“世界模拟器”的文化偏见与AIGC时代的文化竞争

OpenAI开拓的文（图）生视频模型Sora演示素材发布后，再次在环球范围引发了对天生式人工智能的迭代进化及内容天生能力的关注。

它可以根据大略的文本指令天生长达60秒的高质量视频。
这些视频不仅背景细致，还包含繁芜的多角度镜头和富有情绪的角色，并根据相应的物理事理在时空上向过去或未来推演。

其在演示视频中展现出色的运动连贯性、时空统一性和形象逼真性，对传统意义上的视听内容生产行业形成了极大寻衅，一韶光，如“未来电影不再须要人类创意”“新闻业将消逝”等标题成为自媒体吸引流量的密码，也从侧面反响出了Sora的技能打破确实为内容生产供应了险些无限的可能性。

多模态视频天生与新的天下仿照器

2023年ChatGPT的出世吸引了环球对新一代天生式AI的把稳力，确立了大措辞模型作为新一代内容天生技能的主要根本地位。
大措辞模型特殊强调仿照人类措辞理解和天生方面的前辈能力，为知识创造和信息通报开辟了新路子。
通过其对话能力，大措辞模型不仅改进了人机交互的自然度和效率，而且推动了以用户查询为中央的信息天生和互换新办法。

在此后一段韶光，环绕基于大措辞模型的多模态模型的探索尤为突出，如文生图、文生音乐等运用，这些模型通过整合视觉、文本等多种信息形式，丰富了AI的理解和表达能力，为构建更加细致和动态的天下仿照器奠定了根本，标志着本日的研发重点正向着通过人工智能天生繁芜、多维天下的全面理解和再现迈进。

个中，文生视频或图生视频的运用一贯作为紧张的研发热点暗流涌动。
2023年底，谷歌的多模态模型Gemini1.0正式上线。
在其技能报告的描述中，Gemini基于Transformer架构，同时在图像、音频、视频和文本数据中进行演习，目的是使模型既具有跨模态的强大通用能力，又有尖真个理解和推理能力；此后推出的WALT利用扩散模型和Transformer架构打破性办理了AI对视频工具的韶光逻辑理解难题。
2024年，OpenAI经历了戏剧性的“宫斗”戏码后，溘然爆炸性地推出了在视频长度和稳定性上都形成打破的Sora。

Sora对三维空间、因果关系和物理逻辑等人类理解要素的仿照，使对天生式大模型的谈论被推进到了“天下仿照器”的层面，即对现实天下物理时空的仿照天生，也再次激活了一度受到冷落的元宇宙场景观点。
但就像由数字图像技能带来的“后原形”问题一样，作为天下仿照器的人工智能技能势必引发天生内容真实性的一系列伦理、道德和法律问题，并成为谈论的核心。
而另一方面，在Sora展现出内容创造力的同时，也暴露出了更深层次的困境：当前广泛流传的Sora天生视频片段中，只管开拓者已经考试测验性地融入了非西方文化元素，但依赖于西方中央化的数据源，其天生内容的审美重点却仍旧深受欧美影视文化与视觉文化影响。

如果我们认为多模态天生视频的运用将作为天下仿照器发挥其潜力，那么这样的文化倾向就须要引起我们的重视。
考虑到上一轮天下仿照器媒介——电影，特殊是数字时期的电影——以的表现，我们就不能轻信“技能是中立的”这样的论调，而应正视本日AIGC实践中正在逐渐呈现出的这些问题。

数字图形技能与电影的偏见

当代电影的环球技能、家当与美学在1970年代确定下来。
与新好莱坞电影的家当和市场体系确立下来险些同时，北美为中央的打算机图形学研究也发生了主要的家当转移。
随着越战后美国政府对军工领域的打算机图形学研究经费投入大幅减少，这个领域迎来了新的投资人：1972年，汇聚了该领域顶尖科学家的P/DP小组在犹他大学成立，标志着打算机图形学的研究重心从麻省理工学院逐渐转向了西海岸，好莱坞开始持续在这一领域投入资金，著名的3D艺术品“犹他茶壶”就在这一期间出身；1974年，Triple-I公司建立了图形产品组，并进一步将打算机图形学的运用从学术研究推向了商业领域，特殊是电影制作。
Triple-I利用大型工业打算机PDP-10为《西部天下》和《星球大战》等电影制作了数字图形，也创作了如《亚当斯一家》和《电子天下争霸战》这样的数字动画短片。
这一期间，既是打算机图形学在技能和运用的进步期间，也是打算机科学的研发重点向民用和娱乐家当倾斜的期间。

