AI图像生成技术在公共图书馆的应用与思考

摘 要 图像生成技术是当前多模态人工智能生成的关键中转点，在公共图书馆有着巨大的应用潜力。公共图书馆需要与时俱进，抓住这一历史机遇，围绕新技术拓宽已有的思路，为读者提供更高质量、更富有创意的服务内容。论文以Stable Diffusion等平台所带来的AI绘画浪潮为例，简要介绍其关键技术；通过对海内外图像生成平台的使用调研，并结合已有的实践经验，探索图书馆可能的应用场景，分析其落地要求和潜在风险。，以期为公共图书馆在AI技术赋能下进一步扩大公共服务的竞争力、改善日常业务水平提供经验借鉴。

关键词 人工智能生成内容；图像生成技术；公共图书馆

分类号 G250

DOI 10.16810/j.cnki.1672-514X.2024.10.008

Application and Thinking of AI Image Generation Technology in Public Libraries

Zhu Yunqi， Zhao Shen’an

Abstract Image generation technology performs a key intermediate point in current multi-modal artificial intelligence generation， demonstrating enormous potential for application in public libraries. Public libraries need to keep up with the times， seize this historical opportunity， broaden existing ideas around new technologies， and provide readers with higher quality and more creative service content. This article briefly introduces the key technologies involved in the AI painting wave brought about by platforms such as Stable Diffusion. By conducting research on the use of image generation platforms both domestically and internationally， and combining existing practical experience， this study explored the possible application scenarios of libraries and analysed both implementation requirements and potential risks. This paper can provide experience and reference for public libraries to further expand their competitiveness in public services and improve their daily service level under the empowerment of AI technology.

Keywords Artificial intelligence generated content. Image generation technology. Public library.

2022年末，随着OpenAI公司的ChatGPT发布，生成式AI浪潮席卷了世界各行各业。人们纷纷在自己的领域寻求AIGC（AI-Generated Content，人工智能生成内容）的应用可能性。以ChatGPT为代表的大模型、多模态、强交互的生成式AI技术，通过对已有数据进行学习和模式识别，能够以适当的泛化能力生成相关内容，造就了新一代的内容生成模式[1]。

图像生成作为AIGC的重要能力之一，是“多模态融合驱动”[2]的关键中转点。但目前公共图书馆界缺乏对图像生成领域的实践方案研究。本文从闭源与开源两种商业模式的比较入手，探讨了图书馆应用AI图像生成技术功能的可行方案，并通过对开源平台Stable Diffusion（以下简称SD）的实践研究，讨论了AI图像生成技术在公共图书馆的潜在应用场景。研究表明，AI除了能为图书馆提供海量的美术资源外，还是未来公共图书馆“智慧化”发展的关键支撑技术，其应用范围涵盖了读者服务、馆员创作、数据加工、虚拟现实等。公共图书馆应该建立与之配套的工作团队和管理制度，为随之而来的风险与挑战做好准备。

1 AI图像生成技术在图书馆的落地方案

目前AI生成服务的产品方案可分为闭源和开源两种商业模式。闭源模式是由科技厂商布署在自己的私有化服务器上向用户提供服务，用户无法了解其模型算法细节并根据具体业务场景自由微调。开源模式以SD为代表，能够在任意配备了消费级显卡的计算机上方便、快速地部署本地服务。

1.1 闭源与开源方案

自2020年起，DALL-E系列以及MidJourney的陆续推出，用户可以选择大平台厂商提供的付费使用方案[3]，证明了当前生成式大模型已具备商业化运营的可能。科技巨头的技术积累雄厚，但缺点在于价格高昂。以百度“文言一格”为例，最基础出图价格为0.25元/幅，而小平台的每日免费额度则非常宽裕（如Draft），售价也只有0.16元/幅（如“造梦日记”）。因此，大平台胜在语义理解能力、图文映射的契合度以及泛化表现非常好，缺点在于价格偏高，而中小平台虽然较之使用成本低，但使用门槛较高、出图效果仍有一定差距。

