*转载文章不代表本站观点。

本文来自微信公众号“新智元”（AI_era）作者：新智元 编辑：Aeneas 好困

整个2022年，AIGC火成了现象级的词汇。

到了今年，更是有人靠着AIGC拿到了百万年薪。

除此之外，小扎在自家平台上官宣，Meta将组建顶级AI团队，All in AIGC。

马斯克那边也传出消息，据说正忙着DeepMind挖一位叫Igor Babuschkin的大佬，成立AI实验室，开发ChatGPT的「替代品」。

大厂纷纷入局，AIGC实火。而它背后，是一个几年后千亿美元的市场。

万物皆可AIGC

去年，红杉资本就在研究报告中指出，到2030年，文本、代码、图像、视频、3D、游戏都可以通过AIGC生成，并且达到专业开发人员和设计师的水平。

到了今年，我们眼睁睁地见证了这一预测逐渐成真。比尔盖茨说，聊天机器人等AI新技术的出现，意义不亚于个人电脑和互联网的诞生。

美国银行认为，到2030年，AI利用数据的能力会使世界经济增长高达15.7万亿美元，而全球的人工智能市场到2026年可能达到9000亿美元。

根据商业咨询机构Acumen Research And Consulting预测，若考虑下一代互联网对内容需求的迅速提升，2030年AIGC市场规模将达到1100亿美元。

那么，AIGC的商业落地何以成为可能？

其实，靠的都是底层技术的突破。最开始，传统的AI绘画采用的是GAN，但结果输出效果不敢恭维。直到2021年，OpenAI团队开源了深度学习模型CLIP，以及7月出现的Diffusion，AI产生图片和文字的效果才有了大的飞跃。

2022年4月，OpenAI发布的DALL-E 2生成的人像和图片已经效果惊人，而到了8月，Stability AI发布的Stable Diffusion模型，更是取得了质的突破，AIGC的作品，已经完全可以媲美专业画师。

而在AI生成视频方面，Meta、谷歌已经纷纷发布了模型。

去年9月，Meta发布了AI生成视频工具Make-A-Video，具有文字转视频、图片转视频、视频生成视频三大功能。

谷歌也紧随其后，发布了Imagen Video和Phenaki。其中Phenaki可以通过文字生成一段情节完整、连贯的视频。

B站up主「秋之雪华」发布的《夏末弥梦》，是全球首个由AI绘制、AI配音的动画，一经发布就震撼了广大网友。

AIGC商业化的潜力如此之大，但究竟有哪些落地场景呢？

从融资角度来看，目前AIGC有3个商业化的方向：

• 第一个方向是通过AI生成文字，比如自动写邮件和文案。
• 第二个方向是利用AI生成绘画，主要技术是结合多模态神经语言模型CLIP和图像扩散模型Diffusion，仅需提供一些关键字描述即可。
• 第三个方向是AIGC的底层技术模型开发，Stable AI是这个方向的顶流之一。

而这些方向，都可以指向丰富的应用场景，其中非常有代表性的领域，就是游戏、电商、广告传媒。

游戏

开发游戏周期长、成本高，通常需要花费几年时间和上千万资金，好在AIGC可以极大提高游戏的开发效率。

具体来说，游戏中的剧本、人物、头像、道具、场景、配音、动作、特效、主程序未来都可以透过AIGC产生。

AIGC的加入，让游戏开发者的所需的时间和成本大幅降低。根据竞核对一位开发者的采访，现在为一张图片生成概念图的时间，已经从3周下降到了1个小时，减少了120比1。

现在，他们只需要画出动画的轮廓，然后由成本较低的AI「画师」大军完成耗时的工作，为动画胶片上色、填充线条即可。

甚至，已经有游戏开发商开始让玩家通过AIGC自己创建头像。玩家只需要自己描述，就能生成头像的图片。

在关卡设计上，AIGC工具可以瞬间生成一个1920年艳舞时代的纽约的世界，或者是神秘的刀锋战士式的未来，或者是托尔金式的幻想世界。

根据AIGC在文字和图像方向的推进速度，以上应用在五到十年之内应该可以实现。

现在，已经有不少游戏大厂开始着手开发AI作画、NLP等大模型了；而中大型游戏厂商则积极接入已有大模型，为游戏生成流程打造专属的小模型。

电商

当前，随着数字技术的发展和应用、消费模式的转变和升级，沉浸式购物体验将逐渐成为电商领域发展的新方向。

AIGC正可用于商品三维模型、虚拟人主播乃至虚拟货场的构建，通过和AR、VR等新技术的结合，实现视听等多感官交互的沉浸式购物体验。

比如，基于商品在不同角度下拍摄的图像，利用视觉算法，就可以生成商品的三维模型和纹理，让客户可以在线上进行虚拟观看、试穿等行为。

根据电商平台数据显示，三维购物的转化率平均值约为70%，较行业平均水平提升了九倍左右。

广告传媒

另外，AIGC作为新型的内容生产方式，可以为媒体的内容生产全面赋能。

比如AI可以基于算法自动编写新闻，帮助媒体更快、更智能化地生产内容；AI还可以通过视频字幕生成、视频锦集、视频拆条、视频超分等智能化剪辑工具，帮助我们实现智能视频剪辑。

