数字发展全球研报｜生成式 AIGC 与其他 AIGC 比较

数字发展全球研报第二卷第 50 期（2024/12/16-2024/12/22）

本期综述生成式 AIGC 与其他 AIGC 机理与法律性质比较相关问题，供参考。

生成式人工智能（Generative AI）与其他人工智能（AI），在生成内容方面具有不同技术机理和应用场景，其生成内容虽然存在共性，但在目标、学习方式与能力、工作方式与输出结果、对标注数据和通用性的需求以及应用领域等方面都存在显著差异。

一、生成式 AI 与其他 AI 共性

生成式 AIGC 与其他 AIGC 在多个方面存在共性。

（一）机器学习

无论是生成式人工智能还是其他类型的人工智能生成内容，都依赖于机器学习技术。机器学习使这些系统能够从大量数据中提取特征、理解模式，并基于这些模式进行预测或生成新的内容。两者都依赖于各种算法和模型来执行任务。这些算法和模型经过训练和优化，以在处理特定任务时表现出最佳性能。

（二）数据驱动

生成式 AIGC 和其他 AIGC 都是数据驱动的。它们需要大量的数据来训练模型，并从数据中学习如何生成新的内容或执行任务。

在数据输入到模型之前，通常需要进行数据预处理，如数据清洗、特征提取和归一化等。这些步骤对于提高模型的性能和准确性至关重要。为了提高模型的泛化能力，有时需要对原始数据进行增强，如通过旋转、缩放、裁剪等方式生成更多的训练样本。生成式人工智能在这方面具有独特的优势，因为它可以自主生成新的数据。

（三）应用广泛

生成式 AIGC 和其他 AIGC 都广泛应用于各个领域。例如，生成式 AIGC 可以用于内容创作、游戏设计、个性化推荐等；而传统 AIGC 则可能用于自动化、优化、决策支持等领域。

随着技术的发展，各种 AIGC 内容正在越来越多地与各行各业相融合。它们正在改变传统的业务模式和工作流程，提高生产效率和服务质量。

（四）不断创新

生成式 AIGC 和其他 AIGC 都在不断发展和创新中。新的算法、模型和技术不断涌现，推动了这些领域的不断进步。未来，不同机理的 AIGC 可能会更加紧密地融合和协同工作。它们将共同推动人工智能技术的进一步发展，并在更多领域发挥重要作用。

二、生成式 AIGC 与其他 AIGC 区别

生成式 AIGC 与其他 AIGC 区别主要体现在目标、学习方式与能力、工作方式与输出结果、对标注数据和通用性的需求以及应用领域等多个方面。

（一）目标不同

生成式 AI 的主要目标是生成新的、具有创造性的内容，如图像、音乐、文本等。它不仅仅是对现有数据的分析和处理，更是通过学习大量数据来生成全新的、具有创意的输出。

非生成式 AI 生成内容的方法，如传统的 AI 系统通常侧重于对现有数据的分析和处理，如数据分类、目标检测等，生成的内容可能更多是基于已有数据的复制或变形，而非全新的创作。

（二）学习方式与能力不同

生成式 AI 具备更强的自主学习和适应能力。它采用机器学习方法，特别是深度学习，通过大量数据进行训练，从而学习到数据的潜在分布或模式，并能够生成新的数据。即使面对从未见过的数据类型，生成式 AI 也能通过分析类似数据进行学习处理。

其他 AI 生成内容的方法，如传统的 AI 系统则通常依赖于专家知识或编程指令来执行特定任务。它们的性能受限于训练数据的范围和质量，且对新类型的数据处理能力相对较弱。

（三）工作方式与输出结果不同

生成式 AI 利用诸如生成对抗网络（GANs）或变分自编码器（VAEs）等技术来生成全新内容。其输出结果是前所未见且富有创意性元素，如画作、文本等，这些都源于它们在学习过程中所掌握到的模式和规律。

