本文仅围绕"文生图"模式进行讨论，以期探究人工智能生成物（AIGC）独创性判断标准。 随着人工智能在图片生成领域的普及与利用，一般公众的创作成本普遍降低，不再需要经过长期的学习与训练，仅在弹指之间即可创作出堪比大师的精美画 作。然而，人工智能创作的便利，也引发了人们对于生成式人工智能可版权性、著作权归属、著作权侵权责任等问题的思考与讨论。1仅以创作形式来看， 目前人工智能生成物（AIGC）存在"文生图"和"图生图"两种形式。 其中，"文生图"模式吸引学者及实务界讨论较多，近期较为火热的"春风送来了温柔"案、"伴心"案、"幻之翼透明艺术椅"案也均围绕这一创作形式展开。 故，本文仅围绕"文生图"模式进行讨论，以期探究人工智能生成物（AIGC）独创性判断标准。 案情回放 围绕"文生图"模式下的人工智能生成物（AIGC）能否认定为"具有独创性并能以一定形式表现的智力成果"，学术界和司法实践中均存在一定争议。其 中，"春风送来了温柔"案、"伴心"案中，法院支持了人工智能生成物（AIGC）作者关于作品享有著作权的主张，并支持其诉讼请求；"幻之翼透明艺术 椅"案，法官则认定相应作品独创性较低，不足以享有著作权保护，进而驳回 ...

一家低调的德国AI初创公司，凭什么被誉为"AI生图界的DeepSeek"？ 智东西12月15日报道，在Artificial Analysis的文生图榜单最新排名中，德国人工智能实验室Black Forest Labs的FLUX.2[pro]排名第二，仅次于 谷歌的Nano Banana Pro。轻量版FLUX.2[flex]则排名第四，在字节跳动Seedream 4.5之前。 | ﮨﮯ | Creator 1J | Model 14 | ELO 17 | 95% CI | Appearances îJ | Release Date 1+ | | --- | --- | --- | --- | --- | --- | --- | | 1 G Google | | Nano Banana Pro (Gemini 3 Pro Image) | 1,223 | -10/+10 | 5,921 | Nov 2025 | | 2 | & Black Forest Labs | FLUX.2 [pro] | 1,195 | -10/+11 | 4,852 | Nov 2025 | | ന | In ByteDance Se ...

| 7 | Creator 14 | Model 17 | ELO 1. | 95% CI | Appearances 1J | Release Date 14 | | --- | --- | --- | --- | --- | --- | --- | | 1 G Google | | Nano Banana Pro (Gemini 3 Pro Image) | 1,223 | -10/+10 | 5,921 | Nov 2025 | | 2 | & Black Forest Labs | FLUX.2 [pro] | 1,195 | -10/+11 | 4,852 | Nov 2025 | | ന | In ByteDance Seed | Seedream 4.0 | 1,193 | -6/+6 | 16,805 | Sept 2025 | | | & Black Forest Labs | FLUX.2 [flex] 0 | 1,182 | -11/+11 | 4,841 | Nov 2025 | | ​ន | Iil ByteDance Seed | Seedream 4.5 | 1,170 | -9 ...

然而，现有的微调方法（如 LoRA、AdaLoRA）大多采用「静态」策略：无论模型处于去噪过程的哪个阶段，适配器（Adapter）的参数都是固定不变的。这种 「一刀切」的方式忽略了扩散生成过程内在的时序物理规律，导致模型在处理复杂结构与精细纹理时往往顾此失彼。 针对上述问题， 新加坡国立大学 LV Lab（颜水成团队） 联合电子科技大学、浙江大学等机构提出 FeRA (Frequency-Energy Constrained Routing) 框架： 首次从 频域能量的第一性原理出发，揭示了扩散去噪过程具有显著的「低频到高频」演变规律，并据此设计了动态路由机制。 FeRA 摒弃了传统的静态微调思路，通过实时感知潜空间（Latent Space）的频域能量分布，动态调度不同的专家模块。实验结果显示， FeRA 在 SD 1.5、SDXL、 Flux.1 等多个主流底座上，于风格迁移和主体定制任务中均实现了远超 baseline 的生成质量。 尹博：NUS 计算机工程硕士生、LV Lab 实习生，研究方向是生成式 AI，及参数高效率微调（PEFT）。 胡晓彬：NUS LV Lab Senior Research ...

