本文刊發于《現代電影技術》2024年第9期

專家點評

過去一年，生成式人工智能（Generative AI, GenAI）在音視頻領域的應用呈現井噴發展態勢，特別是今年2月Sora的發布，讓人們對GenAI的表現有了極大的信心。當影視人致力于將這一技術應用于專業制作領域時，卻發現還存在諸多問題，除了畫面細節少、連續性差、角色動作受限等，最大的問題是生成的內容可控性差。如何讓GenAI生成的結果能夠為創作者所控制，能夠聽從人的指揮，是GenAI技術必須要解決的問題。《有意義人類控制（MHC）在AI 影視創作中的探索與應用》通過總結團隊AI視頻生成的經驗，結合有意義人類控制（Meaningful Human Control, MHC）概念，對比了三種不同的自動化工具設計思路，選擇了人在回路中(Human?in?the? Loop, HITL)的設計模式來解決可控性問題，總結了目前AI影視創作中模型微調、提示詞生成、生成要素控制等幾種控制方法，并預期未來會采取多模態控制技術對模型進行精細控制。本文對當前熱點的GenAI可控性問題進行了理論分析，并在實踐基礎上提出了切實可行的解決方案，對于推動AI技術在影視行業進一步落地應用具有很高的參考價值。

——陳軍

研究員

北京電影學院影視技術系主任

摘要

當前AI工具存在自動化程度過高、人類控制不足造成生成結果可控性差的問題，成為其應用于專業影視創作的主要壁壘。本文通過總結自主視頻生成流程“墨池”（Inkstone）設計與應用中的經驗，結合人工智能（AI）與自動化領域的有意義人類控制（Meaningful Human Control, MHC）概念，對比了三種不同的自動化工具設計思路，分析了基于MHC的AI影視創作流程和工具開發具體方式，以及目前加強人類控制的若干可行技術路徑。研究表明，加強AI訓練和生成過程中的MHC，有望在發揮AI工具優勢的前提下，對生成內容進行準確控制，從而使創作能夠體現藝術家意圖，適應專業影視創作需求。

關鍵詞

生成式人工智能；有意義人類控制；影視創作；AIGC

1引言

2022年以來，Transformer和擴散（Diffusion）等生成式人工智能（Generative AI, GenAI）算法的迅速發展，引起了傳媒領域尤其是影視行業的高度關注。通過采用文本數據集進行訓練，基于Transformer架構的大語言模型（Large Language Model, LLM）能夠生成有創意和邏輯的文本，輔助創作者在短時間內構建情節和對話。而擴散模型（Diffusion Model）在影視、動畫制作中展現出強大潛力，以Midjourney、Stable Diffusion、FLUX為代表的擴散模型可生成高質量圖像，其通過圖像數據集的訓練，可應用于概念設計、角色設計和場景制作，生成的圖像質量已逐漸可媲美傳統拍攝和繪制手段。這些文本和圖像生成模型不僅在效率和成本上具有顯著優勢，也為針對用戶特征的個性化內容生成提供了前所未有的可能性。

2024年初，融合了Transformer與擴散的Diffusion Transformer（DiT）算法開始在多個相關工具得到應用。Transformer架構擁有處理序列數據尤其是長程依賴關系和復雜結構上的能力，與擴散模型配合有助于減少生成內容瑕疵與錯誤、提高幀間連貫性。OpenAI Sora、快手可靈、Vidu、Runway Gen?3、Dream Machine等基于DiT或類似算法的視頻生成模型已日漸成熟。在這些技術的推動下，影視行業正在經歷一場深刻的制作范式變革，影視創作流程、制作技術與觀眾體驗正在發生顯著變化。

本文將通過分析基于擴散和DiT架構的GenAI視頻生成工具中的可控性這一關鍵因素，探討GenAI作為影視生產工具的未來發展趨勢。

2AI影視創作的“智能困境”

2.1 人工智能是“創作者”嗎

當人們在1956年夏季的達特茅斯會議[1]上提出以“人工智能”來稱呼計算機科學的這一新分支時，可能未曾考慮到這一命名可能造成的誤解和困惑。在藝術創作領域，“人造的智能”這一術語給人的印象往往是某個人造的智能化主體將取代創作者，這與盧德主義式[2]“新技術將威脅到藝術本身”的焦慮相呼應。

