zhǔn)確性和質(zhì)量。

2.2.4AIGC改變了傳媒從業(yè)人員需求

AIGC技術(shù)應(yīng)用推動傳媒行業(yè)對技術(shù)人才需求大幅增加，為從業(yè)人員職業(yè)發(fā)展提供更多可能性和選擇。在AIGC時代，傳媒行業(yè)需要既懂傳媒業(yè)務(wù)又懂技術(shù)的復(fù)合型人才。傳媒從業(yè)人員需了解AIGC算法和模型，結(jié)合傳統(tǒng)傳媒業(yè)務(wù)支持，借助AIGC拓展創(chuàng)作領(lǐng)域，從而完成整個傳媒業(yè)務(wù)。

另一方面，隨著AIGC技術(shù)普及與應(yīng)用，傳媒行業(yè)競爭愈發(fā)激烈。因AIGC使用成本持續(xù)降低，傳媒行業(yè)底層重復(fù)性工作將逐步由AIGC替代，人員必須不斷學(xué)習(xí)并掌握新技術(shù)和知識，以適應(yīng)行業(yè)快速變化。能快速適應(yīng)AIGC技術(shù)變革、不斷創(chuàng)新突破的人員將脫穎而出，獲得更多職業(yè)發(fā)展機(jī)會和更高薪酬待遇。

3AIGC帶來的挑戰(zhàn)

AIGC本身是一把“雙刃劍”。在生成大量高質(zhì)量內(nèi)容的同時，也帶來了大量虛假信息。大量研究正試圖通過LLM的自我糾錯機(jī)制來解決大模型的“幻覺”。但迄今為止，大模型仍無法保證其生成內(nèi)容的正確性與真實(shí)性。另外，AIGC技術(shù)的普及可能導(dǎo)致內(nèi)容生產(chǎn)門檻降低，市場上內(nèi)容數(shù)量激增，但質(zhì)量參差不齊，容易出現(xiàn)內(nèi)容同質(zhì)化現(xiàn)象。這將加劇市場競爭，影響內(nèi)容的傳播效果和商業(yè)價值。而技術(shù)自身的局限與使用者的私利訴求產(chǎn)生“合謀”，可能污染輿論生態(tài)，對個體認(rèn)知和社會輿論造成負(fù)面影響。

LLM背后是越來越多的數(shù)據(jù)為模型預(yù)訓(xùn)練提供支持。人工智能模型對數(shù)據(jù)的日益依賴，導(dǎo)致人們擔(dān)憂：未來幾代計算機(jī)科學(xué)家將耗盡數(shù)據(jù)，無法進(jìn)一步擴(kuò)大和改進(jìn)系統(tǒng)。同時，AIGC模型訓(xùn)練數(shù)據(jù)中存在的偏見可能導(dǎo)致模型生成帶有偏見和歧視的內(nèi)容。

此外，類似ChatGPT之類的聊天機(jī)器人在與人交互過程中收集大量隱私數(shù)據(jù)，AIGC在利用這些數(shù)據(jù)為用戶提供精準(zhǔn)推送的同時，也可能用這些數(shù)據(jù)“綁架”用戶需求。如何保證數(shù)據(jù)安全，防止數(shù)據(jù)濫用，是AIGC面臨的另一個重要問題。現(xiàn)有法律法規(guī)可能無法完全適應(yīng)AIGC技術(shù)發(fā)展，導(dǎo)致在內(nèi)容生成、版權(quán)保護(hù)、數(shù)據(jù)隱私等方面存在法律空白或模糊地帶。這需要政府和相關(guān)部門加快立法進(jìn)程，完善相關(guān)法律法規(guī)。

最后，模型開發(fā)人員很少公布其人工智能系統(tǒng)的能源開銷，導(dǎo)致研究人員對此過于樂觀估計。實(shí)際上，大模型的訓(xùn)練和使用都需要消耗大量能源，而且不論從哪個角度看，AIGC中大模型訓(xùn)練造成的能源開銷邊際效應(yīng)已越來越小。

4結(jié)束語

面對洶涌而來的AIGC技術(shù)，我們需要理解并掌握技術(shù)本身，學(xué)會更好地駕馭和利用AIGC服務(wù)傳媒行業(yè)，同時盡量避免AIGC帶來的各種不利影響。LLM與Agent、RAG等相關(guān)技術(shù)的集成，將有助于解決復(fù)雜問題和領(lǐng)域特有的實(shí)時更新內(nèi)容，成為未來該領(lǐng)域的重點(diǎn)發(fā)展方向之一。