文章核心观点 - 一篇由南京大学、中科院自动化所、北京大学等机构联合发表的综述《A Survey of Unified Multimodal Understanding and Generation: Advances and Challenges》，首次系统性地定义了“统一基础模型（UFM）”概念，并构建了涵盖架构、技术、训练、应用的全景研究框架，旨在解决开源社区在多模态模型“理解”与“生成”能力协同上的混乱现状，为未来发展指明方向 [1][4] 统一基础模型（UFM）的演进历程 - UFM的演进被划分为三个阶段：第一阶段为“特定阶段”，理解与生成由完全独立的模型负责，如CLIP用于图像分类（理解），Stable Diffusion用于文生图（生成），两者无交互 [6][10] - 第二阶段为“融合阶段”，研究者将理解和生成模块整合到同一框架中，通过中间层实现协同，例如MiniGPT-5通过文本指令介导LLM生成描述再调用Stable Diffusion，NExT-GPT则通过特征介导直接控制生成模块 [7][10] - 第三阶段为“涌现阶段”，是UFM的终极目标，模型能像人类一样在理解和生成间无缝切换，以完成如“脚本驱动电影生成”等高度复杂的跨模态任务，但目前尚无模型能完全实现，仅部分模型在局部任务上展现出潜力 [8][9][10] 统一基础模型（UFM）的核心架构分类 - 架构根据“理解与生成模块的耦合度”分为三大类：外部服务集成建模、模块化联合建模和端到端统一建模 [11] - **外部服务集成建模**：LLM作为“任务调度员”，调用外部专门模型完成工作，代表模型有Visual ChatGPT、HuggingGPT、AudioGPT，优点是开发快、资源需求低，缺点是依赖外部模块质量、调用效率低且可能出现信息损耗 [12][13][17][18] - **模块化联合建模**：LLM作为核心处理理解任务，并通过“中介层”直接控制生成模块，细分为“提示介导”和“表示介导”两种方式，前者如EasyGen、GPT4Video，后者如Emu2、GILL、PUMA，优点是生成质量高、灵活性强，缺点是中介层可能成为瓶颈 [15][16][19] - **端到端统一建模**：模型在单一架构内同时处理理解和生成，是当前研究主流，根据生成机制又分为三类：自回归架构（如Emu3、LWM）、扩散架构（如Versatile Diffusion、UniDiffuser）、自回归-扩散混合架构（如Transfusion、BAGEL），优点是语义一致性强，能处理复杂跨模态任务，缺点是训练难度大、计算成本高 [20][21][24][25] 统一基础模型（UFM）的关键技术细节 - **编码策略**：核心是将多模态数据转化为模型能处理的表示，分为三类：连续编码（如CLIP ViT、VAE、Q-Former）、离散编码（如VQGAN、MoVQGAN、SEED Tokenizer）、混合编码（如级联编码的SEED、双分支编码的Janus） [22][23][26][27][30] - **解码策略**：是编码的逆过程，将模型输出转化为人类可理解的内容，同样对应三种形式：连续解码（依赖扩散模型，如Stable Diffusion，常加入“视觉先验”提升质量）、离散解码（依赖VQ-VAE类解码器，如VQGAN，部分模型会做“token压缩”以加速）、混合解码（如LaVIT、ILLUME+） [28][29][31] - **训练流程**：分为预训练、微调和数据处理三大环节 [30] - 预训练核心是搭建编码器-解码器、对齐模块、骨干网络三大模块，并优化多任务目标（如自回归的next-token预测损失、扩散的降噪损失） [32] - 微调包括任务监督微调（通用任务与多任务）和对齐微调（基于人类偏好，如DPO、GRPO），Emu3使用DPO微调后生成质量显著提升 [34][35] - 数据处理来源主要有四类：网络爬取（如LAION-5B的58亿图像-文本对）、公开数据集、私有数据、合成数据，筛选需经过属性、质量、安全三关，并格式化为“指令-输入-输出”结构 [36] 统一基础模型（UFM）的下游应用 - **机器人（具身智能）**：用于“视觉-语言-动作（VLA）”统一建模，例如LCB模型生成推理文本和动作序列，SEER用扩散模型预测目标图像以辅助机器人感知 [37][42] - **自动驾驶**：实现端到端的“感知-预测-规划”统一，例如DrivingGPT用自回归模型联合预测未来帧和车辆轨迹，Hermes用UFM预测未来LiDAR点云以提升决策可靠性 [37][42] - **世界模型**：构建物理真实的4D场景预测，例如Aether用扩散模型生成视频、深度、相机姿态，TesserAct能预测场景的表面法线、深度等细节以支持机器人交互 [37][42] - **医学**：轻量化适配医疗场景，例如LLM-CXR通过指令微调让LLM处理胸片分析并支持双向任务，HealthGPT扩展到CT、OCT等模态甚至能做跨模态生成 [37][42] - **视觉任务**：统一“感知-生成-3D重建”，例如LLMBind用MoE架构集成目标检测、分割等任务，ShapeLLM-Omni用3D VQVAE处理3D理解与生成 [37][42] 统一基础模型（UFM）的未来研究方向 - **建模架构**：需重点探索“自回归-扩散混合架构”，并优化MoE（混合专家）结构，让不同专家负责不同模态以提升协同效率 [40][42] - **统一分词器**：需开发能同时捕捉语义和细节的分词器，尤其是解决视频“长视频token爆炸”问题以提升时序建模能力 [40][42] - **训练策略**：需构建“模态交织数据”（如文本-图像-视频的连续序列），并设计能同时评估“理解准确性”和“生成质量”的统一奖励函数 [40][42] - **基准测试**：需设计专门评估“理解-生成协同”能力的基准，以真正衡量UFM的“统一能力” [40][42]