盡管GenAI體現出很多人類智能特征，但人工智能與人類智能仍有諸多關鍵區別。人類具有直覺、創造力和處理模糊、復雜信息的能力，擅長通過聯想和想象產生新的思想、藝術和技術，同時也因個體秉承的獨特價值觀，從而在決策過程中不可避免地引入情感和倫理因素，這些在藝術創造過程中都至關重要。依賴預先存在的數據和規律，人工智能在處理特定任務時可能在效率和準確性上超越人類，但卻缺乏人類藝術家的情感、直覺和創造力。因此在藝術領域，GenAI只能作為自動化程度很高的工具，并不能替代創作者本身。

然而，正如19世紀攝影術對繪畫的影響，新技術往往給藝術和媒介帶來復雜的影響，其重新定義了創作者的身份，并重構了藝術內容的生產過程。攝影沒有取代繪畫，而是使繪畫擺脫了寫實主義束縛，推動了現當代藝術的興起。新技術對藝術和媒介的影響，往往是由其本身所具備的獨特屬性所決定并推動形成的。作為全新的影視創作工具，GenAI呈現出與模擬和數字時代的攝影機、剪輯機、視頻處理軟件、數字特效軟件不同的特征：創作過程的高度自動化和創作結果的不可預料性。

2.2 自動化和不可預料的影視創作工具

與以往的影視創作軟硬件不同，GenAI影視工具依賴人類創作的數據集。GenAI通過從現有媒介內容中提取信息、學習規律，再通過提示詞、外部圖像等方式引導生成新內容。這一自動化創作過程的兩個關鍵環節——訓練與生成，很大一部分工作都是在對數據進行壓縮的潛在空間（Latent Space）中進行的。按照GenAI的基本模式，我們無法直接讀取、控制潛在空間數據，只能通過間接方式進行影響。而這種間接的控制方式，造成了目前GenAI作為創作工具時兩個重要特征傾向。

（1）自動化與“罐裝”美學

使用傳統藝術創作工具的創作過程往往強調創作者對材料的直接操控，如在繪畫、雕塑或音樂演奏時，創作者直接參與相關作品的完成過程，因此作品較容易識別創作者的意圖和風格。即便是采用電影攝影機等機器介入創作，創作者也會要求對場面調度、光線布置、攝影機參數設置和運鏡進行全面控制。而我們通常也認為，作品中呈現的“藝術家意圖”越強烈，作品的藝術價值也就越值得重視。

GenAI顯然與這些創作工具非常不同。通過對已有的特定藝術作品組成的數據集進行學習，GenAI模型本身就具備了相當強烈的傾向性或特定的美學特征。例如諸多圖像、視頻生成模型主要采用攝影作品作為訓練數據集，生成結果往往以照片寫實感作為主要追求，呈現出一種超寫實主義的美學風格。

這種不由藝術家控制的在“出廠”時便被“罐裝”好的美學特征，往往成為使用GenAI作為藝術創作工具的爭議焦點。正如Manovich等[3]所言，“人工智能與美學的相遇至關重要，因為美學被認為是一個典型的人類領域”。GenAI在照相機、電影攝影機、計算機圖形軟件、數字音樂軟件的基礎上更進一步，是對人類美學技能的深化和增強。

麥克盧漢提出媒體是人類感官的延伸[4]，GenAI則是對人類和其所處世界交互能力的增強。這種增強當前看來很多時候是以放棄人類作為創作者對作品美學的部分控制權為代價的，這也是下文我們討論有意義人類控制（MHC）的出發點之一。

（2）不可預料的“抽卡”創作

使用GenAI視頻生成工具的過程與傳統藝術創作正相悖。對藝術家而言，預先訓練好的模型是難以控制的“黑箱”。藝術家只能有限地控制黑箱的輸入端，輸出端的成果已是完成品。這一創作過程的隨機性，被眾多GenAI工具使用者稱為“抽卡”。

顯然，GenAI內容創作過程的不可預料性，不但與傳統影視創作工具的使用方式大相徑庭，也成為目前GenAI工具在影視行業中應用的主要瓶頸。如果每次生成的結果都需要“抽卡”，那么作品的視聽元素很難做到風格統一和細節連貫，而GenAI工具很難用作更復雜敘事性影視作品的創作手段。

