從技術到藝術：探索人工智能生成藝術中技術創新與美學價值的平衡

［摘 要］ 隨著人工智能（簡稱AI）技術的迅猛發展，生成藝術成為數字媒體藝術領域中的一個重要分支。AI生成藝術的技術創新與AI美學價值的判定有利于探索AI創新機遇和AI藝術實踐的合理邊界，有利于賦能產業、規范行業、制定AI創新的技術標準與準則等。然而，如何在AI生成藝術中平衡技術創新與美學價值，仍是當前學術界和藝術界面臨的一個重大挑戰。旨在探討人工智能在生成藝術作品中的應用，分析技術驅動的創作過程如何與藝術性的表達相融合。通過對典型AI藝術案例的研究，提出了一種綜合考量技術與美學的創作模式，為未來AI生成藝術的發展提供了理論基礎和實踐指導，并強調了在技術進步與藝術表達之間找到平衡的重要性。

［關 鍵 詞］ 人工智能；生成藝術；美學價值；技術創新；人機協作

一、引言

隨著人工智能技術的迅猛發展，生成藝術（Generative Art）作為數字媒體藝術領域中的一個重要分支，逐漸引起了學術界和藝術界的廣泛關注。生成藝術是指通過算法和計算機程序生成的藝術作品，其不僅在視覺藝術、音樂創作、文學創作等方面展現了巨大的潛力，還在不斷挑戰傳統藝術的創作模式和美學觀念。隨著模型的迭代，AI技術推動著生成內容朝多模態信息融合、跨模態內容生成、智能化場景落地的方向快速發展，實現了AI智能生成呈自發且適應的有機生長。①近年來，深度學習、生成對抗網絡（Generative Adversarial Networks，以下簡稱GANs）等先進技術的出現，讓AI更廣泛、更深入地應用于生成藝術。通過這些技術，人類藝術家的創作風格甚至可以被模仿和超越，人工智能就能自動生成高質量的圖像、音樂和文本。如（Creative Adversarial Networks，以下簡稱CANs），通過學習風格和偏離藝術風格規范，創造出具有創意的藝術作品。②人工智能生成藝術主要指“基于人工智能算法自動或人工生成、操作和修改數據和媒體，并生成相應的文字、圖像、音頻和視頻”③。從內容發展來看，AIGC 是“繼PGC（Professional Generated Content，專 業 生 成 內 容 ）和UGC（ User Gener-ated Content，用戶生產內容 ）之后，利用人工智能技術自動生成內容的新型生產方式，不僅會提升內容生產效率，也因人工智能模型對知識進行重新組合而創造出具有獨特價值和獨立視角的新內容”。隨著底層技術和算法模型的突破性發展，AI催生的內容藍海正在從輔助協作和降本提效向智能創作和增值創造擴散，為數智邏輯下的內容生態帶來了全新的創作思路。④正因如此，AICG在藝術創作領域嶄露頭角，在各行業中逐漸發揮其強大的創新能力，大量的AI創作作品以及AI結合人工的創作作品被應用時也出現了許多的引發爭議的審美和版權問題。以AI創作的人像作品為例，大量同質化的具有“AI特點”的圖像被網友稱為“一眼AI”“AI臉”。那么技術創新和美學價值如何在AI生成藝術中取得平衡就成了一個迫切需要解決的重要問題。本文旨在通過分析技術驅動的創作過程如何與藝術性表達融為一體，來探討人工智能在生成藝術中的應用。筆者將總結出AI生成藝術的美學特征，并通過對AI典型藝術案例的研究，對其背后的技術原理進行探討。此外，本文還將探討藝術創作中人機協作的潛力，并對技術和審美提出一個全面考量的創作模式。成功的AI生成藝術不僅需要深刻理解藝術理論和美學原理，還依賴先進算法和技術的支持。因此，本文將強調在技術進步和藝術表達之間尋找平衡的重要性，為未來AI生成藝術的發展提供理論基礎和實踐指導。