值得一提的是，有相当一部分中小型平台（如“造梦日记”、Draft等）选择对开源的SD架构进行改良，并集成大量插件功能，提供自己独有的风格模型。2022年Stability AI开源了旗下的NovelAI，宣告了SD的诞生。该模型使用的是改良的Latent Diffusion模型，核心原理是通过模拟扩散过程，将噪声图像逐渐转化为目标图像。整个模型计算复杂度较低，在高分辨率任务下出图效果较好，并支持多模态训练[4]。尽管如此，SD也因其提示词编制的学习门槛高，存在易上手但难精通的缺陷。开源的SD之所以能叫板闭源的商业大模型，源于其凝聚了全世界开源社区开发者的集体智慧。大量开发者在社区上传自己微调和定制的预训练模型、功能拓展插件，支撑着SD模型生态的不断优化。微调和预训练模型是其获得成功的关键技术。

（1）微调。微调需求的出现源自目前大模型的参数膨胀，巨量参数带来益处的同时也导致了模型迁移能力下降。传统的训练方法无法适应这么巨大的模型——既耗时耗“力”，也无法“记住”下游任务提供的数据集[5]。在图像生成领域，微调可以在保证原有扩散模型泛化能力的基础上，尽可能拟合出贴近用户自定义的图像数据，使得生成的图像更精准地符合提示词。微调的另一个优点是耗费的算力资源远低于全调。

（2）预训练模型。预训练模型是一个用大量数据和任务训练出的通用模型，它是用来理解数据集中通用的知识，是下游任务特化模型的来源与训练基础。其最大的优势在于，使用预训练模型可以降低（忽视）训练的成本，用户在执行图像生成任务时只需要关注目标数据与已有模型的相似程度，从而选择合适的预训练模型，而非从头开始训练、建模[6]。目前在SD平台解决不同任务需求最主要的方法就是选择下载合适的预训练大模型。

1.2 实现路线与应用脉络

目前大部分公共图书馆都处于将AI引入工作流的起步期，AI图像生成技术多被用来辅助创作。因此，开源方案在内部工作流中具备了上手快、成本低、规避版权风险、防止信息外泄等优势。一些业界的研究者已开始探索全面推进馆所业务AI化的解决方案，例如在第七届未来智慧图书馆发展论坛上，云瀚联盟发布了云瀚本地大模型应用套件[7]。从目前的行业趋势来看，一部分图书馆会采取与云瀚联盟类似的方式，试图建立能本地部署且支持灵活配置的行业标准套件。套件内尽可能地集成各种多模态的开源模型，依靠其扩展性强的优势，为厂商、图书馆构建AI应用领域的合作平台和技术社区，以一种开放的姿态紧跟AI技术步伐。另一些则选择与商业企业合作，依靠商业AI大模型建立自己的应用平台，如国家图书馆与百度达成的战略合作协议，借助“文言一心”大模型落地自己的智能化应用[8]。但无论采取何种路线，AI绘画（文生图）作为框架中最基础的功能之一，需要提前布局，尽早将其纳入到图书馆整体AI战略考量中。在图书馆应用图像生成技术中，短期内将主要集中在生成服务上，辅助馆员的文案创作和资源加工，以及对读者的艺术教育和订制服务。未来公共图馆将应用AI生成技术的视觉呈现，加强馆藏资源的广度和深度开发，通过虚拟形象设计扩大和提升服务的影响力，发展“智慧图书馆”“元宇宙图书馆” 增强读者的沉浸式阅读体验。

2 AI图像生成技术在图书馆的生成服务

SD平台通过社区贡献和微调、预训练大模型的加持，应用场景不断被拓宽。因此本文通过调研已实现的功能，将其迁移至图书馆中，并以SD为主要生成平台，尝试验证业务落地的可行性。AI图像生成技术在图书馆的应用短期内将主要集中在生成服务上，即对部分人力劳动的替代，其中又分为对馆员的劳动辅助及对读者的订制服务。

2.1 面向馆员的创作辅助

公共图书馆的很多日常工作需要使用美术资源。如完成文案配图、展陈设计工作时，可以运用SD的局部重绘、ControlNet等插件调整图像细节，辅助馆员开展控线、上色、“3渲2”等美术创作，甚至可利用多模态模型的文图互生功能，实现文案图片的一条龙配套生成。如图1所示，上海图书馆已在工作中运用AI技术辅助展陈设计的工作。利用类似功能，AI也可被用于视频的后期制作[9]。

2023年底，SD平台Stable Video Diffusion模型的开源，让AI视频生成得到了极大的普及。该模型以单一图像为输入，可以生成无缝、逼真的视频。目前已经可以制作一些实景、实物的三维展示短片、动图[10]。而在其之后，Sora、Gen-2等文生视频商业大模型不断发布，也让AI视频生成真正走向了应用阶段。AI也成功地解放了围绕视觉艺术的阅读推广活动设计思路，使其不再受出版物配套资源的限制，让活动方自由地选定主题以开展活动。已有韩国学者在少儿教学中作出尝试，利用ChatGPT和SD制作图片AI生成系统来快速生成教学相关的图片[11]。