而在新闻播报中，已经出现了越来越多的AI合成主播，新华社、中央广播电视总台、人民日报社等媒都推出了「新小微」、「小C」等虚拟新闻主持人。

在传媒领域，AI绘画、AI合成视频、AI文字创作等工具，都将大大提高创意素材的生成效率。

可以看到，AIGC产业生态的加速，会带我们走向「模型即服务」的未来。

目前，AIGC的应用主要在三大层——基础层、中间层、应用层。

• 基础层主要是由预训练模型的技术投入，主要代表为上游基础设施提供方如Open AI、Stability AI等；
• 中间层是垂直化、场景化、个性化的模型和应用工具；
• 应用层即面向C端的用户的文字、图片、音视频等内容生成服务等。

初创公司的三大挑战

可以说，AI绘画、AI聊天等AI服务能力强大的背后，离不开预训练大模型的支持。

然而，大模型就意味着更高计算资源以及高效的平台进行训练和推理。据报道，ChatGPT的训练使用了成百上千张GPU卡，单次训练成本450万美金，整体训练成本高达1200万美金。

甚至，对于那些想要入局的新玩家来说，更是有三个挑战不得不去面对：

• 前期投入大

数据、算力、算法是驱动AIGC发展的三驾马车，要实现AIGC的发展，这三者缺一不可，但每一项的发展，都需要企业投入大量的资金，尤其是前期的硬件投资更是占企业投入资金的大多数。

• 算力要求高

从AI生成图片到AI生成视频要用到大量数据训练模型，对算力要求呈指数级的提升，同时也需要快速高效的方式来处理数据集。

• 缺乏成熟的算法模型

市场上模型过多，缺乏被广泛验证的成熟模型，模型的好坏及算法调优的经验决定了产出内容的质量。

即便是以AI绘画走红全球的新晋独角兽公司Stability AI，也是如此。

2022年8月，由Stability AI推出的开源AI模型Stable Diffusion，可以说是AI图像生成发展过程中的一个里程碑。

借助这一模型，任何人只需要提供一段文字描述，就有机会创作出任意风格的绘画作品。不仅如此，对于开发者来说，Stable Diffusion的运行速度也非常快，并且有资源和内存的要求也很低。

然而，想要训练这类机器学习基础模型，却不那么容易。因为你不仅需要一个具有数千张显卡的高性能计算集群，而且还需要能有效利用该集群的软件。

据报道，Stable Diffusion这样的模型训练起来也非常困难，需要使用超过5400个NVIDIA A100 GPU训练，共花费15万个GPU小时，仅训练模型就花了60万美元。

为了解决这一问题，Stability AI在2022年11月的时候正式宣布，选择亚马逊云科技作为首选云计算供应商。

在Amazon SageMaker（AWS的端到端机器学习服务）及其模型并行库的加持下，Stability AI的模型训练时间和成本减少了58%。

与此同时，通过使用SageMaker托管的基础设施和优化库，Stability AI能够使其模型训练具有更高韧性和性能。这些优化和性能改进适用于具有数百或数千亿参数的模型。

无独有偶，美国明星AI创企Hugging Face，最近也将自己的开源工具集成进了Amazon SageMaker。

如此一来，不仅可以帮助Hugging Face加速构建生成式AI应用的大型语言模型和大型视觉模型的训练、微调和部署，而且也让云计算客户可以针对特定用例进一步优化其模型的性能，同时降低成本。

综上所述，我们不难看出，AIGC大模型的训练和推理，往往是需要强大的「AI软件工具和平台」的支持的。

为何做出如此选择？

在这场热潮中，亚马逊云科技从未缺席。

据了解，亚马逊云科技目前已经联合了相当多的行业客户，共同探索AIGC的落地场景，并尝试打造可商业化和可复制的行业应用案例。

作为全球最大的公有云供应商，亚马逊云科技于2017年在re:Invent全球大会上推出了全球首个用于机器学习的集成开发环境（IDE）Amazon SageMaker。

借助这项完全托管的机器学习服务，开发人员、数据科学家、还是商业分析师都能够快速、轻松地准备数据，并在规模上构建、训练和部署高质量的机器学习模型，然后直接将模型部署到生产就绪托管环境中，大大降低了机器学习的使用门槛。

在IDC评估的8家供应商中，亚马逊云科技凭借其机器学习旗舰产品Amazon SageMaker强大的功能、不断提升的交付能力以及在保持开源方面的领先优势，被IDC列入「领导者」阵营，并居于图中最高最远位置。

具体来说，亚马逊云科技具有以下优势：

• 计算资源丰富

户无需前期硬件投入，即可随时使用。

• 自研芯片性价比高

自研的AI加速芯片WS Trainium和AWS Inferential ML，在提供高性能解决方案的同时，还可为用户节省高达50%的训练成本，以及70%的推理成本。

• 超大规模工作负载时成本最优

用户可以在Amazon SageMaker中使用托管式Amazon EC2 Spot实例轻松训练机器学习模型。与按需实例相比，使用托管的Spot实例可以将成本优化高达90%。

• 拥有广泛验证的算法模型

Amazon SageMaker JumpStart提供了350多种内置算法、预训练模型和预构建的解决方案模板。不仅有着Stable Diffusion和Bloom这两种最先进的模型，同时还提供如TensorFlow、PyTorch、Hugging Face和MXNet等SOTA的开源模型，并且可以实现一键部署。