二、人工智能生成藝術的技術基礎

（一）人工智能技術概述

隨著技術的不斷進步，AI技術已經廣泛應用于多個領域，生成藝術就是其中一種。下面將著重介紹幾種人工智能技術，這些技術在生成藝術中具有一定的代表性。深度學習通過模擬人腦神經網絡進行數據處理和模式識別，是人工智能的一個重要分支。在圖像制作、音樂創作和文字制作上，深度學習技術成果顯著。加州大學圣迭戈分校和谷歌研究公司2021年的一項研究顯示，60%以上的圖像生成任務使用了GANs技術。而 Transformer 模型在文本生成任務中的應用比例達到 70%。例如，卷積神經網絡（CNN）在圖像生成中被廣泛應用，通過多層卷積和池化操作，能夠生成高質量的圖像。Recurrent Neural Networks（RNN）和 Long Short-Term Memory（LSTM）網絡在音樂和文本生成中表現優異，能夠生成連貫的音樂和自然語言文本。Ian Goodfellow 等人于 2014 年提出的GANs，由生成器（Generator）和判別器（Discriminator）兩個對抗的神經網絡組成。生成器負責生成偽造數據，而判別器則對數據進行判別，訓練的目標是讓生成器生成的數據盡可能逼真，直到判別器無法分辨真偽。GANs 在圖像生成領域取得了顯著成果，諸如 DCGAN、StyleGAN 等變體進一步提高了生成圖像的質量和多樣性。除了深度學習和 GANs，其他技術如變分自動編碼器（VAEs）、自回歸模型（Autoregressive Models）和注意力機制（Attention Mechanisms）等也在生成藝術中得到了應用。

（二）AI在生成藝術中的應用

根據 Allied Market Research 的報告，全球人工智能在藝術市場的規模預計將從 2020 年的 5.92 億美元增長到 2027 年的 12.15 億美元，年復合增長率為 26.91%。GPT-3 語言模型在文學創作中應用廣泛，其在文本生成、對話系統和創意寫作中的表現被多項研究認可。自2020 年發布以來，其 API 已被超過 300 個應用集成，用戶數量超過 10 萬人。生成藝術的應用涵蓋了視覺藝術、音樂和文學創作等多個領域。在視覺藝術方面，DeepArt 和 Google 的 DeepDream 項目通過深度學習技術，將普通照片轉換為藝術風格的圖像。CANs能夠生成具有創造性的藝術作品，突破了傳統藝術風格的限制。在音樂創作方面，OpenAI 的 MuseNet 和 Google 的 Magenta 項目利用深度學習技術生成音樂。MuseNet 能夠生成多種風格的音樂作品，從古典音樂到現代流行音樂均可完成。在文學創作方面，大型語言模型如GPT-3在文本生成方面表現出色，可以生成自然流暢的詩歌、故事和新聞稿件，顯示出AI在文學創作方面的潛能。各種AI模型的工作原理和訓練方法在生成藝術的技術實現中必不可少。在深度學習模型的訓練過程中，通過大規模數據集的訓練，深度學習模型可以在數據中捕捉復雜的模式。以卷積神經網絡為例，通過不斷調整網絡參數，使生成結果逐漸接近真實數據，訓練過程包括前向傳播、損失計算和反向傳播三個方面。在GANs的對抗訓練中，生成者與判別者在不斷提高辨識能力的對抗訓練中互相博弈，生成者試圖欺騙判別者。發現生成器和判別器之間的平衡點，從而使生成的數據既具有現實性又具有多樣性，這是訓練過程中的關鍵。通過學習數據的條件概率分布，自回歸模型基于前一段數據在生成序列時對后一段數據進行預測。模型可以通過最大化數據的似然函數，在訓練過程中產生連貫的序列數據。

三、人工智能生成藝術的美學特征

生成藝術不僅是技術的展示，更是藝術創作的重要環節，技術與藝術的表達如何融合才是其美學價值所在。對于生成藝術作品的認識和評價，美學原理和藝術理論是重要的基礎。美學原理包括傳統藝術創作中廣泛運用的對稱、和諧、平衡、比例等。形式主義、表現主義、后現代主義等現代藝術理論在審視生成藝術的審美價值方面提供了不同的視角。通過算法的設計與實現，AI生成藝術將這些美學原理體現出來，并在此基礎上加以革新與突破。