公司概况与融资里程碑 - 公司Black Forest Labs (BFL) 于2024年在德国成立，是一家专注于AI图像生成的公司 [9] - 公司在成立一年半内完成B轮3亿美元融资，估值达到32.5亿美元 [6][22] - B轮融资由Salesforce Ventures和Anjney Midha (AMP) 联合领投 [6] 创始团队与技术渊源 - 联合创始人团队（罗宾·隆巴赫、安德烈亚斯·布拉特曼、帕特里克·埃塞尔）曾是Stable Diffusion核心技术的研究者与缔造者 [9] - 团队因对前公司Stability AI的管理动荡和财务困境失望而集体出走并创立BFL [10][11] - Stability AI在2024年第一季度营收不足500万美元，亏损超过3000万美元，并陷入财务危机 [10] 核心产品与技术突破 - 核心产品为FLUX系列图像生成与编辑模型，基于“流匹配”架构，取代了行业主流的扩散模型 [24] - 最新模型FLUX.2能生成高达400万像素（4K）的图像，并实现“像素级精准控制” [6] - 模型具备强大的多参考图融合能力，可同时输入多达10张参考图，实现“零样本角色迁移”，解决了角色一致性的行业痛点 [6] - FLUX.1模型拥有120亿参数，基于新型“整流流变换器”架构，在图像细节、提示词遵循、生成文字和描绘人手方面表现突出 [15][24] 商业化策略与生态合作 - 商业模式清晰划分为开源模型构建影响力与企业级API服务实现商业闭环两个维度 [24] - 通过开源FLUX.1 Schnell和FLUX.1 Dev版本吸引开发者与构建生态，同时通过闭源的FLUX.1 Pro专业版及API服务获取核心收入 [25] - 企业级API主要服务于有稳定、大批量生成需求的企业客户，并被集成到各大行业巨头的产品中 [25] - 关键生态合作包括：模型被整合进马斯克旗下xAI的聊天机器人Grok [21]；被欧洲AI巨头Mistral AI的聊天机器人Le Chat采用 [21]；技术被Adobe和Canva集成到产品工作流中 [34]；与英伟达共同推出针对RTX GPU优化的FLUX.1 Kontext NIM微服务 [34]；华为云曾发布flux适配其Ascend NPU的开源开发任务 [36][40] 市场定位与竞争格局 - 公司CEO称BFL已成为谷歌在人工智能图像领域的主要竞争对手 [7] - 公司避开与Midjourney等在消费者订阅端的直接竞争，转而深耕产业链底层与上游的企业服务 [24] - 在全球AI竞赛由美国主导、依赖巨额资本投入的背景下，BFL以仅50人的小团队，凭借技术深度和精准的生态位选择取得了成功 [41][43] - 行业对比：OpenAI在2025年上半年营收约43亿美元，但同期亏损高达135亿美元，预计2024-2029年间将产生1430亿美元的负自由现金流 [42][43]

