自AIGC概念诞生以来，版权问题一直是业界争议不断的话题。
2022年10月开始，不断地有艺术家及艺术创作者，强烈地表达对Stable Diffusion采集他们原创作品的不满。
因为AI训练需要采集大量网络图样，而这些图样通常是没有得到作者授权的。
事实上，如此庞大的授权体系也不可能搭建成功。
所以Stable Diffusion导致的版权争议问题是一种根本性问题。
2022年12月，知名视觉艺术网站ArtStation上的千名画师联名发起了一项抵制活动，他们将标有“NO TO AI GENERATED IMAGES”（对AI绘画说“不”）的图片在网站刷屏，拒绝将自己的画作投入AI绘画系统，他们认为任由系统学习模仿他们的画作将构成侵权行为。
这场风波彻底让AI绘画陷入了舆论的漩涡（图5-1）。
但也有声音认为，Stable Diffusion虽然参考了许多网络图样，但是并没有直接进行抄袭，而是采用了学习的办法。
Diffusion学习是一种深度学习算法，用于高分辨率图像合成。
它由两个核心构建模块组成，即Latent Diffusion Model (LDM)和Stable Diffusion。
图5-1 画师们对AI绘画说“不”
LDM使用编码器－解码器网络，将图像从原始像素编码到低维空间中的隐藏变量(latent space)，然后再从隐藏变量中解码回原始像素，使得重编码后的图像与原始图像相似。
这就形成了LDM中的编码器－解码器模型。SD通过在隐藏空间上测量像素的正交梯度来从编码器－解码器模型中提取持续的残差图像。
它主要分为两步：
残差测量和残差修复。
首先，SD从编码器－解码器模型中学习一个非线性梯度计算器，用于识别编码残差。
其次，SD使用该残差图像和相应的高维图像作为输入，学习一个可以从较低的中间空间中恢复更高分辨率的非线性滤波器。
最后，将原始图像和这两个步骤处理过的残差图像结合，从而产生最终的高分辨率图像。
Diffusion学习是一种有效的深度学习算法，具有较高的学习准确性和卓越的图像复原质量。
所以从根本上理解，Diffusion的学习过程其实和人类是相差不大的。
两者都是采用了学习的方法，而不是复制粘贴。
例如，人类在学习绘画的过程中，也是需要大量参考前人作品的。
因为随着社会发展，人们也不断地提出了自己的新创意和想法，这种创意往往在发展过程中需要参考前人的作品以获得灵感，在人类学习绘画的过程中尤其如此。
思想的传承是一种漫长的历史，学习者都在不断汲取前人的智慧和经验。
在学习绘画时，参考前人的作品不仅可以让学习者了解绘画的多样性，也可以增强自己的审美能力；
同时，参考前人的作品还可以让学习者更好地掌握绘画的技巧，进而发展自己的绘画表现手法。
最终，学习者在前人的基础上进行创新，从而演变成独具一格的创作者。
如果从这个角度上理解，实际上，新的图片尽管是有参考学习其他作者的原创画风，但却是人工智能重新创作的作品。
理论上讲，创作者是人工智能。
其中，人类也参与了部分创作——提示词的创作。
从这一点上分析，人类为AI提供了最原始的想法和灵感，所以人类也是创作者之一。
不过这一切可能都附带了一些主观的判断，关于AIGC创作作品版权的归属问题国际上并没有公约，也没有任何一个国家在法律上给出界定。
但可以肯定的是，随着AIGC产业的不断发展和完善，相关版权法律也会相继出台，以此确保AI的作品在社会上能够得到更公平的对待，也能让艺术创作者能够获得自己应有的肯定与尊重。