Score Matching ·
鏈路歸屬：演算法層 → 生成式 AI（擴散模型技術棧）→ 上游基礎理論 / 中游模型訓練 / 下游 AIGC 應用 概念標籤：
Score MatchingDiffusion Model生成式 AI機率建模Flow Matching
3 秒看懂
Score Matching（分數匹配） 是一種繞過歸一化常數、直接估計機率密度梯度 \nabla_x \log p(x) 的統計方法。該梯度被稱為“分數函式（score function）”，它在數學上不含不可積的配分項，由此繞開了能量模型（EBM）在高維場景下長期無法解決的計算瓶頸。自從 2019 年 Song & Ermon 提出噪聲條件分數網路（NCSN）、2020 年 Song 等人將擴散過程與分數匹配統一進隨機微分方程（SDE）架構後，Score Matching 已經成為 Stable Diffusion、DALL·E 2/3、Imagen、Sora 等當前主流擴散生成模型的核心數學引擎，直接驅動文本生成影像、影片、音訊與藥物分子設計等 AIGC 應用。
3 分鐘產業解釋
| 維度 | 要點 |
|---|---|
| 核心思想 | 捨去對資料分佈 $p(x)$ 本身的直接建模，轉而學習其對數密度的梯度——Score Function。因為 \nabla_x \log p(x) = -\nabla_x E(x)，與歸一化常數 $Z$ 無關，高維空間下的機率建模得以可行。 |
| 里程碑 | 2005 年 Hyvärinen 提出原始 Score Matching；2011 年 Vincent 引入去噪分數匹配（DSM）；2019 年 Song & Ermon 提出 NCSN 併成功生成高解析度影像；2020 年 Ho 等人提出 DDPM，Song 等人用 SDE 統一擴散與分數架構；2023 年 Lipman 等人的 Flow Matching 引發新一代機率路徑建模浪潮。 |
| 產業地位 | Score Matching → Score-based Generative Model → 擴散模型（Diffusion Model）→ Stable Diffusion / Imagen / DALL·E / Sora，構成當前文本到影像、文本到影片等生成任務的主流技術棧。擴散模型類應用佔 AIGC 影像生成市場的主要份額（公開資料未見細分至 Score Matching 的獨立佔比統計）。 |
| 關鍵資料 | 2024 年全球生成式 AI 市場規模約為 670 億美元（Statista，2024，口徑為全球生成式 AI 市場總營收）；其中文本生成影像/影片/3D 等視覺生成領域的市場佔比約 30%–35%（MarketsandMarkets，2024 年公開摘要估算）。Stable Diffusion 系列開源模型的累計下載量已超過數億次（公開資料未見精確統計）。 |
| 鏈條角色 | 上游（算力晶片 + 訓練資料 + 開發架構）→ 中游（基於 Score Matching / Diffusion 的基礎模型訓練與最佳化）→ 下游（文生圖、文生影片、3D 生成、藥物設計等垂直應用） |
技術原理
1. 為什麼需要 Score Matching？
傳統機率生成模型（如 VAE、能量模型 EBM）常需要估計歸一化常數 $Z$：p(x) = e^{-E(x)}/Z，其中 Z = \int e^{-E(x)} dx 在高維空間中不可解析計算（intractable）。Score Matching 的巧思在於直接學習與 $Z$ 無關的量——分數函式：
s(x) \equiv \nabla_x \log p(x) = -\nabla_x E(x)
因為 $Z$ 在求導後消失，模型僅需擬合一個梯度場。通過最小化 Fisher 散度 mathbb(E)_{p(x)}[\|s_\theta(x) - \nabla_x \log p(x)\|^2]，並利用分部積分將未知的真實分數消去（Hyvärinen，2005），即可僅憑資料樣本訓練網路。
2. 三種經典構造形式
| 形式 | 代表文獻 | 關鍵思路 |
|---|---|---|
| Explicit Score Matching | Hyvärinen (2005) | 直接最小化 mathbb(E)[|s_\theta(x)-\nabla_x\log p(x)|^2]，通過分部積分改寫為 mathbb(E)[frac(1){2}|s_\theta(x)|^2 + mathrm(tr)(\nabla_x s_\theta(x))] |