基于應用GenAI創作的自動化和不可預料性，Epstein等[5]指出，使用生成式人工智能系統的人工智能藝術家必須找到將創作意圖注入創作過程的方法，以實現對藝術作品更有效的控制。Epstein提出，藝術家可以控制訓練數據的選擇、精心設計提示詞，或只是將GenAI生成的作品用于下游創作環節而不是作為成品。因此，若要實現GenAI在專業領域的進一步應用，加強人類控制是至關重要的因素。

3AI內容創作與有意義人類控制（MHC）

3.1 有意義人類控制（MHC）

有意義人類控制（Meaningful Human Control,MHC）首先在軍事相關領域被提出[6]，其意味著人類需控制打擊目標的選擇與攻擊行為。根據英國非政府組織 Article 36[7]觀點，MHC“意味著武器在何時、何地以及如何使用，針對什么或誰使用以及使用的效果”。這一觀點認為，在戰爭中人類應對武器的單個攻擊進行控制，而不是僅對總體行動進行控制。只有在確保MHC的前提下，自動化系統的可靠性、安全性才能被保障，同時這也能確保人工智能不違反人類社會倫理的底線。

隨著AI的發展，關于MHC的討論不再局限于軍事領域[8]。2023年以來，基于LLM的智能體（AI Agents）迅速發展。對這類自主性更強的AI應用而言，MHC至關重要。在其他一些涉及人類權益和安全且不容有失的場景下，如自動駕駛汽車、手術機器人、智能家居系統、醫療診斷以及社交媒體中的內容審核，MHC也已成為相關AI系統設計的重要考量指標。

歐盟委員會人工智能高級專家組的報告《可信賴的人工智能的倫理準則》[9]，將人類能動性與監督作為可信賴AI系統的基本原則之一。報告認為，AI系統的設計應賦予人類做出決策的權力，并首次提出了三種人與AI的關系機制。我們可借用這三種機制的概念，將其理解為MHC的三種基本模式。

（1）人在回路中（Human?in?the?Loop, HITL）

HITL是指人類在AI系統的每個決策周期中進行干預的模式。在這種模式下，人類在整個操作過程中發揮著不可或缺的作用，影響著系統的每個決策周期。在動態、高度復雜或不確定環境中，HITL是最為可取且常常是十分必要的。然而，決策周期的每個步驟都需要人類輸入，這也可能導致系統效率低下。同時，HITL對人類提出了更高要求，人類必須具備足夠的知識儲備和較高的技能水平。

（2）人在回路上（Human?on?the?Loop, HOTL）

HOTL 是指人類在AI系統設計周期過程中干預并監測系統運行的模式。在這種模式下，人類會在操作執行過程中退后一步，只承擔監督的角色，僅在必要時通過局部干預來影響系統。在此模式下，單一人類監督員可監督多個系統，從而使效率大大提高。因系統自動化程度更高，人類監督員并不必須具備很高的知識水平和技能水平。但在HOTL系統中，如果人類對系統沒有合理的信任期望，無論是過度信任而很少干預，還是不信任而過于頻繁地干預，都會拖累系統性能。

（3）人指揮（Human?In?Command, HIC）

HIC 是指人類僅僅監督AI系統整體活動（包括廣泛的經濟、社會、法律和倫理影響），以及決定何時、如何使用該系統的模式。例如，車輛駕駛輔助系統檢測到即將發生的碰撞威脅后，及時接管車輛以避免人類錯誤操作或因反應緩慢未能及時干預導致的事故。在這種情形下，人類被排除在控制回路之外。但MHC依然存在，因為在何種條件下由AI系統進行該決策，依然是由系統的人類設計者決定。

3.2 人在回路中（HITL）與GenAI創作

如上文所述，GenAI作為專業影視創作工具的主要障礙，在于其自動化程度過高、生成結果不可準確預判。從MHC的角度考察，這是因為目前的GenAI工具大多出于商業目的考量，其首要考慮不具備專業知識和技能的普通用戶需求，多采取人在回路上（HOTL）的產品設計思路，即人類只能進行有限控制。

在這種HOTL模式下，生成內容的具體風格首先被數據集選擇、數據預處理、訓練等階段“罐裝”。生成過程中，用戶如只通過簡單的提示詞（Prompt）這類不精確、缺乏細節的方式來控制生成結果，對文本生成的聊天機器人（ChatBot）而言可能基本足夠，但對于圖片、視頻和音頻生成而言卻較理想狀態差距巨大。人類自然語言中描述視覺、聽覺和運動方面的詞匯本就相對匱乏，例如人類肉眼可辨識的色彩高達上百萬種，但大多數語種描述色彩的常用詞匯只有幾十種，最多也不過幾百種。正因為可控因素有限，目前諸多使用GenAI工具生成的視頻風格千篇一律，缺乏畫面細節和運動細節，多數鏡頭的運動速度太慢或太快，給人以“活動幻燈片”的劣質感。

