一、AIGC 概述

AIGC（人工智能生成內容）是指利用人工智能技術自動生成文本、圖像、音頻、視頻等內容的技術。主要技術包括：

1. 生成對抗網絡 (GANs) - 用於圖像生成
2. 變分自編碼器 (VAEs) - 用於數據生成和壓縮
3. 擴散模型 (Diffusion Models) - 當前主流的圖像生成技術
4. 大語言模型 (LLMs) - 如GPT系列，用於文本生成
5. 多模態模型 - 如DALL-E、Stable Diffusion，可跨模態生成內容

二、文本生成示例 - 使用Transformers

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

class TextGenerator:
    def __init__(self, model_name="gpt2"):
        """初始化文本生成器"""
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModelForCausalGPT2LM.from_pretrained(model_name)
        
        if self.tokenizer.pad_token is None:
            self.tokenizer.pad_token = self.tokenizer.eos_token
    
    def generate_text(self, prompt, max_length=100, temperature=0.7):
        """生成文本
        
        Args:
            prompt: 提示文本
            max_length: 生成的最大長度
            temperature: 温度參數，控制隨機性
        """
        # 編碼輸入
        inputs = self.tokenizer(prompt, return_tensors="pt")
        
        # 生成文本
        with torch.no_grad():
            outputs = self.model.generate(
                inputs.input_ids,
                max_length=max_length,
                temperature=temperature,
                do_sample=True,
                top_p=0.9,
                pad_token_id=self.tokenizer.pad_token_id,
                eos_token_id=self.tokenizer.eos_token_id
            )
        
        # 解碼輸出
        generated_text = self.tokenizer.decode(outputs[0], skip_special_tokens=True)
        return generated_text

# 使用示例
if __name__ == "__main__":
    generator = TextGenerator()
    
    prompt = "人工智能在未來將"
    result = generator.generate_text(prompt, max_length=50)
    
    print("提示:", prompt)
    print("生成結果:", result)

三、圖像生成示例 - 使用Stable Diffusion

import torch
from diffusers import StableDiffusionPipeline
from PIL import Image
import matplotlib.pyplot as plt

class ImageGenerator:
    def __init__(self, model_id="runwayml/stable-diffusion-v1-5"):
        """初始化圖像生成器"""
        self.pipe = StableDiffusionPipeline.from_pretrained(
            model_id,
            torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32
        )
        
        if torch.cuda.is_available():
            self.pipe = self.pipe.to("cuda")
    
    def generate_image(self, prompt, negative_prompt=None, 
                       num_inference_steps=30, guidance_scale=7.5):
        """生成圖像
        
        Args:
            prompt: 正面提示詞
            negative_prompt: 負面提示詞
            num_inference_steps: 推理步數
            guidance_scale: 指導尺度
        """
        # 生成圖像
        image = self.pipe(
            prompt=prompt,
            negative_prompt=negative_prompt,
            num_inference_steps=num_inference_steps,
            guidance_scale=guidance_scale
        ).images[0]
        
        return image
    
    def generate_variations(self, prompt, num_variations=4):
        """生成多個變體"""
        images = []
        for i in range(num_variations):
            image = self.generate_image(
                prompt=f"{prompt}, variation {i+1}",
                num_inference_steps=25
            )
            images.append(image)
        
        return images

# 使用示例（簡化版 - 實際運行需要GPU和較大內存）
if __name__ == "__main__":
    # 注意：完整運行需要GPU和至少8GB顯存
    # 以下為演示代碼結構
    
    # generator = ImageGenerator()
    
    # 生成單張圖像
    # prompt = "一隻可愛的卡通貓，數字藝術，明亮色彩"
    # image = generator.generate_image(prompt)
    # image.save("generated_cat.png")
    
    # 生成多個變體
    # variations = generator.generate_variations("星空下的山脈", num_variations=4)
    
    print("圖像生成器初始化完成（示例代碼）")

四、簡易AIGC應用 - 文本摘要生成

import re
from collections import Counter
import numpy as np
from typing import List, Tuple

class SimpleTextSummarizer:
    """基於TextRank的簡易文本摘要生成器"""
    
    def __init__(self):
        self.stopwords = set([
            '的', '了', '在', '是', '我', '有', '和', '就',
            '不', '人', '都', '一', '一個', '上', '也', '很',
            '到', '説', '要', '去', '你', '會', '着', '沒有',
            '看', '好', '自己', '這', '那', '他', '她', '它'
        ])
    
    def preprocess(self, text: str) -> List[str]:
        """預處理文本"""
        # 分割句子
        sentences = re.split(r'[。！？!?]', text)
        sentences = [s.strip() for s in sentences if len(s.strip()) > 5]
        