2.2 面向馆员的资源加工

资源标引是图书馆检索和利用信息资源的先决条件。图片数据作为图书馆信息资源的重要组成之一，却由于标引标准不一和易受标引人员主观影响的问题，难以对图片中的时间、人物、出处等信息形成准确描述。面对这样的问题，可以利用AI图像生成技术中的“图生文”功能，即“文生图”的逆向过程，逆向抽取给定图片的描述（如图2所示）。该功能在多个绘图平台得到支持，例如MidJourney的“describe”命令，SD的CLIP Interrogator等插件。抽取出图片描述信息后，可以对图片分类归档，实现基于图片内容的细粒度检索，也可用作模型训练数据，对外提供智慧服务。

进入数字化时代，图书馆馆藏的老旧图片（影印）资料需要预先进行高清修复处理。英伟达早在2018年就推出了一个基于AI生成的军人旧相片修复项目，能从照片的折痕、磨损、破洞中恢复照片原来的像素矩阵[12]。而在SD平台，利用发布的DiffBIR模型可以将低像素的、有锯齿的图片转化为相当自然的高清像素图片[13]。图书馆可以依靠这些技术从馆藏的老旧照片中挖掘图片细节，寻找遗失的历史信息。

2.3 面向读者的艺术教育

AI图像生成可以被用于艺术教育。例如，有学者总结了一套SD提示词的使用规范，并以静物摄影课为例，将生成种子固定后改变任意场面调度（Mise-en-scene）描述来直观感受不同镜头语言间所蕴含的巨大故事差异[14]。同理，公共图书馆也可以用它来丰富自己的美育活动。例如，2024年上海图书馆东馆少儿阅读区曾使用适配少儿体验的SD改良界面（图3）开展过“二月二龙抬头”AI画龙活动。少年儿童可以通过动手调整不同风格、不同元素的图片输出，来绘制属于自己的“龙”， 直观感受传统民俗与美术知识。

2.4 面向读者的文创定制

DALL-E官网曾展示了一个有趣的应用场景，即对美术家维米尔的《带珍珠耳环的少女》进行扩画（outpainting）。该示例扩展了原始图片的边界，并尽可能地按照维米尔的风格模仿原作的阴影和亮点，生成新的视觉效果，或按提示词生成新的组件。公共图书馆可以借鉴这一思路，开展更多的针对个人的文创订制服务。浙江大学软件学院团队曾于2020年推出过一款人工智能文创产品定制服务平台，提供风格迁移技术，可以将大师作品、非遗艺术表现在终端用户的个人照片上[15]。除此以外，利用SD的局部重绘以及扩画等功能，也可以对图片数据进行二次创作，添加、补全个性化元素，最后基于POD（按需印刷）服务，为读者制作抱枕、文化衫等个性化的文创用品。

3 AI图像生成技术在图书馆的视觉呈现

目前来看，AI生成图像的应用优势在于工作效率的提高、创造力的激发、图像元素调整的能力以及成本的大幅降低。更重要的是，AI图像生成技术是未来公共图馆发展“智慧图书馆”“元宇宙图书馆”的基点之一，是公共图书馆业务创新的有力工具。AI图像生成除了可以辅助馆员的创作、代替馆员的劳动以外，还可进一步满足馆内的视觉任务需求，深度介入图书馆的馆藏开发、虚拟形象设计以及“元宇宙”未来发展战略。

3.1 开发馆藏数字藏品

AI生成技术改变了馆藏资源开发的广度和深度。基于图像生成技术，公共图书馆可以更多地围绕图书资源（包括独特印刷工艺、版式设计、书中故事场景人物等）、古籍文物、物理装置装饰（包括建筑与其内一切有标识度的地标设计，如雕塑、摆件等）开展创意研发工作。2022年山东省艺术研究院联合济南皮影戏传承人和支付宝“超维空间”，共同推出了国内首个由AI打造的数字皮影藏品[16]。同年6月，百度应邀为西安美术学院的毕业展创作了AI数字藏品[17]。图书馆为了追求文化公益性，扩大影响力，更可以提供AI工具，鼓励读者对数字藏品进行二次创作，促进资源活化利用，反哺数字藏品的价值增值。