我們認為，專業領域的GenAI工具采取人在回路中（HITL）的設計模式更為合理。除提示詞工程外，應增加以下操作：（1）模型訓練階段的數據選擇、數據處理以及對模型的微調；（2）生成過程中通過圖像、視頻和角色動作的輸入，對畫面元素進行更精細的控制；（3）采用風格參考、關鍵幀等方式，對生成內容的風格進行限制；（4）對生成結果進行人為選擇和編輯。

圖1　人在回路中（HITL）的GenAI創作模式

2023年2月，筆者團隊開始進行自主視頻生成流程“墨池”（Inkstone）的設計和模型訓練。我們以HITL模式為主導，強調藝術家與GenAI模型間的交互，突出創作者對訓練、生成全過程控制的設計思路，以生成具有特定畫面風格、角色表演細膩、畫面元素連貫的AI動畫。我們通過謹慎選擇數據集、基礎模型與微調模型混合使用、生成過程采用ControlNet等方式對畫面細節進行控制，并對生成結果進行人為選擇和局部優化，于2023年8月完成了首部水墨風格AIGC動畫短片《龍門》，目前該作品已在十余個國際電影節、動畫節中入圍和獲獎[10]。

圖2 　《龍門》劇照

4目前AI影視創作中幾種有效MHC

本文認為，雖然GenAI的原理決定了AI影視創作工具與以往模擬、數字影視創作工具均有所不同，但AI影視創作工具在某種程度上依然是“黑箱”，人類很難監視潛在空間中的模型數據本身，也無法對潛在空間中進行的生成實現完全控制。然而，通過綜合手段對MHC進行強化，在訓練、生成多環節加強人類藝術家的控制，我們仍可對AI生成內容產生足夠的控制，同時保留相當的自動化屬性，從而達到人機共創的良性平衡，既能避免將人類藝術家的時間浪費在創作中必然存在的大量重復性勞動上，又能避免過度強調自動化而喪失人類藝術家對作品的主導性。

從目前GenAI創作工具的發展上，我們也可看到類似趨勢。如早期版本的Midjourney圖片生成工具只有通過提示詞控制一種途徑，經過迭代，逐漸擁有了局部重繪（Inpaint）、風格參考（Sref）等多種更精細且有效的畫面控制手段[11]。GenAI仍在迅速發展，幾乎每個月都有新技術新工具出現，其中相當一部分是針對加強人類控制開發的。迄今，已有多種有效控制手段得到廣泛應用。它們雖與傳統數字影視軟件控制方式大相徑庭，但通過綜合使用，已能達到相當理想的效果。

4.1 模型微調

目前主流GenAI模型的規模在不斷擴大，例如2024年7月推出的FLUX.1已達到120億參數級別[12]。此規模的模型，已很難由掌握數據、算力資源有限的個人或小型團隊自主訓練。然而，基于大模型的微調模型訓練，卻能在很大程度上解決大模型“罐裝”輸出風格的問題。

低秩矩陣適應模型（Low Ranking Adaptation, LoRA）是目前最常用的用于降低大規模預訓練模型微調成本的技術[13]。通過引入少量可訓練參數，LoRA可顯著減少訓練過程中需要調整的參數數量，從而加快訓練速度，并降低計算資源的需求。LoRA的基本思想是通過低秩矩陣分解以減少模型訓練中的參數量。在深度學習模型中，通常需要對權重矩陣進行大規模調整。LoRA假設這些權重矩陣可用兩個低秩矩陣的乘積來近似表示，從而僅需訓練這兩個低秩矩陣的參數，而不需要對原始的權重矩陣進行完全更新。

根據創作項目中的具體需要，訓練一個或多個LoRA模型，對大模型進行多維度微調，是目前AI影視創作中最主要控制手段之一。風格化LoRA的訓練被俗稱為“煉丹”，也是目前在線開源GenAI社區用戶最主要的分享內容之一。