AI生成藝術在很多方面都體現出美學特征。在視覺藝術中，從傳統繪畫風格到現代抽象藝術，AI都能生成形形色色的風格圖像。比如GANs生成的影像，不僅能創造全新的藝術形式，還能模仿梵高、畢加索等藝術大師的風格。在音樂創作中，AI能夠通過對音樂元素的分析和重組，生成從古典音樂到流行音樂等不同風格和情感的音樂作品，創新音樂表達方式。在文學創作中，AI通過自然語言處理技術，產生富有詩意和創造性的文本，在文學創作中展現出AI的潛能，這是一種創造性的文本。生成藝術的核心挑戰之一就是技術與藝術的融合。解決這一問題的重要方法是人機協同模式。通過人類藝術家與AI的合作，創作出更豐富、更有深度的藝術作品，將人類的創意與AI的計算能力融為一體。將計算機科學、美學和藝術理論等眾多學科的知識結合起來，有助于技術和藝術之間的平衡，跨學科合作也是生成藝術發展的重要方向。

生成藝術中的創意表達，既需要技術的支撐，又需要藝術家的參與和指導，因此藝術家在這一過程中起著至關重要的作用，其既是創意的源泉，又是作品的最終把關者，以使作品達到藝術審美和表達的要求。案例研究是認識生成藝術美學價值的一種重要方式。比較成功的案例有DeepArt和Google的DeepDream項目等，從不同角度展示了AI生成藝術中的潛力和美學價值。失敗的案例，則提示我們必須把技術的運用與真正意義上的藝術作品結合起來，這樣才有可能創作出真正意義上的有藝術價值的作品。

討論以上的內容能更好地認識生成藝術的美學價值以及如何在技術和藝術之間找到平衡，隨著技術的進一步發展和藝術家的不斷摸索，生成藝術在以后的藝術創作中將占有舉足輕重的地位并會不斷創新與發展，以豐富藝術創作的內涵與形式。

四、技術創新與美學價值的平衡

（一）技術與藝術的融合

技術與藝術的融合體現在兩個方面：人機協作和跨學科合作。在生成藝術中，人機協作模式是實現技術與藝術融合的重要途徑。通過人類藝術家與 AI 的合作，AI 提供技術支持，生成大量創意素材，而藝術家則對這些素材進行篩選、優化和再創作，最終形成富有藝術價值的作品。Google 的 Magenta 項目就是一個典型例子，通過生成對抗網絡（GANs）和循環神經網絡（RNNs）等技術生成音樂片段和視覺藝術作品，藝術家使用這些生成的素材進行調整和編排，創作出新的作品。類似地，The Next Rembrandt Project 利用深度學習算法分析倫勃朗的作品風格，生成新的畫作，藝術家和技術專家共同對生成圖像進行優化，使其接近倫勃朗的原作。Artbreeder 是另一個成功的例子，它通過 GANs 技術允許用戶混合和調整現有圖像，生成獨特的藝術作品，展示了人機協作在圖像生成中的應用。具體的合作流程包括：AI 利用深度學習和 GANs 技術生成初步的藝術素材，藝術家從中篩選和優化這些素材，通過調整參數、修改細節和組合不同素材進行再創作，最終轉化為具有獨特藝術價值的作品。例如，DeepArt 通過深度學習技術，將普通照片轉換為不同風格的藝術圖像，展示了 AI 在模仿和創新藝術風格方面的強大能力。用戶上傳照片，系統自動生成梵高、畢加索等風格的藝術作品。該項目不僅在技術上取得了成功，在藝術界也得到了廣泛認可。

生成結果不斷地反饋與迭代，使AI根據藝術家的反饋意見對生成策略不斷地進行改進和調整，從而生成更多與需求相適應的素材，達到人機協作的優化目的。上述事例說明人機協作模式在生成藝術中所起重要作用的同時，也表明AI與藝術家的緊密合作不僅為藝術家在創意素材與技術支持上提供了更豐富的發揮空間，而且使作品的藝術性與美學價值得到提高，從而在促進生成藝術發展中起到了舉足輕重的作用。通過不斷地反饋與迭代，AI將為人類藝術在創意上提供更廣闊的發揮空間。