融资与估值 - 公司完成3亿美元B轮融资 公司估值达到32.5亿美元 [1] - 本轮融资由Salesforce Ventures和安杰尼·米达共同领投 参与方包括a16z 英伟达 Northzone Creandum Earlybird VC BroadLight Capital General Catalyst 淡马锡 贝恩资本风险投资公司 Air Street Capital Visionaries Club Canva和Figma Ventures等机构 [1] 公司业务与技术 - 公司专注于开发用于生成和编辑图像的基座AI模型 [2] - 公司近日发布新一代图像生成模型Flux 2 宣称具有更出色的文字和图像渲染能力 并能参考多达10张图片来保持生成图像的风格一致性 [3] - 该模型最高可生成4K分辨率的图像 [4] - 公司模型已被Adobe fal.ai Picsart ElevenLabs VSCO和Vercel等多家企业采用 [2] 团队背景与发展 - 公司三位联合创始人Robin Rombach Patrick Esser和Andreas Blattmann此前曾是研究人员 参与开发了Stability AI的Stable Diffusion模型 [4] - 公司自2024年8月成立以来迅速崭露头角 去年因被曝出埃隆·马斯克的Grok聊天机器人采用其图像生成模型而引发关注 [2] - 公司将把B轮融资资金用于研发投入 [2]

文章核心观点 - 各国司法体系在处理AIGC平台侵权责任时，正逐步形成共识，即在保护创作者权益和鼓励人工智能创新之间寻求精细平衡[1][10] - AI平台的责任认定需区分数据训练（输入端）和内容生成/分发（输出端）两大环节，不同环节的法律评价标准存在差异[3][10] - 司法实践显示，对于数据训练环节的侵权认定相对谨慎从宽，而对于生成内容传播环节的侵权认定则相对从严把关[10] AIGC侵权中平台的角色与环节划分 - AIGC侵权指利用生成式AI创作的内容侵犯他人知识产权，平台在数据训练和内容生成/分发两个环节均存在潜在侵权风险[3] - 输入环节是AI模型训练阶段，平台通过收集海量数据让模型学习底层规律；输出环节是模型根据用户指令生成内容并通过平台交互、分发的阶段[3] - 不同环节的平台行为迥异，责任认定标准也会随之改变，在探讨平台方责任时需明确其具体行为环节[3] 数据训练环节的侵权认定：国际案例对比 - 德国慕尼黑法院在GEMA诉OpenAI案中认定，OpenAI的模型参数固化了歌词的可再现信息，用户通过简单提示即可再现歌词，此“记忆”行为构成德国著作权法意义上的非法复制[4] - 英国Getty Images诉Stability AI案中，法院认为模型通过参数化和特征抽象训练并未存储或再现原始图像，输出图片无法与特定作品对应，因此训练环节不被视为直接侵权[6] - 英国法院的立场体现了英美法系对AI训练利用数据的相对宽容，在缺乏明确立法规制时司法倾向谨慎认定训练环节直接侵权以免扼杀技术创新[6] 内容生成环节的平台责任：中国案例对比 - 上海“美杜莎”案中，法院认定AI绘画平台角色中立，提供技术支持且履行“通知－删除”义务，无主观过错，因此不构成帮助侵权[8] - 杭州“奥特曼”案中，法院认定平台明知或应知侵权却放任大量侵权模型存在，将知名IP模组单独归类推荐并直接牟利，存在主观过错，构成帮助侵权[9] - 中国司法强调对生成内容输出、使用等后端行为的侵权认定应当相对从严，商业化AI平台在输出端负有高度注意义务[9] AI平台未来责任与合规挑战 - 平台需在输入端加强训练数据管理，确保数据来源合法、授权明确，通过技术过滤和业务合作构建正版素材库[11] - 平台需在输出端强化内容审核与风控机制，完善敏感内容识别和用户投诉处理渠道，及时下架涉嫌侵权内容[11] - AIGC侵权案件平台责任认定尚在发展中，从业者需动态关注司法实践并调整应对策略[11]

