每一个环节都蕴藏机遇的AIGC价值链

       随着生成式人工智能系统的开发和部署，一个新的价值链正在形成，以支持这一强大技术的训练和使用。乍一看，人们可能会认为它与传统的人工智能价值链很相似，毕竟，在计算机硬件、云平台、基础模型、模型中心和机器学习操作（MLOps）、应用程序和服务这六个类别中，只有基础模型是生成式人工智能价值链新增的。然而，深入研究就会发现，二者的市场机会存在一些显著差异。

       首先，生成式人工智能系统的基础比大多数传统人工智能系统要复杂得多。因此，所需的巨大时间、成本和专业知识给价值链上的新进入者和小公司带来了阻碍。虽然整个行业都存在一些价值点，但我们的研究表明，在可预见的未来，许多领域将继续由科技巨头和老牌企业主导。

       生成式人工智能应用市场是价值链中预计扩展最快的部分，将为现有科技公司和新市场进入者提供重要的价值创造机会，此外，使用专有数据来对应用进行微调的公司会比那些不使用的公司取得更显著的竞争优势。

影响生成式人工智能未来发展的一些关键问题

      在声量巨大的浪潮中，围绕着生成式人工智能技术出现了许多问题，这些问题的答案可能会影响生成式人工智能技术未来的发展和使用。以下是评估生成式人工智能生态系统将如何演化时需要考虑的三个最重要的问题：

      是否可以使用受版权保护的数据或个人数据来训练模型?在训练基础模型时，开发人员通常会从互联网上“爬取”数据，这可能包括受版权保护的图片、新闻文章、社交媒体数据、受《通用数据保护条例》（GDPR）保护的个人数据等。目前的法律法规对这种做法的态度是模糊的。一些判决先例表示，可能会对爬取在网上发布的专有数据进行限制，或使数据所有者能够限制或选择退出搜索索引，以便他们的数据不容易在网上被发现，数据所有者的新补偿模式也可能会出现。

     谁拥有创造性的产出？目前的法律和法规也没有明确回答谁拥有生成式人工智能系统最终输出的版权。几个潜在的参与者可以共享或拥有最终输出的专有权利，例如数据集所有者、模型开发者、平台所有者、提示创建者，或手动改进和交付最终生成AI输出的设计师。

       组织将如何管理生成式人工智能输出的质量？我们已经看到了许多系统提供不准确的、具有煽动性的、带有偏见或剽窃的内容的例子，目前尚不清楚模型能否消除这种输出。最终，所有开发生成式人工智能应用的公司都需要在用例层面上评估产出并确定潜在的危害，从而提前限制存在潜在风险部分的商业化。