實現技術與藝術融合的重要途徑是在生成藝術的發展過程中進行跨學科的合作。不同領域的專家可以通過結合計算機科學、美學、藝術理論等多學科的知識，就生成藝術中的技術與美學問題進行共同探討與解決，從而促進生成藝術的創新與發展。Prisma是一款通過使用深度學習算法，將普通照片轉換成類似知名藝術家風格圖片的應用。Prisma的成功之處在于它的易用性，讓廣大用戶輕松制作藝術作品的高質量圖像效果。MIT Media Lab 的“Opera of the Future”項目通過使用人工智能、虛擬現實（VR）和增強現實（AR）技術，創造了一種沉浸式的歌劇體驗，科學家、藝術家和設計師共同合作，利用 AI 生成音樂和視覺效果，并通過 VR 和 AR 技術將其融合在一起。類似地，Google Arts&Culture Lab 通過與博物館、畫廊和藝術家合作，利用 AI 和其他先進技術實現藝術創作和展示的創新，例如與英國國家肖像館合作，通過 AI 技術分析館藏藝術作品生成新的肖像畫。斯坦福大學和舊金山藝術學院的“Morpheus Project”通過腦電波（EEG）技術和 AI 算法生成基于人類腦活動的藝術作品，科學家和藝術家共同工作，利用 EEG 數據驅動 AI 算法生成視覺藝術，并對這些生成的圖像進行優化和再創作。這些跨學科合作的具體流程包括需求分析與方案設計、技術研發與藝術創作、測試與反饋以及展示與推廣，通過這些流程，不同領域的專家將各自的知識和技能結合起來，不僅提高了技術的應用深度和廣度，也為藝術創作帶來了新的視角和方法，推動了生成藝術的發展。

（二）生成藝術中的創意表達

生成藝術中的創意表達，一方面依賴技術的支持和藝術家的參與，形成互補的創作模式；另一方面，AI的計算能力通過對藝術元素和素材的生成起到重要的推動作用，為藝術家提供了豐富的創作靈感來源。以AI-Da機器人為代表、以Runway ML平臺為依托、以Adobe sensei等軟件為輔助的實例，在拓寬藝術創作的邊界、激發新的藝術表達形式方面發揮了重要作用。但藝術家的角色同樣必不可少，既是創意的源泉，又是作品的最終把關者，在確保作品的藝術性和美學價值方面起著不可低估的作用。如“Refik Anadol”“Mario Klingemann”及“Anna Ridler”的藝術家，通過對AI生成素材的篩選再創作過程，將技術轉化為富有深度與情感的藝術作品，將技術與藝術的結合發揮到了極致。而這種相互補充的創作模式，在提高作品質量及藝術表達的同時，也為生成藝術的發展帶來了新的可能，在藝術史上具有不可低估的意義。

1. 技術驅動的創意

生成藝術中的創造性表達，除了技術支撐，更需要藝術家的參與和指導，因為藝術家在創作過程中扮演著至關重要的角色。技術所驅動的創意，利用AI的運算能力生成大量的藝術元素及創意素材，例如深度學習技術結合GANs，能夠在很短的時間內產生大量富有創意的作品，為藝術家的創作提供豐富的素材和靈感。以機器人藝術家AI-Da為典型例子，它是通過機器學習算法和機械臂，由AI驅動而自主繪畫并生成獨特的藝術作品，激發技術所驅動的創意在藝術中的潛力，為人們展示了這個領域的所向。再如為藝術家和創意人員設計的平臺RunwayML，利用深度學習和GANs技術生成圖像、視頻和文字，用戶通過簡單的操作就能創造出各種富有創意的內容，這讓藝術創作的邊界大大擴展。此外，Adobe Sensei還運用AI技術，幫助設計師自動化重復任務并提供智能建議，讓設計過程變得更有效率、更具創意。這些實例通過AI技術產生的創意素材和元素，展示了技術驅動創意對生成藝術的重要作用，既豐富了藝術家的創作手段，又激發了為藝術創作帶來前所未有可能性的新的藝術表現形式。

2.藝術家的角色

在生成藝術中，藝術家的角色至關重要，既是創作源泉，又能保證作品藝術性和美學價值。例如，通過學習大量藝術品的數據集，生成具有創新性和藝術價值的圖像的AICAN是一種GANs模型。AICAN的作品曾在多個藝術大展中展出，并被美術界所認識與推崇。藝術家可以通過自己的藝術判斷和技巧，利用AI生成的創意素材進行二次創作，提高作品的品質和藝術表現力。例如，藝術家RefikAnadol通過對城市建筑數據、自然景觀數據等大量數據集的分析，創造出多個利用AI技術的大型公共藝術裝置，生成視覺藝術作品，再通過自己的藝術加工，創造出令人震撼的動態影像藝術。同樣，藝術家Mario Klingemann以AI生成的圖像為基礎，通過不斷調整和加工，在世界多個藝術大展上展出并廣受好評。再如，藝術家AnnaRidler利用GANs生成數以千計的圖像，并將這些圖像組合成視頻裝置作品，提供了一種獨特的藝術視角，同時表達了創意。這些實例通過篩選、優化、再創作AI生成素材，將技術轉化為有深度、有情懷的藝術品，展現了藝術家在生成藝術中的重要作用，實現了技術與藝術的完美結合。