3.2 自建主题生成式大模型

AI大模型的参数是训练样本隐藏特征的高度浓缩，常常可以发现人眼所不能看到的细节。图书馆可以将特定领域的藏品（例如所有馆藏的某大师作品、具有当地特色的非遗艺术作品等）输入进大模型中，从而训练（或微调）获得有针对性生成能力的模型。例如，中央美术学院于2024年初发布了自己的AI绘画大模型，充分利用了其教学资源，并博采院内前辈的创作理念与美术技巧，形成了国画技法、风格和特点数据库，以此训练出独有的绘画大模型[18]。

同样地，对公共图书馆而言，丰富的地方资源也是亟待开拓的沃土。例如，上海图书馆可以将收录的大量民间年画作为数据，训练得到AI上海年画生成模型，并使之成为供图书馆活动项目使用的艺术体验工具。此外，还可作为模型竞赛对象，向社会开放训练接口，举办生成效果评价比赛，鼓励公众利用AI研究馆藏文献资源所蕴含的艺术元素与画法技巧。

3.3 制作特色虚拟人物形象

为了贴合年轻读者群体，丰富活动形式，减少人员支出，可以将AI语言生成与图像生成相结合，创建符合活动需求的、具有特定风格的虚拟数字人。在此基础上，还可以利用人像动画技术配合语音加以驱动，让虚拟数字人生动起来。典型的有首都图书馆举办的“鲁迅与首都三馆”特展中推出的“AI鲁迅”，鲁迅的形象和面部表情都通过人工智能复原，再加上语言模型赋予的“鲁迅口吻”，成功地让读者有机会与之来一场跨越时空的交流[19]。

3.4 打造元宇宙空间展呈

生成式AI的成熟，为“元宇宙”这一概念注入了新的发展动力。AIGC在革命元宇宙、改善沉浸式虚拟体验方面有着巨大的潜力。当前，有许多研究尝试将图像生成技术应用于元宇宙中，从而代替人类完成诸如虚拟形象与NPC（非玩家角色）设计、数字模型内容的创作、虚拟世界拟真等工作。许多学者正试图解决虚拟2D-3D人脸转换生成、表达情感的步态设计、草图快速生成、以及自动光源、拟真材质纹理等问题[20]。因此，AI图像生成技术是构建未来元宇宙图书馆的重要技术支撑。目前应用大多集中在形象与NPC设计上，尤其是在虚拟会展方面，例如2022年上海外国语大学举办的“元宇宙与智慧图书馆”高端学术论坛，就同时将会议场所设置在元宇宙场景中，与会人员需要用AI生成自己的个性化“数字人”形象[21]。

除元宇宙图书馆外， AI还可以辅助设计沉浸式阅读体验活动，构建小型“元宇宙空间”。当需要用虚拟现实进行古籍、书籍场景（包含内容、创作轶事、来历说明等）展示时，可以用图像生成技术绘制大量非核心要素的3D模型或贴图素材。例如，新加坡国立图书馆已经在馆内为读者提供类似虚拟搭建的服务，可以根据书籍中的角色、类型、故事等关键词生成相应场景，甚至能为故事添加转折，呈现出不同的面貌，进一步增强读者的阅读体验。

4 AI图像生成技术在图书馆应用的实践思考

根据前文提到的短期内的应用场景，结合工作中的一些实践经验，本文提出了在工作制度、“硬件”支持以及合作机制上的思考。与此同时，AI在图像生成领域还具有实践层面的风险，值得图书馆界警惕。

4.1 完善工作制度，保障业务正常开展

将AI绘画纳入进日常业务流程中，需要制度的保障。资源挖掘、设计开发、方案评定、版权归属、以及后续生成、修改、审核、发布等各个环节都需要建立起标准规范，以高效、稳定地推进业务。例如，制定使用规范，合理分配计算资源，统筹建立使用协调机制；完善审核机制，采取多轮、多人、AI辅助的原则，排除各类风险内容生成；引入专家评议机制，评估AI生成作品的完成度；总结经验，不断迭代优化馆员使用说明等。

