当前争论的核心是，我们面临着知识产权历史上一个潜在的重大转折点。是否应该允许大型科技公司，或就此而言的任何人，将受版权保护的作品输入到当今异常强大的机器学习算法中?
提供学院 课程 网站印度商学院ISB专业 访问麻省理工学院麻省理工学院技术领导与创新访问西北大学凯洛格产品管理研究生证书访问
在许多国家(尤其是美国)，现有的“合理使用”条款允许在一定程度上使用受版权保护的材料来训练算法，但这种许可并不明确。
这些例外早于当前生成人工智能能力的现实，这使它们与艺术家的权利发生冲突。当艺术家的创造性作品被用于训练人工智能系统，然后在同一个创意市场上与他们竞争时，可以提出一个强有力的论点，即这不能构成“合理”使用。
维权人士在这场官司中的表现令人信服。然而，结果仍远未明朗，可能会颠覆OpenAI和Stability AI等领先的生成式人工智能公司的做法。
另一个突出的争论是，人们是否应该有权知道创意作品是否由人工智能产生，就像我们希望知道产品中含有哪些有害物质，或者衣服是否出自血汗工厂一样。
例如，管理格莱美奖的美国唱片学院(Recording Academy)宣布，一首歌曲必须主要由人类创作，才有资格获得奖项。这就提出了一个深刻的挑战，即在人类和人工智能对作品的贡献之间的界限上达成一致，因为人工智能过程可能在创造性工作流程的数千个点上被发现。与此同时，商业创意技术软件产业作为一个重要的经济部门继续增长，催生了新的本地行业代表机构，如英国音乐技术协会。
政府面临着支持艺术家和这个有吸引力、经济活跃(潜在泡沫)的创业和创新部门的矛盾需求。但是，尽管有一些非常真实的战线，现实是一个更复杂的丛林，相互推搡的演员。
许多以艺术为导向的生成式人工智能技术人员都小心翼翼地不让自己的工作“与艺术家对立”。
AI音乐初创公司元老Ed Newton-Rex最近辞去了在Stability Audio的工作(Stability AI的音频部门，非常成功的Stable Diffusion图像生成工具的制造商)，以抗议该公司认为收集受版权保护的艺术作品作为训练数据是合理的。
与此同时，在这一领域竞争的人工智能公司中，有很大一部分要么是出于道德原因，要么是为了将风险降至最低，都采取了支持艺术家的立场，例如，它们加入了代表艺术家团体争取优惠政策的人类艺术运动(Human Artistry Campaign)。
他们要么使用“安全”的训练数据——这可能意味着它是无版权的，正式许可的，或者是他们自己的内部内容——要么他们采用完全不同的人工智能技术，这些技术不会直接针对使用原始内容来训练机器学习系统。
最具突破性的机器学习技术已经通过从尽可能多的文化内容中学习而获得了令人印象深刻的能力。内容越多，生成效果越好。
但这并不是说强大的生成系统不能处理更受约束的数据集，或者甚至是完全不同的从数据中学习的范例。
这包括基于规则的系统和使用人类反馈(例如，听众评级)来改进生成。
这并不意味着创造性的人工智能业务不会对创造者产生不利影响。对于创意产业来说，重要的是要超越目前围绕培训数据许可的争论，假设强大的生成技术将出现，而不会侵犯版权。
这意味着两件事:每个地方的每个人都同时做出更有创造性的工作;以及旨在将创意产品货币化的商业模式的增长，他们可能通过一系列手段来实现这一点，从简单地销售创意软件，到自己申请版权，到在分销过程中定位自己，再到元数据和谷歌式的数据提取实践。
那些“为艺术家服务”的技术人员在训练ML模型时尊重他们的版权，他们可能仍然非常积极地改变商业环境。
考虑到这一点，现有的创意产业主要参与者，如迪斯尼、华纳音乐和英国广播公司，尤其重要，因为它们将版权和技术创新的利益集中在同一个屋檐下。
它们可能是明显的赢家，因为它们拥有自己的创意内容数据宝库，拥有资金充足的研发部门和对新市场的兴趣。
一个例子是Getty Images的人工智能图像生成器，它在Getty自己的库存上进行了训练，并承诺在商业上是安全的，“没有知识产权或姓名和肖像问题，没有训练数据问题”。这进一步增加了复杂的道德图景。
这场剧变将进一步削弱长期存在的艺术家道德权利观念，以及捍卫这些权利的可行性。
具体的技术突破也有可能在2024年进一步改变变化的方向。大部分工作将在管道、工作流程和用户界面上进行，这些将生成式人工智能带入不同的行业，特别是在协作和人机共同创造方面。
数字创意工作者将对能够巧妙地融入现有工作方式的技术做出最佳反应，这将是技术专家的一个关键设计目标。
随着强大的基于文本的生成工具成为生成式人工智能革命的核心，我们可以期待自然语言本身在工作流程的多个点上成为更普遍的交互方式。
人工智能还让我们能够分解创意内容(游戏邦注:比如将音乐曲目进行混合或从演员身上提取手势)，媒体资产也呈现出新的灵活性:如果你仍然可以操纵内容，那么文件格式或编码就不再那么重要了。但更大的前景仍然是有人成功地利用用户反馈来不断修改生成人工智能模型。
想象一下，例如，一个人工智能音乐生成器可以生成曲目并直接将其部署给大量受众(例如，如果它们被合并到流行的“放松”流媒体中的主要流媒体服务中)。有了足够多的听众反馈(可能只包括他们是否跳过了这首歌)和足够好的算法，这样一个系统就可以开始呈现出新兴的特性，这是第一次突破人类生产和消费的轨道。
随着OpenAI试验这种“从人类反馈中强化学习”，许多人越来越焦虑地关注着OpenAI。它还没有达到传统深度学习技术的能力，但有可能改变生成机器过程在文化中所扮演的角色。
这有望描绘当前生成AI世界的复杂性。那些将自己定位为颠覆者的企业同样容易被竞争对手打败，或者因为产业链其他环节的变化而使自己的商业模式变得多余。许多行代码和许多神经网络将被徒劳无功地创建。
根据目前的趋势，毫无疑问，生成式人工智能将在2024年继续发展并令人震惊。
对一些人来说，我们正处于持续加速的道路上。另一些人则持一种断断续续、时断时续的观点，认为进步的速度可能会趋于平缓，但很少有人声称未来一年事情会趋于平稳。
即使没有更多令人瞠目结舌的突破，基础设施、界面设计、集成和技能提升的整合也将继续推动生成式人工智能的增长和力量。360 (info.org) AMS