五、未來發展方向與挑戰

展望未來的發展方向和面臨的挑戰，至關重要的是生成藝術在技術創新和審美價值方面的不斷進步。了解未來的趨勢以及生成藝術潛在的問題，對這個領域的推進有很大的幫助。一些純粹以技術為導向的生成藝術項目，其作品盡管在技術實現上表現優異，但在藝術性和美學價值上顯得平庸。比如，一些過于依賴GANs技術而產生的形象，盡管細節豐富，但沒有達到預期的審美效果，因此缺乏統一的藝術風格和主題。這些失敗的案例提醒我們，要創作出真正有藝術價值的作品，技術的運用一定要結合藝術理論和審美原理。未來，隨著技術的進一步發展和藝術家的不斷探索，生成藝術將會在藝術創作中發揮更加重要的作用，推動藝術創作的創新和發展。為了實現這一目標，技術與藝術的深度融合、人機協作模式的優化以及跨學科合作的加強將是未來研究和實踐的重要方向。下面筆者從 AI 生成藝術的技術新趨勢、藝術創作的新模式以及相關的倫理和社會影響三個方面進行討論。

（一）技術發展的新趨勢

生成藝術的未來充滿了新的可能性和挑戰，因為人工智能技術在不斷進步。技術發展的新趨勢主要體現在以下幾個方面：首先，更強大的深度學習模式會使生成藝術的品質和多樣性得到進一步的提升。GPT-4等大型預訓練模型和未來更高級的版本將顯示出更高的創意和細節控制能力，包括文字、圖像和音樂的生成。其次，通過將圖像、文字、音頻等各種模態的生成能力結合起來，創作出更復雜豐富的藝術作品，多模態生成技術將成為一個重要的發展方向。最后，通過增強現實（AR）和虛擬現實（VR）技術，觀眾與AI生成藝術作品之間的實時互動和沉浸式體驗也將成為實時生成和互動藝術的重要研究方向。

（二）藝術創作的新模式

技術的進步將催生出更多的藝術創作新模式，人機協作模式會得到進一步的深化，通過更緊密的合作達到技術與藝術的完美融合。利用AI生成的創意素材進行二次創作，使藝術家探索出更多的藝術表現形式，跨學科的合作也將進一步促進生成藝術的發展，結合計算機科學、美術學、心理學等多門學科的知識，為生成藝術在創作方法和表現形式上的進一步發展和創新添磚加瓦。另外，生成藝術的教育與普及也將成為重要的發展趨勢，對新一代藝術家進行培訓，使他們對AI技術有深入的了解和掌握，從而促進生成藝術的進一步發展和創新。總之，在技術的推動下，藝術創作將不斷推陳出新。

（三）倫理與社會影響

首先，版權問題和原創問題是很大的挑戰。AI生成藝術作品的版權歸屬是復雜的，確定其原創性和歸入權是有爭議的，因為這些作品不是直接由人類創作的。保護創作者權益、激勵創新，這些問題都需要在法律框架內解決。其次，社會的接受度問題也很重要。雖然在技術上AI生成藝術已經有了明顯的進步，但是社會還需要時間來認可其藝術價值。在這一過程中，公眾教育和藝術素養的提升將發揮關鍵作用，有助于社會更好地理解和接受生成藝術。此外，生成藝術的普及可能會對傳統藝術市場和藝術家的生存環境造成沖擊，需要平衡技術進步和傳統藝術保護之間的關系。

六、結論

研究人工智能與生成藝術的開展，使大家認識到AI技術在藝術創作方面所表現出來的巨大潛力與多樣性。生成藝術既豐富了藝術表達的形式和內容，又為藝術家與技術人員提供了新的合作平臺和創作工具。但是如何在技術創新與美學價值之間取得平衡，仍是當前與今后研究的一個重要課題，因為這是一個需要大家不斷探索與思考的課題。