生成式人工智能正在不斷影響并改變我們的生活，傳媒行業(yè)所關(guān)注的媒體生產(chǎn)、傳播、審核以及評估等諸多環(huán)節(jié)受到的影響尤為顯著，AIGC正從根本上改變傳媒行業(yè)的底層邏輯。AIGC媒體應(yīng)用標(biāo)準(zhǔn)聯(lián)盟等組織將推動AIGC應(yīng)用標(biāo)準(zhǔn)的制定與推廣，確保AIGC技術(shù)在傳媒行業(yè)的廣泛應(yīng)用和規(guī)范化發(fā)展。

隨著AIGC技術(shù)的應(yīng)用，數(shù)據(jù)安全問題將更加突出。行業(yè)將加強(qiáng)對數(shù)據(jù)安全的保護(hù)，防止數(shù)據(jù)泄露和濫用，維護(hù)社會穩(wěn)定和公共安全。數(shù)據(jù)將成為傳媒新質(zhì)生產(chǎn)力的核心要素，政策將推動數(shù)據(jù)資產(chǎn)化與產(chǎn)品化進(jìn)程，拓展數(shù)字文化消費(fèi)與應(yīng)用場景，為傳媒產(chǎn)業(yè)升級注入新動能。

參考文獻(xiàn)：

[1]WUJY，GANWS，CHENZF，etal.AI-generatedcontent（AIGC）：asurvey[EB/OL].[2024-05-30].https：//arxiv.org/abs/2304.06632v1.

[2]TUZZ，WANGYL，BIRKBECKN，etal.UGC-VQA：bench?markingblindvideoqualityassessmentforusergeneratedcon?tent[J].IEEETransactionsonImageProcessing，2021（30）：4449-4464.

[3]SUNW，MINXK，LUW，etal.AdeeplearningbasedNo referencequalityassessmentmodelforUGCvideos[C]//Pro?ceedingsofthe30thACMInternationalConferenceonMulti?media.Lisboa，Portugal：ACM，2022：856-865.

[4]HEYQ，LIUZY，CHENJY，etal.LLMsmeetmultimodalgenerationandediting：asurvey[EB/OL].[2024-05-30].https：//arxiv.org/abs/2405.19334v2.

[5]ZHANGCS，ZHANGCN，ZHANGMC，etal.Text-to-imagediffusionmodelsingenerativeAI：asurvey[EB/OL].[2024-05-30].https：//arxiv.org/abs/2303.07909v3.

[6]CROITORUFA，HONDRUV，IONESCURT，etal.Diffusionmodelsinvision：asurvey[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2023，45（9）：10850-10869.

[7]SHIZF，PENGSD，XUYH，etal.Deepgenerativemodelson3Drepresentations：asurvey[EB/OL].[2024-05-30].https：//arxiv.org/abs/2210.15663v3.

[8]ZHANGCS，ZHANGCN，ZHENGS，etal.Asurveyonaudiodiffusionmodels：texttospeechsynthesisandenhancementingenerativeAI[EB/OL].[2024-05-30].https：//arxiv.org/abs/2303.13336v2.

[9]MASLEJN，F(xiàn)ATTORINIL，PERRAULTR，etal.TheAIIndex2024AnnualReport[R].Stanford，CA：AIIndexSteeringCom?mittee，InstituteforHuman-CenteredAI，StanfordUniversity，2024.

[10]張銳，劉靖晗.以ChatGPT看生成式人工智能對傳媒業(yè)的影響[J].聲屏世界，2023（10）：5-8.

[11]陳力丹，榮雪燕.從ChatGPT到Sora：生成式AI浪潮下強(qiáng)化新聞專業(yè)意識的再思考[J].新聞愛好者，2024（4）：4-8.

[12]陳昌鳳.生成式人工智能與新聞傳播：實(shí)務(wù)賦能、理念挑戰(zhàn)與角色重塑[J].新聞界，2023（6）：4-12.

[13]VASWANIA，SHAZEERN，PARMARN，etal.Attentionisallyouneed[J].AdvancesinNeuralInformationProcessingSystems，2017（30）：5998-6008.

[14]HOJ，JAINA，ABBEELP.Denoisingdiffusionprobabilisticmodels[J].AdvancesinNeuralInformationProcessingSys?tems，2020（33）：6840-6851.

[15]GOODFELLOWIJ，POUGET-ABADIEJ，MIRZAM，etal.Generativeadversarialnetworks[EB/OL].[2024-05-30].https：//arxiv.org/abs/1406.2661v1.

[16]SHAZEERN，MIRHOSEINIA，MAZIARZK，etal.Outra?geouslylargeneuralnetworks：thesparsely-gatedmixture-of expertslayer[EB/OL].[2024-05-30].https：//arxiv.org/abs/1701.06538v1.

【通聯(lián)編輯：唐一東】