4.2 提示詞生成

GenAI工具生成的畫面元素越復雜、控制越精細，對應的提示詞也就相應地需要更加復雜。如果提示詞過短，生成內容則會在很大程度上依賴模型最主要的風格趨勢。在文生圖、文生視頻時，撰寫上百詞以上的提示詞也并不罕見。

解決這一問題可采用LLM制作提示詞生成工具，例如可用ChatGPT自定義提示詞生成的GPTs，或通過對LLM微調的方式制作通過選項、交談以生成提示詞的專門工具。

OpenAI的DALL?E 3和Sora中，就已包括了專門的提示詞生成模型。通過訓練描述性更高的標題生成模型，DALL?E 3和Sora可將用戶簡短自然語言風格的提示詞，轉換為更長、更詳細的提示詞，發送給圖片和視頻模型，從而整體提升生成品質。

4.3 生成要素控制

另一種對GenAI生成內容進行精細控制的方式是讓圖片、視頻模型參考輸入的圖片和視頻進行生成。以下為目前相對成熟且已廣泛應用的技術。

（1）ControlNet

ControlNet是與擴散模型配合使用，用于增強生成模型控制能力的技術。ControlNet的原理是通過引入額外條件控制，例如人體姿勢、輪廓線、深度圖、紋理等，使生成模型能夠更加精確地控制生成圖像、視頻的特定方面或細節。在訓練環節，ControlNet會學習如何將控制條件信息與生成過程結合；在生成環節，擴散模型負責從噪聲中生成圖像，而ControlNet則提供額外的控制信號并引導生成，使其不僅僅依賴于隨機性。

（2）Inpaint

Inpaint是在擴散模型中修復或替換圖像特定部分的技術，其根據用戶標記范圍，生成圖像中缺失或替換標記部分，最終重新生成的圖像需要沒有任何修復痕跡。用戶首先使用Inpaint工具標記圖像中需要修改或替換的區域；再由擴散模型分析標記區域周圍的像素信息和圖像內容，以保證后續生成內容與周圍像素在顏色、紋理、光影等方面保持一致。分析完成后，擴散模型重新對標記區域的新內容進行生成和填充，也可進一步對整個圖像進行邊緣微調、細節匹配等處理，從而確保整體效果完全一致。

（3）AnimateDiff

AnimateDiff是基于擴散模型的動畫生成技術，旨在從靜態圖像生成流暢的動畫序列。AnimateDiff基于擴散模型基礎生成能力，引入時間維度約束，使生成的視頻不僅符合前后幀連貫性，還能在整體上保持高質量和視覺一致性。

4.4 風格參考

風格參考是指在生成圖像時使用已有特定圖像作為參考，以影響生成圖像風格、色調、構圖或整體美感。通過提供參考圖片，模型可更好地理解用戶希望圖像呈現的視覺效果。風格參考對那些想要在生成的圖像中實現特定視覺效果或風格一致性的創作者而言非常有用。Midjourney的sref功能或基于Stable Diffusion的IP?Adaptor，都可用風格參考對圖像進行控制。

5結論

GenAI的原理決定了其相較于傳統影視內容制作方式自動化程度更高、隨機性更強。其高效便捷是以剝奪人類對藝術作品創作過程的部分控制為代價，而目前在專業領域的GenAI技術應用瓶頸，很大程度上正是由于其可控性的不足。

有意義人類控制（MHC）為我們提供了一個新的思考角度，即如何在發揮GenAI優勢的前提下，進一步通過各種方式實現對生成結果的精細控制，最終決定了GenAI技術會在何種程度上取代傳統的數字創作工具。目前已有基于擴散模型的多種技術能夠逐漸使GenAI的生成過程更多以人在回路中（HITL）的方式進行，但還遠遠不夠。

公開提供服務的GenAI模型更新迅速，參數量直線上升，基礎模型訓練的門檻已被大大提高，越來越明顯的馬太效應讓大多數用戶集中于對少數模型的應用。這些巨量參數的模型在追求泛化能力的同時，必然會造成生成過程中人類參與度降低、隨機性增加。而影視創作專業領域對工具的要求即是可控、精確和連貫，兩者間的矛盾阻礙了AI工具在專業領域的大面積應用。我們認為，有效的方式并非控制泛化能力，過擬合同樣會造成工具可用性的降低。正確的方式應該是通過MHC，開發多模態控制技術，對模型采取綜合手段的精細控制。我們相信，這將是下一階段GenAI在具體影視制作場景中達到實用水平的關鍵。

參考文獻

（向下滑動閱讀）

[1] 尼克. 人工智能的起源：六十年前，一場會議決定了今天的人機大戰[EB/OL].（2016?03?13）[2024?08?28]. https://www.thepaper.cn/newsDetail_forward_1442982.