AI投资价值实现的核心挑战 - 人工智能投资与实际业务价值存在巨大差距，仅4%的公司获得显著回报，26%的公司创造了任何价值 [2] - AI项目失败的主要原因是技术决策未能与组织的战略企业架构（SEA）对齐，包括使命、人才、流程和现有技术 [2] - AI部署常因技术迷恋或错失恐惧症驱动，而非基于与业务的契合度分析 [2] 战略企业架构（SEA）的重要性 - 战略企业架构强调技术架构必须与企业更广泛结构对齐，包括使命、战略、流程和运营模式 [7] - SEA为组织提供共同语言和愿景，是跨部门统一思考、交流和规划的基石 [5][7] - 早期技术创新仅在部门层面实施，而AI项目会在整个企业架构中引发连锁反应 [3] 业务架构的关键组成部分 - 组织宗旨与商业战略：AI项目需直接推进使命、愿景、核心价值观和战略目标 [10] - 人员与文化：成功需要合适的领导力模型、人才结构和技能画像，并与文化价值观一致 [11] - 流程与运营结构：AI开发必须与企业的工作流程、决策框架和治理模式保持一致 [12] - 现有技术架构：新技术必须与当前系统、数据资产、基础设施和技术债务相结合 [13] AI技术栈与对齐考量 - 当代AI技术栈由五个相互关联层组成，成功部署需在每一层确保与组织需求一致 [14][16] - 关键考量包括部署模式、开放与封闭系统取舍、算力需求及数据基础设施要求 [16] - 数据基础设施成熟的组织可比存在数据孤岛的企业更快速高效实施AI [16] 错位与对齐的典型案例 - Stability AI年云计算成本近1亿美元，运营成本5400万美元，但收入仅1100万美元，成本结构与变现战略严重错位 [18] - 三星员工使用外部ChatGPT导致源代码泄露，数据治理政策与AI使用不匹配 [19] - 《体育画报》AI生成文章署虚构作者名，与其"可信信息提供者"品牌承诺背离，侵蚀读者信任 [20] - Adobe使用自有图像训练AI避免知识产权侵权，将客户法律风险降到最低 [21] - 彭博推出BloombergGPT专用金融模型，在自身基础设施中控制数据流，强化高端客户价值主张 [22] AI项目对齐评估清单 - 项目需直接推进战略优先事项并带来清晰可衡量成果，否则仅为技术实验 [23] - 领导层和员工必须做好变革准备，否则需先制定能力提升路线图 [24] - 项目需能与现有流程和运营模式无缝融合 [25] - 技术方法必须与组织技术生态系统、数据流及安全要求兼容 [26] 长期AI投资组合管理 - 企业建立AI项目管道后，需采用投资组合管理方法在SEA框架下系统评估和优先排序项目 [27] - 成功实施的基本原则是将AI项目与战略企业架构对齐，而非仅关注技术本身 [28]

产品发布与定位 - 谷歌于11月21日正式推出图像生成工具Nano Banana Pro（Gemini 3 Pro Image），该产品基于Gemini 3 Pro构建，具备增强的推理能力、世界知识和实时信息接入能力 [2] - 产品旨在生成更准确、更具上下文信息的视觉效果，并能连接到谷歌搜索庞大的知识库，快速创建可视化实时信息 [2] - 在同期市场中，Nano Banana Pro被资深设计师评价为具有碾压性的整体竞争力 [2] 产品核心优势与行业痛点解决 - 产品近乎完美地解决了AI图像生成领域的五大行业顽疾中的至少4/5以上问题 [9] - 在一致性与可控性方面，产品原生支持高强度上下文保持功能，能同时处理多达14张参考图像输入，在复杂构图中精准保持多达5个角色的面部特征和服装细节 [9] - 通过对物理参数的深度微调功能，用户可自由调整景深、光影角度、色彩分级等参数，弥补模型对物理规则理解能力的不足，并支持最高4K分辨率图像输出 [16] - 在文本渲染能力上实现飞跃，能精准贴合品牌名称于易拉罐曲面，并根据指令生成符合透视和光影逻辑的多语言版本包装图 [13] - 为应对深度伪造风险，谷歌为生成图像嵌入SynthID数字水印，该水印在像素层面难以察觉但算法层面可精准识别，即便图像经过裁剪、压缩或滤镜处理依然有效 [15] 生态系统整合与市场影响 - 产品与谷歌生态系统深度整合，可生成高保真UI界面原型，并与Antigravity平台协同工作直接将视觉设计转化为前端代码 [18] - 产品将被整合到Adobe、Figma等主流创意工具以及谷歌自家的Slides、Vids和Flow视频工具中，以扩大在创意领域的应用范围 [18] - 在Nano Banana的推动下，Gemini的月活用户数在一个季度内从4.5亿暴增至6.5亿 [18] 定价策略与目标用户 - 相比于普通版，Nano Banana Pro版本定价更高：生成一张1080p或2K图像成本为0.139美元，4K图像生成成本高达0.24美元 [18] - 定价策略清晰划分用户群体，普通版适合日常娱乐和快速预览，Pro版专为容错率低的专业商业场景设计 [18] 与竞品对比 - 与Midjourney相比，后者在艺术性和创意性上有优势，但在多语言处理、物理参数调整以及高保真度生成方面不足 [2] - 与Stable Diffusion相比，后者在扩展性和灵活性上表现优异，但在生成内容的语义一致性和精确性上难以达到Nano Banana Pro水准 [2] - 与DALL·E相比，后者在趣味性和创意性生成方面突出，但工业级精确控制能力仍是其短板 [2]