4.2 培养高水平管理团队，注重“硬件”支持

AI图像生成技术的的硬件门槛并不高。在消费级显卡支持下，任何计算机都可以本地部署SD，甚至仅需12G显存就可实现模型微调。其他商业平台除了可以订阅付费以外，也都提供了一定的免费使用额度，以满足临时需求。但更重要的是培养和建立高水平的管理团队。面对AI领域的技术更新，馆员在日常工作中需要注意提高自己的创造力，在了解馆内的各类资源特色的基础上，保持对新技术的敏感度，在充分发掘技术潜力的基础上打开思路，从多种维度的文化资源入手，快速准确地找到当下读者复杂多变的文化需求“痛点”， 拓宽AI应用场景，创造技术应用的“新跑道”，加强馆藏资源利用的广度与深度。

4.3 建立合作机制，提升AI的服务能力

公共图书馆受到外部环境和技术进步的双重影响，转型升级压力比较大，需要开展大量的外部合作。尤其是AI领域，目前一些公共图书馆选择与高校、科研机构、高新技术企业合作，通过学术讲座、技术培训、竞赛等形式，实现AI技术的普及，并进一步寻求技术落地机会。图书馆应该鼓励员工和读者体验AI工具，通过使用后的探讨来反过来督促合作单位提升AI的服务能力。但在合作中，也需要摒弃一些“局外人”的思维，避免让技术成为装饰，要注意建立完善的沟通纠错制度，减少“为展而展”的情况。

4.4 尊重著作权人权利，警惕侵权风险

AI图像生成自诞生之初就伴随着版权争论。目前实务中一般判断版权存在的前提是不能脱离人的创作介入[22]。国内第一起因使用AI生成图片的著作权纠纷案（2023京0491民初11279号）的文书也显示，具备“独创性”要件、并体现了人的独创性智力投入，才能被认定为作品、具有著作权。同时，由商业平台产出的AI作品的著作权归属也非常严格[23]，如“文心一格”的用户协议就约定任何产出都归属于百度公司。与之相对的是以SD为基础的开源平台（包括SD），著作权则完全归于用户——当然Stability AI也不承担任何相应责任。

此外，除了“著作权”归属争议以外，其他类型的“侵权”风险也需要警惕。例如全球最大的图片版权方盖蒂（Getty）起诉SD的母公司Stability AI，指控其利用他们旗下的图片产品进行训练[24]。所以为了尽量避免引起纷争，目前商业上流行的做法是在使用非开源的图片集时，直接向版权所有者购买训练输入的权利。公共图书馆在自行训练的时候，同样需要判断训练用的图片是否已经开放版权，是否本馆所有，是否符合所购买的数据库的使用协议等。同理，图书馆需要预先制定好方案，以应对自己的馆藏被未经授权地训练，并界定训练模型所产出的作品的版权等。

4.5 健全AI生成得法，归避内容生成风险

影响图书馆的并非只有技术，背后折射的还有法律、伦理、价值观上的问题，还需要公共图书馆界早做准备，注意归避内容风险。OpenAI可能会选择牺牲出图效果来规避用户生成带有不良信息的、高度吻合他人作品构图的、侵犯他人肖像权的图片，如DALL-E 3会完全屏蔽包含有近100年内艺术家作品风格的提示词。此外，当前的生成算法还有可能生成一些令人不适的元素，所以在业务中必须做到与读者的“隔离”——例如在即时业务场景中使用UI界面等方式，人为制造与读者见面的“时间差”（见前文AI画龙活动）。另外，公共图书馆也需要保护自己的形象以免被恶意嫁接其他元素以生成不宜的图像。

5 结语

本文在考察了国内外主流AI图像生成平台的基础上，分析并提出了有代表性的应用场景和图书馆建设需求。通过调查与实践研究，现阶段AI图像生成技术已经可以提高图书馆日常工作的效率，并在可视的未来进一步扩大公共服务的竞争力、改善日常业务水平。公共图书馆需要重视AI图像生成技术的发展潜力，从团队、制度、合作上建立合格的保障制度，不断深入挖掘特色馆藏与文化资源，从而设计富有创意和文化内涵的活动和产品。最后，本文讨论了新技术的部分局限和风险，公共图书馆需为此尽快布局，制定相应预案以应对后续风险挑战，以确保图书馆充分利用新技术优势，发挥自身的专长。

参考文献：

马乐存，詹希旎，朱齐宇，等.AIGC驱动的GLAM数智融合创新发展研究[J].农业图书情报学报，2023，35（5）：4-15.

蔡子凡，蔚海燕.人工智能生成内容（AIGC）的演进历程及其图书馆智慧服务应用场景[J].图书馆杂志，2023，42（4）：34-43，135-136.

