# 本章精读 · 第 2 课（AIGC 流程与应用边界）

## 本章定位与前情提要

第 1 课建立了 AI 叙事坐标；本章进入「生成式 AI（AIGC）如何在真实工作流里落地」：**输入素材 → 模型推理 → 输出资产 → 迭代修订**，以及边界议题：**版权、数据来源合法性、误导性与滥用**。本章不要求你是设计师或法务，但要求你能说出「可控生成的抓手」：约束条件、反馈闭环、模板化流程。

后续第 3 课会把前端与人机协同写得可操作；本章先把生成链路想清楚。

### 最小术语表

- **生成式模型**：输出新颖样本（文本／图像／音视频）的一类模型家族。
- **提示（prompt）**：把任务意图编码进模型上下文入口的自然语言或其它符号提示。
- **可控生成**：通过结构化约束（格式块、负面约束、参考图像风格锚）降低漂移。
- **人工介入环节（human‑in‑the‑loop）**：关键节点保留人工验收／改写／否决权。
- **训练数据合规**：引用第三方素材训练或微调模型时的授权边界。

---

## 第一节 · AIGC 工作流的「流水线心智模型」

### 为什么要流水线化

直觉：**单次即兴提问**很容易得到「乍一看可行但经不起评审」的输出。工业语境的流程通常是：

1. **任务拆解**：受众、媒介渠道、语气、禁区（哪些绝不能出现）。
2. **素材准备**：合法可用的参考（版权清晰的素材或可替换占位）。
3. **首轮生成**：偏探索；保存版本而非覆盖。
4. **结构化迭代**：指出失败维度（事实错误／风格跑偏／构图不稳），不要把反馈写成抽象形容词堆砌。
5. **合规审查**：肖像权、商标、敏感话题；必要时降级到人工重做局部。

---

## 第二节 · 版权与数据来源：选择题常见的「合规叙事」

### 直觉区分三个层面

1. **模型权重来源**：开源／商用 API／自训练。
2. **生成所用输入**：上传参考图、粘贴文案片段——你可能对此承担直接责任。
3. **输出再利用**：商用分发是否需要额外授权——取决于素材链条。

题目若强调「版权」「未经授权」，请不要把它简化成「模型很聪明就没问题」——叙事常在考查你是否意识到 **链路责任**。

---

## 第三节 · 风险叙事：误导、伪造与社会信任

深度伪造类的题干往往在连接：**技术可行性 ≠ 伦理许可**。对策叙事是多部门的（标识、溯源、平台治理、法规跟进），而不是单靠某一个 Loss 函数。

---

## 与本章测验怎么对齐

遇到「最优流程」「最合适策略」题型：

- 先看题干限定：**单次 vs 闭环**、**个人尝鲜 vs 团队协作**。
- 再看选项是否在偷换层级：把「可视化解释」当成「公平性证明」一类跳跃。

---

## 延伸阅读

抽屉「全课程纲要」中与生成和人机协同叠合的主题见 **`topic-8`**（提示与前端实践纲要段落）；伦理脉络又见 **`topic-2`**。