其他 AI 生成内容的方法，如传统的 AI 系统则常采用监督学习等方法进行训练和预测，其输出结果往往是分类结果或决策建议，缺乏创造性和多样性。

（四）对标注数据和通用性的需求差异

生成式 AI 也以数据标注为基础，但相对而言降低了对标注数据的依赖程度。随着基础算法支撑下发展起来的各种先进算法，机器可以在海量未标记数据集上进行无监督预训练，提高了效率及效果。此外，生成式 AI 还表现出明显的通用化趋势，即用一个模型去处理多种不同类型任务。

其他 AI 生成内容的方法，如传统的 AI 系统则通常需要大量人力参与将数据进行“打上标签”后再喂给机器学习使用。它们的应用场景相对有限，通常仅限于单一应用场景。

（五）应用领域不同

生成式 AI 的应用领域广泛，涵盖了从内容创作、游戏设计到个性化推荐等多个领域。它为人类创造出全新体验和可能性，在艺术、设计、写作等领域展现出巨大的潜力。

其他 AI 生成内容的方法，如传统的 AI 系统则主要应用于解决结构化问题，如自然语言处理、计算机视觉等。它们的应用领域相对有限，且缺乏创造性和多样性。

三、生成式 AIGC 与其他 AIGC 法律性质比较

生成式 AIGC 与其他 AIGC 法律性质上存在显著差异。这些差异体现在创作主体与作品认定、公共产品属性、服务使用与支持的公共性、应用领域与影响以及法律规制与责任等方面。当然，在 AI 生成内容法律性质问题上，不管是总体上还是在很多具体问题上，都尚未形成完全一致意见，此处讨论仅供参考。

（一）生成式 AIGC 法律性质

创作主体与作品认定。生成式人工智能虽然具有强大的生成能力，但根据当前法律，它并不具备法律主体资格，因此不能被视为创作主体。然而，其生成的内容在符合独创性原则的情况下，可以被认定为作品。独创性判断不依赖于创作主体是否为人类，而是基于生成内容本身是否具备智力性。因此，即使是由生成式人工智能生成的内容，只要具备独创性，就有可能被著作权法所保护。

公共产品属性。通用生成式人工智能服务被视为一种公共产品，具有非竞争性和非排他性。这意味着任何人都可以使用这种服务，而不会影响到其他人的使用。这种公共产品属性使得生成式人工智能服务在提供内容处理支持方面具有广泛性和普惠性，能够满足社会共同需求，实现社会公益与公平。

服务使用与支持的公共性。生成式人工智能服务的使用具有公共性，其生成的语言模型所用的数据是社会性的，参与面是全社会的，模型逻辑反映了整个社会层面的共同需求。服务支持也具有公共性，政府通过集中相关社会性资源有效支持生成式人工智能服务的发展，包括算力、存储、训练数据芯片、软件、工具等资源。

（二）其他 AIGC 法律性质

传统AI生成内容的局限性。传统人工智能系统主要侧重于通过训练数据来学习规律并做出预测或分类等决策，其生成的内容往往缺乏创造性和多样性。这些内容通常被视为数据处理的产物，而非具备独创性的作品。因此，在著作权法上的保护相对较弱。

法律主体与责任归属。与生成式人工智能类似，其他人工智能也不具备法律主体资格。然而在责任归属方面，可能因具体应用场景和法律规定而有所不同。例如，在某些情况下人工智能系统的开发者、使用者或维护者可能需要承担因系统错误或不当使用而产生的法律责任。

（三）两者区别

创作主体与独创性判断。生成式 AIGC 的独创性判断更加灵活和包容，不依赖于创作主体是否为人类。而其他 AIGC 则往往因缺乏独创性而被排除在著作权法保护之外。

应用领域与影响。生成式人工智能在内容创作、游戏设计、个性化推荐等领域具有广泛应用，对人类社会的影响更加深远和广泛。而其他人工智能则主要应用于解决结构化问题，如自然语言处理、计算机视觉等。

法律规制与责任。随着生成式人工智能的快速发展，相关法律法规的制定和完善也在不断推进。这些法律旨在明确生成式人工智能生成内容的法律性质、权利归属和责任归属等问题。而其他人工智能的法律规制则相对较为简单和明确。

主编 丨 张烽

出品 丨 数字治理研究 / 万商天勤