[2] 謝榕.從盧德工人、新盧德派到數字工人——技術批判的建構主義思路探析[J].自然辯證法通訊,2022,44(04):80?89.DOI:10.15994/j.1000?0763.2022.04.008.

[3] Manovich L, Arielli E. Artificial Aesthetics: A Critical Guide to AI, Media and Design (2022)[EB/OL]. [2024?08?28]. https://www.academia.edu/68603992/Artificial_Aesthetics_A_Critical_Guide_to_AI_Media_and_Design_Chapter_2_Lev_Manovich_Who_is_an_artist_in_AI_era_.

[4] 馬歇爾·麥克盧漢. 理解媒介：論人的延伸[M]. 何道寬，譯. 江蘇：譯林出版社，2019.

[5] Epstein Z, Hertzmann A, Herman L, et al. Art and the science of generative AI: A deeper dive[EB/OL].(2023?06?07)[2024?08?28]. http://arxiv.org/pdf/2306.04141.

[6] Santoni de Sio F, Van den Hoven J. Meaningful human control over autonomous systems: A philosophical account[J]. Frontiers in Robotics and AI, 2018, 5: 15.

[7] Article 36.Killing by Machine: Key Issues for Understanding Meaningful Human Control[EB/OL]. [2024?08?23].https://article36.org/wp-content/uploads/2013/06/KILLING_BY_MACHINE_6.4.15.pdf.

[8] Cavalcante Siebert L, Lupetti M L, Aizenberg E, et al. Meaningful human control: actionable properties for AI system development[J]. AI and Ethics, 2023, 3(1): 241‐255.

[9] European Commission High?Level Expert Group on AI. Ethics guidelines for trustworthy AI[EB/OL].（2024?04?08）[2024?08?23].https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai.

[10] 新華社. AIGC水墨動畫《龍門》探索人工智能時代“武俠＋水墨”創新表達[EB/OL].（2023?12?22）[2024?08?23].http://www.senqingzn.com/dy/article/IMJIRNDT05346RC6.html.

[11] 奧創光年. Midjourney“局部重繪”功能上線，僅用一年AI繪畫進步神速！[EB/OL].（2023?09?13）[2024?08?28]. https://www.sohu.com/a/719555461_121725984.

[12] deephub. Stable Diffusion 原班人馬逆天新作 FLUX.1 ：120億參數的開源AI圖像生成模型[EB/OL].(2024?08?03)[2004?08?28].https://new.qq.com/rain/a/20240803A02SC400?suid=&media_id=.

[13] Hu E J , Shen Y , Wallis P ,et al.LoRA: Low‐Rank Adaptation of Large Language Models[EB/OL]. (2021?1016)[2024‐08‐28]. http://arxiv.org/pdf/2106.09685.

[14] 胡正榮,樊子塽.歷史、變革與賦能：AIGC與全媒體傳播體系的構建[J].科技與出版,2023(08):5?13.DOI:10.16510/j.cnki.kjycb.2023.08.004.

[15] 曾白凌.“被中介的真理”：Sora對媒介相合性的追問[J].現代傳播(中國傳媒大學學報),2024,46(05):1?10.DOI:10.19997/j.cnki.xdcb.2024.05.001.

[16] 王祚.AIGC的侵權問題探析及對策——以AI繪畫為例[J].當代動畫,2024(01):99?105.

[17] 張娟.應用·影響·人才：人工智能技術介入動畫創作的觀察與思考[J].當代動畫,2023(04):4?8.

[18] 孟可.AI，電影，AI電影及關于未來的探討[J].當代電影,2024(05):4?13.

[19] 趙益.算法生成與權力博弈——海外AIGC研究視野觀察[J].當代電影,2023(08):22?30.

[20] 沈浩,盧偉.影視行業中的生成式人工智能：機遇與挑戰[J].現代電影技術,2023(06):10?16.

主管單位：國家電影局

主辦單位：電影技術質量檢測所

標準國際刊號：ISSN 1673-3215

國內統一刊號：CN 11-5336/TB

投稿系統：ampt.crifst.ac.cn

官方網站：www.crifst.ac.cn

期刊發行：010-63245081