2019年，在世界人工智能大会上，马云与马斯克曾针对“机器与人到底谁更聪明”这一问题展开一场精彩的辩论。作为新技术的狂热爱好者，马斯克理所当然地认为人工智能比最聪明的人还要聪明，而马云则认为“人类足够聪明，AI不是一种威胁”。
“双马”之间的battle，某种程度上可以代表当下人们对AIGC的两派观点：一类将AIGC视为生产力工具，是web3.0时代的基础设施；另一类，则对新技术抱着观望与怀疑，认为其与大多数元宇宙技术一样，不过又是一场极客们的狂欢。
尽管，目前人们对AIGC技术究竟是什么，依旧没有形成广泛的共识，但仅用其英文翻译（AI-Generated Content），即“利用人工智能技术来生产内容”，并不能准确理解AIGC。
学界以及业界的诸多观点，AIGC其实并不是一门单一的技术，也不是一类具像化的产品，其本质是利用AI赋能技术而形成的一种高自由度且低门槛的内容生产能力，而这种能力将服务于各类场景中的创作者与生产者。
事实上，AIGC并不是新鲜事物，人们所熟悉的DeepMind、会作诗的微软小冰以及近期横空出世的ChatGPT，都可被视为AIGC发展过程中的重要节点。
那么，一个关键问题产生了，既然不是新鲜事物，那为什么AIGC会在2022年突然受到人们的关注？核心原因其实在技术、需求与产业链的共同驱动。
首先，深度学习技术的快速突破，可商用的成熟技术起着“临门一脚”的关键作用。
在深度学习模型的迭代上，AIGC最早出现的深度学习模型为“对抗生成网络”GAN，尽管曾被称为“21世纪最强大的算法模型之一”，但也存在着生成图像分辨率较低、新图像创意不足等问题。而诞生于2021年的CLIP模型由于能够同时进行自然语言理解和计算机视觉分析，实现图像和文本匹配，也为后续AIGC应用的落地打下了基础。
到了2022年，Stable Diffusion扩散化模型的出现与正式开源，直接推动了AIGC技术的突破性发展。简单来说，Diffusion模型其实实现了两方面的突破，一是更成熟的深度学习模型能让AI可以快速、灵活地生成不同模态的数据内容。二是，这一训练好的模型大大降低了AIGC创业的门槛，更多的生产者与创作者可以借助这一可商用的开源工具，立足不同的应用场景做更多的事。
其次，是需求端对AIGC的追捧，AIGC恰好能弥补供给与需求端的这条“效率鸿沟”。
我们可以将创作者生态的发展分成三个阶段：专业生成内容时代（PGC）、用户生成内容时代（UGC）以及即将到来的AI生成内容时代（AIGC）。
在PGC时代，尽管专业化的内容能够为用户带来极佳的体验，但由于生产成本较高，产能往往跟不上需求。
而另一边，由此诞生的UGC模式能够大大降低生产成本，也能解决PGC的产能瓶颈，但海量内容参差不齐，尽管生产成本降低了，但用户对于优质内容的搜寻成本却在持续提升。
换句话说，一边是生产成本，另一边是搜寻成本，供给与需求的生产效率都有极大的提升空。而借助AI，一方面能够通过持续深度学习提升内容的专业性，另一方面也能辅助专业创作者，提升创作效率，供给与需求端的这条“效率鸿沟”也因此被缝合。
以ChatGPT为例，除了能更好地“效率鸿沟”外，我们能够确定的是，AIGC已具备很好的内容总结能力，去帮助人们一些具体问题。当然，除了技术与需求端的变化，推动AIGC发展的关键因素还有产业链的初步成熟。
据量子位AIGC图谱显示，从上游的数据供给、开源算法，中游的行业玩家以及下游的包括文字、图像、视频、音频、游戏等应用场景，关于AIGC的一条初步产业链已经悄然形成，产业生态的完善也为后期的发展奠定了基础，而在不同的应用场景下，已出现了一批代表性的玩家。
比如在文本生成场景，包括了澜舟科技、聆心智能等垂直公司，同时百度、腾讯等大厂也是该领域的重要玩家。
可以确定的是，技术、需求与产业链三大要素是AIGC快速发展的重要前置条件，但在国内一派火热的AIGC能否实现大规模的商业化落地，从目前来看，仍是一个颇为理想化的遥远故事。
