随着 AIGC（Artificial Intelligence Generated Content） 的爆发，我们已经习惯了像 Sora 或 Wan 这样的视频生成模型能够理解「一只宇航员在火星后空翻」这样天马行空的指令。然而，3D 人体动作生成（3D MoGen）领域却稍显滞后。
最近我还真看到一个有点不一样的的 AI 创作比赛，国际奥委会联合阿里云搞了一场「米兰冬奥会 AIGC 全球大赛」，用万相大模型输入一句话，生成 5 到 15 秒冬奥视频即可参赛。不需要专业设备、不需要懂技术、甚至不需要会滑雪，只需要有个脑洞。
打造 AI 时代计算效率的新标杆。
昨天测试了一款很拉跨的 AIGC 类产品，再也不用了。 我不清楚，为什么有些生成类的产品还在可劲强调生成能力，而不花心思做修改和编辑的体验。 一个项目做到九成，我们脑子里经常会冒出个错觉，好像离终点只
在 AIGC 的下一个阶段，图像编辑（Image Editing）正逐渐取代一次性生成，成为检验多模态模型理解、生成与推理能力的关键场景。我们该如何科学、公正地评测这些图像编辑模型？
随着 AIGC 图像生成技术的流行，后门攻击给开源社区的繁荣带来严重威胁，然而传统分类模型的后门防御技术无法适配 AIGC 图像生成。
AIGC正在迎来平台层面的集体热捧。 9月16日，腾讯视频官宣首届AI短片创作大赛，面向全球创作者征集AI短片。而事实上，今年以来，爱奇艺、快手、抖音等多个平台均纷纷加码AIGC相关扶持与创投计划。相较去年偏重于“创意尝鲜”，平台今年的重点已明显转向“商业落地”的探索。
今天，AI 行业发展更进一步，将“光”引入 AIGC 领域，完全基于系统硬件物理定律，首次实现了具备特定特征的全新（未见过的）图像生成。来自加州大学洛杉矶分校的研究团队成功实现了手写数字、时尚产品、蝴蝶、人脸及艺术品（如梵高风格）的单色与多色图像光学生成，且整体性能媲美基于数字神经网络的生成式模型。
自回归模型，是 AIGC 领域一块迷人的基石。开发者们一直在探索它在视觉生成领域的边界，从经典的离散序列生成，到结合强大扩散模型的混合范式，每一步都凝聚了社区的智慧。
这篇文章，我会从几个真实的案例出发，深度拆解一下星流这款产品，以及聊聊：为什么我认为「可控」才是真正的生产力？星流到底如何做到「可控」？以及，「可控性」为什么会是下一阶段 AIGC 的竞争关键?