BORJI A. Generated faces in the wild： quantitative comparison of stable diffusion， midjourney and dall-e 2[J]. arXiv preprint arXiv：2210.00586， 2022.

YANG L， ZHAN Z， SONG Y， et al. Diffusion models：a comprehensive survey of methods and applications[J]. arXiv preprint arXiv：2209.00796， 2022.

林令德，刘纳，王正安.Adapter与Prompt Tuning微调方法研究综述[J].计算机工程与应用，2023，59（2）：12-21.

ZHOU C， LI Q， LI C， et al. A comprehensive survey on pretrained foundation models： a history from bert to chatgpt[J]. arxiv preprint arxiv：2302.09419， 2023.

教育装备采购网.第七届未来智慧图书馆发展论坛暨第二十届数智图书馆前沿问题高级研讨会隆重开幕[EB/OL].[2024-06-04].https：//www.caigou.com.cn/news/202405274.shtml.

国家图书馆.国家图书馆与百度开展战略合作“文心一言”助力馆藏文化资源活化[EB/OL].[2024-06-04].https：//www.nlc.cn/web/dsb_zx/gtxw/20230905_2635873.shtml.

边钰.未来影视行业，一定会有AI的身影？[N].四川日报，2023-07-21（009）.

BLATTMANN A， DOCKHORN T， KULAL S， et al. Stable video diffusion： scaling latent video diffusion models to large datasets[J]. arxiv preprint arxiv：2311.15127， 2023.

LEE S H， SONG K S. Exploring the possibility of usingChatGPT and Stable Diffusion as a tool to recommendpicture materials for teaching and learning[J]. Journalof the Korea Society of Computer and Information， 2023， 28（4）： 209-216.

LIU G， REDA F A， SHIH K J， et al. Image inpainting for irregular holes using partial convolutions[C]//Proceedings of the European conference on computer vision （ECCV）. 2018： 85-100.

LIN X， HE J， CHEN Z， et al. Diffbir： Towards blindimage restoration with generative diffusion prior[J]. arxiv preprint arxiv：2308.15070， 2023.

DEHOUCHE N， DEHOUCHE K. What’s in a text-to-image prompt？ The potential of stable diffusion in visual arts education[J]. Heliyon， 2023.

软件学院.浙大软件学院学子作品“想定”斩获中国设计智造大奖，亮相杭州文博会[EB/OL].[2024-06-04].http：//www.cst.zju.edu.cn/2020/1124/c36202a2220275/page.htm.

苏锐.文化科技融合迎来“创新表达”[N].中国文化报，2022-01-18（007）.

李洋.“度晓晓”高考作文对人工智能的拷问[N].中国高新技术产业导报，2022-06-13（003）.

新华网.央美发布AI大模型，助力艺术与科技产业升级[EB/OL].[2024-06-04].http：//www.xinhuanet.com/tech/20240115/67befc73040442478469e4ccfe8dc16a/c.html.

首图快讯.北京城市图书馆四大特色爆款，亮相“5.19中国旅游日”北京分会场[EB/OL].[2024-06-04].https：//www.clcn.net.cn/news/default/detail？id=3364.

QIN H X， HUI P. Empowering the metaverse with generative ai： Survey and future directions[C]//2023 IEEE 43rd International Conference on Distributed Computing Systems Workshops （ICDCSW）. IEEE， 2023： 85-90.

陈彬.国内图书馆界元宇宙会议上演“首秀”[EB/OL].[2024-06-04]. https：//news.sciencenet.cn/htmlnews/2022/12/490853.shtm.

刘琳.人工智能生成成果的法律定性：以著作权法与专利法的异质性为视角[J].科技与法律（中英文），2022（3）：93-99.

赵凯.版权、伦理与价值观审核：人工智能生成内容（AIGC）对编辑职业能力的新挑战[J].科技与出版，2023（8）：62-68.

Matt O’Brien. Photo giant Getty took a leading AI image-maker to court. Now it’s also embracing the technology[EB/OL].[2024-06-04]. https：//apnews.com/article/getty-images-artificial-intelligence-ai-image-generator-stable-diffusion-a98eeaaeb2bf13c5e8874ceb6a8ce196.

朱云琪 上海图书馆（上海科学技术情报研究所）馆员。 上海，201204。

赵慎安 上海图书馆（上海科学技术情报研究所）馆员。 上海，201204。

（收稿日期：2024-01-11 编校：刘 明）