        # 分詞（簡易版本）
        words_in_sentences = []
        for sentence in sentences:
            words = []
            for char in sentence:
                if char not in self.stopwords and char.strip():
                    words.append(char)
            words_in_sentences.append(words)
        
        return sentences, words_in_sentences
    
    def calculate_similarity(self, words1: List[str], words2: List[str]) -> float:
        """計算兩個句子的相似度"""
        if not words1 or not words2:
            return 0.0
        
        # 使用Jaccard相似度
        set1, set2 = set(words1), set(words2)
        intersection = len(set1.intersection(set2))
        union = len(set1.union(set2))
        
        return intersection / union if union > 0 else 0.0
    
    def build_graph(self, words_in_sentences: List[List[str]]) -> np.ndarray:
        """構建句子圖"""
        n = len(words_in_sentences)
        graph = np.zeros((n, n))
        
        for i in range(n):
            for j in range(n):
                if i != j:
                    graph[i][j] = self.calculate_similarity(
                        words_in_sentences[i], 
                        words_in_sentences[j]
                    )
        
        return graph
    
    def textrank(self, graph: np.ndarray, damping=0.85, max_iter=100) -> np.ndarray:
        """TextRank算法計算句子重要性"""
        n = len(graph)
        scores = np.ones(n) / n
        
        # 歸一化圖
        norm_graph = graph / (graph.sum(axis=1)[:, np.newaxis] + 1e-10)
        
        for _ in range(max_iter):
            new_scores = (1 - damping) / n + damping * norm_graph.T.dot(scores)
            
            if np.abs(new_scores - scores).sum() < 1e-6:
                break
            
            scores = new_scores
        
        return scores
    
    def summarize(self, text: str, num_sentences: int = 3) -> str:
        """生成摘要"""
        # 預處理
        sentences, words_in_sentences = self.preprocess(text)
        
        if len(sentences) <= num_sentences:
            return '。'.join(sentences) + '。'
        
        # 構建圖和計算重要性
        graph = self.build_graph(words_in_sentences)
        scores = self.textrank(graph)
        
        # 選擇最重要的句子
        ranked_indices = np.argsort(-scores)[:num_sentences]
        ranked_indices.sort()  # 保持原文順序
        
        # 生成摘要
        summary_sentences = [sentences[i] for i in ranked_indices]
        summary = '。'.join(summary_sentences) + '。'
        
        return summary

# 使用示例
if __name__ == "__main__":
    # 示例文本
    text = """
    人工智能是計算機科學的一個分支，它企圖瞭解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器。
    該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，
    應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的容器。人工智能可以對人的意識、
    思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考，也可能超過人的智能。
    """
    
    summarizer = SimpleTextSummarizer()
    summary = summarizer.summarize(text, num_sentences=2)
    
    print("原文:")
    print(text)
    print("\n自動摘要:")
    print(summary)

五、AIGC應用注意事項

1. 倫理問題

class AIGCEthicsChecker:
    """AIGC倫理檢查器（簡化版）"""
    
    def __init__(self):
        self.harmful_patterns = [
            "暴力", "仇恨", "歧視", "虛假信息",
            "隱私侵犯", "版權侵權", "深度偽造"
        ]
    
    def check_content(self, content: str, content_type: str = "text") -> dict:
        """檢查內容是否符合倫理規範"""
        issues = []
        
        # 檢查有害內容
        for pattern in self.harmful_patterns:
            if pattern in content:
                issues.append(f"可能包含{pattern}")
        
        # 根據不同內容類型添加特定檢查
        if content_type == "image":
            issues.extend(self._check_image_ethics(content))
        elif content_type == "text":
            issues.extend(self._check_text_ethics(content))
        
        return {
            "has_issues": len(issues) > 0,
            "issues": issues,
            "suggestion": "請確保生成內容符合倫理規範和法律法規"
        }
    
    def _check_text_ethics(self, text: str) -> List[str]:
        """檢查文本倫理"""
        issues = []
        # 這裏可以添加更復雜的檢查邏輯
        return issues
    
    def _check_image_ethics(self, image_info: str) -> List[str]:
        """檢查圖像倫理"""
        issues = []
        # 這裏可以添加圖像特定的檢查邏輯
        return issues

2. 實踐建議

1. 明確目標：確定AIGC的具體應用場景
2. 數據質量：確保訓練數據的質量和多樣性
3. 迭代優化：通過反饋循環不斷改進生成結果
4. 人工審核：重要內容需進行人工審核
5. 版權意識：注意生成內容的版權問題

六、未來發展趨勢

1. 多模態融合：文本、圖像、音頻、視頻的深度融合生成
2. 交互式生成：人機協作的內容創作模式
3. 個性化定製：根據用户偏好生成個性化內容
4. 實時生成：低延遲的實時內容生成
5. 可解釋性：提高生成過程的透明度和可解釋性

以上代碼示例展示了AIGC的基本應用，實際生產中需要根據具體需求選擇合適的模型和優化策略。AIGC技術正在快速發展，為內容創作帶來了革命性的變化。