1、英文名 / 缩写：
AI Generated Content（缩写 AIGC），别名：人工智能生成内容、生成式 AI、Generative AI
2、标准定义：
AIGC（AI Generated Content，人工智能生成内容）是指利用人工智能技术自动生成文本、图像、音频、视频、3D 内容等的新型内容生产方式，核心驱动力是深度学习中的生成式模型（Diffusion、Transformer、GAN 生成对抗网络）与大语言模型。AIGC 既是 AI 从「判别」走向「创造」的范式跃迁，也是当前内容产业、广告营销、设计、影视、教育等行业的生产力革命。代表产品包括 ChatGPT、Midjourney、Stable Diffusion、Sora、Runway、Suno 等。
3、核心信息卡：
· 中文名：人工智能生成内容
· 英文名：AI Generated Content
· 缩写：AIGC
· 别名：人工智能生成内容、生成式 AI、Generative AI
· 提出者：概念普及：业界广泛使用（2022 ChatGPT 后爆发）；技术奠基：Google（Diffusion、Transformer）、OpenAI（GPT/DALL·E/Sora）、Stability AI（SD）、Midjourney、Anthropic、Suno、Meta
· 提出时间：2014 年（GAN 生成对抗网络）；2022 年（ChatGPT、Stable Diffusion 引爆 AIGC 浪潮）；2024 年（Sora 推动视频生成）
· 所属类别：AI 技术 > 应用形态 > 生成式内容
· 核心技术：大语言模型、Diffusion 扩散模型、GAN 生成对抗网络、Transformer、多模态生成、ControlNet/IP-Adapter 等可控生成
· 主要应用：AI 写作、AI 绘画、AI 视频、AI 配音、广告创意、游戏资产生成、数字人、虚拟主播
4、工作原理：
1. 模态与任务定义：选定目标模态（文/图/音/视频/3D）与生成任务（生成、编辑、风格迁移）→ 2. 模型选择：依据任务选用 GAN、VAE、自回归 Transformer 或 Diffusion 扩散模型 → 3. 数据与预训练：在亿级文本/图像/音视频对上预训练基础模型 → 4. 条件控制：通过文本 Prompt、ControlNet、LoRA微调、参考图等条件控制生成内容的方向与风格 → 5. 推理生成：从噪声（Diffusion）或前序 token（AR）逐步生成符合条件的内容 → 6. 后处理与合规：对生成内容做水印、版权检测、内容审核（结合 AI安全 与 提示词注入 防护）
5、发展历程：
· 2014 年：Ian Goodfellow 提出 GAN 生成对抗网络，开启生成式深度学习时代
· 2017 年：Transformer 架构发布，为后续大模型生成奠定基础
· 2020-2021 年：GPT-3、DALL·E、CLIP 展示大规模生成能力
· 2022 年 8 月：Stable Diffusion 开源引爆 AI 绘画；2022 年 11 月 ChatGPT 引爆文本生成；AIGC 成为产业热词
· 2023 年：Midjourney V6、SDXL、GPT-4、Claude、Gemini、Suno、Sora 推动多模态 AIGC 工业化
· 2024-2025 年：Sora、Veo、Kling 等视频生成模型走向商用；可控生成（ControlNet、LoRA微调、IP-Adapter）成为创作标配；AIGC 与 数字孪生 Digital Twin、数字人 融合
6、主要类型 / 分类：
· 按模态：文本生成（LLM）、图像生成（Diffusion、GAN）、音频生成（Suno、ElevenLabs）、视频生成（Sora、Veo）、3D 与数字人生成
· 按控制方式：文本条件生成、图像条件生成（Img2Img、ControlNet）、参考风格（LoRA、IP-Adapter）、交互式生成（ChatGPT Canvas、Midjourney）
· 按部署形态：开源模型（Stable Diffusion、LLama）、闭源 API（GPT-4o、Sora）、本地部署（ComfyUI、SD WebUI）、企业平台（DALL·E API、Adobe Firefly）
· 按应用形态：内容创作型（写作、绘画）、生产力型（代码、设计稿）、交互型（数字人、虚拟主播）
· 按能力层级：基础生成、可控生成、多模态生成、长视频/长文本生成
7、应用场景：
· 广告与营销：批量生成广告文案、海报、短视频，显著降低创意成本
· 设计与游戏：游戏角色、场景、UI 概念图生成（Stable Diffusion、Midjourney）
· 影视与动画：剧本、分镜、动画预演、视频生成（Sora、Runway、Pika）
· 数字人与虚拟主播：数字人 形象 + 语音合成 TTS + 视频生成 打造虚拟员工与虚拟主播
· 教育与培训：课件生成、配音、虚拟教师、个性化学习内容
8、优缺点 / 局限性：
优点：生产力飞跃：把原本需要数小时的设计/写作压缩到分钟级；个性化能力强：通过 Prompt 与 LoRA 定制风格，批量生成千人千面内容；创作民主化：让无专业背景的用户也能产出高质量内容；与多模态融合：与数字人、虚拟主播、AR/VR 深度结合开拓新场景
缺点：版权与合规风险：训练数据与生成内容涉及版权、肖像权等法律风险；质量不稳定：复杂场景（多角色、文本渲染）仍易出错，需人工校对；同质化与幻觉：模型可能生成风格相似或事实错误的输出；深度伪造（Deepfake）：恶意使用 AIGC 生成虚假音视频，威胁社会稳定
9、常见误区：
· AIGC = ChatGPT（错：ChatGPT 只是文本类 AIGC，AIGC 还包括图像、视频、音频、3D 等多模态生成）
· AIGC 会取代人类创作（错：AIGC 是创作工具，真正高价值的创作仍依赖人类审美与判断）
· AIGC 内容可以商用（错：需关注版权、肖像权与各国监管，商用需合规审查）
· AIGC 不需要 AI安全（错：AIGC 内容涉及深度伪造与虚假信息，必须配合 AI安全 与内容水印）
10、相关术语：
父概念：生成式AI、深度学习 Deep Learning
子概念：扩散模型、GAN 生成对抗网络、数字人、语音合成 TTS、LoRA微调
兄弟概念：判别式AI、大语言模型 Large Language Model、数字人
对比概念：判别式AI、PGC/UGC（专业生产内容/用户生产内容）
应用相关：数字孪生 Digital Twin、数字员工、AI Ops · AIOps智能运维、多模态人工智能
11、参考资料：
· 来源：Goodfellow et al. GAN 论文 NeurIPS 2014
· 来源：Rombach et al. Stable Diffusion 论文 CVPR 2022
· 来源：OpenAI Sora 技术报告（2024）
· 来源：中国信通院《AIGC 白皮书》（2023）
· 来源：Wikipedia: Generative AI