首先，深度結合技術的應用是生成藝術得以成功的關鍵所在。隨著AI技術的不斷發展和成熟運用，諸如生成對抗網絡GANs、變分自編碼器VAEs等工具使生成藝術有了強有力的技術基礎，但是藝術理論和美學原則的運用也是必不可少的。人機協作模式把藝術家的創造性和AI的計算能力有機地結合起來，從而創作出真正意義上的藝術品。

其次，生成藝術的美學價值不僅體現在技術的革新上，更體現在藝術家的介入與引導上，因此藝術家的參與和引導必不可少。雖然AI生成的藝術作品在技術表現上是出色的，但在缺乏藝術家審美觀點和創意導向的前提下，作品本身的藝術性與美學價值是難以得到充分彰顯的，因此藝術家可借助人機協作的方式，利用AI生成的創意素材進行二次創作來增強作品的藝術表現。這樣藝術家在創作過程中的作用也同時得到了發揮。

此外，生成藝術的今后發展還面臨著一系列重要的倫理和社會挑戰。版權和原創性問題是AI生成藝術作品不得不面對的重要法律問題之一。社會對AI生成藝術的接受度也是影響生成藝術未來發展的關鍵因素之一。公眾教育水平和藝術修養的提高，有助于更好地理解和接受AI生成藝術。雖然技術的進步帶來了新的創作模式，但對傳統藝術市場也產生了一定的沖擊，所以如何平衡技術進步與傳統藝術保護之間的關系，需要不斷加以關注和研究。

總的來說，生成藝術與數字媒體藝術的發展帶來了新的機遇與挑戰，在技術創新與美學價值的平衡上不斷促進藝術創作的創新與發展。隨著技術的進一步進步與藝術家的不斷探索，生成藝術在未來的藝術創作中將扮演更加重要的角色，創作出更豐富多樣的藝術作品。通過技術創新與美學價值的平衡，生成藝術將不斷促進藝術創作的創新與發展，生成藝術的表現手法也會多種多樣。

參考文獻：

［1］中國信息通信研究院，京東探索研究院 . 人工智能生成內容（AIGC）白皮書［R/OL］.（2022-09-02）［2022-11-05］. http：//www.caict.ac.cn/kxyj/qwfb/bps/202209/P020220902534520798735.pdf.

［2］蔣舸.論人工智能生成內容的可版權性：以用戶的獨創性表達為視角［J］.知識產權，2024（1）：36-37.

［3］聞天吉.駁人工智能“創作工具說”［J］.知識產權，2024（1）：85-105.

［4］王遷.再論人工智能生成的內容在著作權法中的定性［J］.政法論壇，2023（4）：16-33.

［5］劉丁勤.論AIGC創作中的因果可預見性［J］.科技與出版，2024（7）：36-47.

［6］巴爾特魯塞蒂斯，阿胡賈，莫倫西.多模式機器學習：調查與分類［J］.IEEE模式分析與機器智能論文集，2019，41（2）：423-443.

［7］洪秀麗，楊德，崔明，金杰.用于圖像合成的雙感知GAN［J］.圖像處理，2021（30）：4648-4661.

［8］卡澤姆扎德，S.，徐，W.生成性對抗網絡的視覺特性：一項調查［J］.ACM計算概覽，2020，53（3）：1-38.

［9］劉怡，王怡，李杰.使用GAN生成文本到圖像：調查［J］.ACM計算概覽，2022，55（1）：1-35.

作者單位：南京藝術學院

注釋：

①崔金棟、李晨雨、李菲菲：《大數據背景下主流融媒體熱點發現機制研究》，《情報科學》2021年第12期，第72-79頁。

②Baltrusaitis， T.， Ahuja， C. & Morency， L. P.，Multimodal machine learning： A survey and taxonomy. IEEE Transactions on Pattern Analysis and Machine Intelligence， Vol.41，No.2，2019，pp.423-443.

③Whittaker L，Kietzmann T C，Kietzmann J，et al.，“all around me are Synthetic Faces”：The Mad World of AI-generated Media，IT Professional，Vol.22，No.5，2020，pp.90-99.

④詹希旎、李白楊、孫建軍：《數智融合環境下AIGC的場景化應用與發展機遇》，《圖書情報知識》2023年第1期，第75-85、55頁。作者簡介：陳偉（1982—），男，漢族，江蘇鹽城人，碩士研究生，副教授，研究方向： 數字媒體藝術。