于是，改由好莱坞牵头的打算机图形学研发和运用，站在冷战期间欧美计算机科学研发的上风根本之上，成为环球引领性的科创单位。
这一技能上风经由1970—1980年代形成的好莱坞环球市场，经历了1990年代的“好莱坞数字之夏”。
以三维动画为代表的数字动画，成为了新世纪往后视听领域再现天下的最主流手段。

从技能审美的角度来看，一方面，好莱坞在《侏罗纪公园》和《泰坦尼克号》等电影中打破了数字形象与真实影像之间时空统一的表现难题，并进而在以皮克斯为代表的三维动画实践中完成了全三维动画图形呈现（《玩具总动员》系列）和加倍精确的物理逻辑呈现（《怪兽公司》系列）；好莱坞也在新千年头十年开始推动电影胶片的数字化转型，以更符合数字影像技能便利与经济效益的DCP储存制式以及三维数字化的放映单位，确立了环球影视行业新的制播技能标准；并在新世纪第二个十年往后，确立了以无限逼近真实效果的三维数字动画为主流的环球视听影像的审美范式。
在第一部全三维动画长片《玩具总动员》中对犹他茶壶的彩蛋式致敬，确证了这一“犹他大学—好莱坞—皮克斯”的研发、运用、传播体系。

正是因其在1970年代技能研发上的先发上风，好莱坞迅速盘踞了上一代天下仿照器的话语权和审美决定权。
如果不雅观察一下这一期间环球主流影视作品的审美方向就能创造，即便是取材于特定国家和民族的故事素材，在进行影视化表现，尤其要利用三维动画技能时，总会呈现出好莱坞化或皮克斯化的审美方向——如改编自《山海经》故事的中国电影《捉妖记》中，妖兽的形象却是范例的“怪物史莱克”式的。
在三维动画领域，好莱坞依赖其经济和技能上风引领，决定着文化与审美表达的倾向。

因此，即便在近二十年的动画技能史上，有着例如三维转二维或最近的粒子三维等技能与美学方面的单点创新，但以三维动画为紧张表现手段的打算机图形学依旧是这一阶段天生“天下仿照器”的整体性技能媒介，并通过这一技能中介物，旁边我们对天下的认识办法。

文化出海应包括数据出海，语料库是未来文化软实力

如果仔细剖析Sora天生内容的美学要素，就能够轻易创造，它的审美范式依旧是这一“犹他大学—好莱坞—皮克斯”系统的延续。
不仅Sora所代表的、目前吸引了环球目光的多模态视频天生模型延续了电影工业的视觉文化倾向，事实上，从ChatGPT这样的大措辞模型的运用实践中，也已有学者创造了目前主流大措辞模型中普遍存在的数据选择偏见，即由选择构成演习语料库的文本措辞偏见问题。
大略说，即以英语为紧张演习语料库的大措辞模型中，其利用“母语”的任务完成度更高，并优先基于英语天下的文化逻辑或意识形态逻辑进行“思考”与回应。

本日的多模态模型，无论是Dell-E、Midjourney等文生图模型，还是Sora等视频天生模型，其产生高质量视觉内容的语料库条件，依旧以“犹他大学—好莱坞—皮克斯”的美学系统为根本。
若我们在本日已经建立起了多模态天生模型将成为未来天下仿照器的一样平常认识，那么对这一问题的回应就变得急迫起来。

事实上，数据要素化与语料库培植正是这一轮以人工智能技能为核心的环球技能、文化竞争中的“软实力”。
正如郑永年指出的，当前中国互联网公司、硬件发展都不输于美国，但中国发展人工智能的短板，紧张表示在数据质量方面。
这首先意味着我们在当下谈论“文化出海”时，也要考虑“数据出海”，跨文化互换必须包括数据互换。
来自中国的要素化数据应更主动参与环球天生式人工智能的语料库培植，参与内容天生，确保AI演习数据的多样性和平衡性。

另一方面，培植高质量的中国文化数据库——包含广泛的措辞、文化、历史和艺术等方面的数据——将成为这一轮人工智能文化交往与天下仿照器培植中的核心竞争力。
这既是对中华精良传统文化进行创造性转化和创新性发展的最前沿任务，也是在“人工智能+”时期从源头上担保技能自主可控、掩护文化领域意识形态安全的急迫须要。

（作者为上海师范大学影视传媒学院教授）

来源： 文申报请示