| Denoising Score Matching (DSM) | Vincent (2011) | 對資料注入噪聲後，學習去噪分數等價於學習噪聲分佈的分數；將不可解的真實分數替換為條件分數 `\nabla_{x}\log q(tilde(x) |
| Noise Conditional Score Network (NCSN) | Song & Ermon (2019) | 構造一系列逐漸減小的噪聲尺度，訓練一個噪聲條件網路，經 Langevin 動力學多尺度取樣生成高畫質影像，首次證明了分數匹配在高維生成領域的可行性 |
3. SDE 統一與擴散模型
Song et al. (2021, ICLR) 進一步將前向擴散和反向生成統一為隨機微分方程：
dmathbf(x) = mathbf(f)(mathbf(x), t) dt + g(t) dmathbf(w)
其反向過程 dmathbf(x) = [mathbf(f)(mathbf(x), t) - g(t)^2 \nabla_{mathbf(x)}\log p_t(mathbf(x))] dt + g(t) d\bar{mathbf(w)} 中的核心驅動項正是 Score Function。在此視角下，DDPM 的去噪訓練目標等價於在特定噪聲排程下的 Denoising Score Matching，不僅解釋了擴散模型的生成機理，也為加速取樣（機率流 ODE）提供了數學基礎。
4. 當前關鍵前沿
- 分類器指導與無分類器指導：通過在推論時對 Score Function 附加條件梯度，實現可控生成（Dhariwal & Nichol, 2021；Ho & Salimans, 2022）。
- 擴散 Transformer（DiT）：將 U-Net 骨幹替換為 Transformer，應用於影片、高解析度影像生成，典型如 Sora、Stable Diffusion 3。
- 一致性模型（Consistency Models）：直接學習從噪聲到資料的對映，實現單步或極少步生成，顯著降低推論成本。
- Flow Matching：通過連續歸一化流（CNF）直接匹配機率路徑，規避分數匹配中的噪聲排程約束，在簡潔性和取樣效率上顯示出競爭力。
關鍵引數
1. 訓練側引數
| 引數名 | 典型範圍 | 含義及影響 |
|---|---|---|
噪聲排程 \beta_t | 線性/餘弦，$t=1,…,T$ (DDPM 中 $T=1000$) | 控制每步擴散的噪聲強度；排程選擇直接影響生成樣本的覆蓋度與保真度 |
| 模型引數量 | SD 1.5 約 860M（UNet）；SDXL 約 2.6B；FLUX.1 更大 | 決定模型容量與生成質量，呈明顯規模效應 |
| 訓練資料量 | LAION-5B 子集數十億圖文對（如 SD1.5 使用約 2B 對，公開揭露口徑） | 資料規模、多樣性與文本對齊度直接影響下游表現 |
| 學習率與最佳化器 | 常用 AdamW，lr~1e-4，warmup 等 | 影響收斂穩定性與最終 score 預測精度 |
| 混合精度/FSDP | BF16/FP16，大型模型分片並行 | 訓練吞吐量與 GPU 記憶體效率 |
2. 推論側引數
| 引數名 | 典型範圍 | 含義 |
|---|---|---|
| 取樣步數 | DDIM/尤拉 20-50 步（2024 年主流量產） | 步數越少速度越快，但生成細節可能下降；蒸餾模型可減少至 1‑8 步 |
| 引導力度（CFG scale） | 7.5‑15 | 控制文本條件對生成的干預強度；數值越高指令一致性越強，但可能損失多樣性 |
| 隨機種子 | 使用者設定 | 固定種子可復現相同影像，保證結果可驗證 |
| 潛變數解析度 | SD 中常為 4×4 到 8×8 降取樣因子 | 影響計算量與影像細節，Latent Diffusion 通過潛空間操作在效率和質量間平衡 |
| SDE 求解器型別 | Euler-Maruyama、Heun、DPM-Solver 等 | 影響每步逼近精度與總推論時間 |
注：上述引數範圍基於已公開發表論文及開源模型實踐整理，具體數值因模型版本而異。未標明年份處指截至 2025 年初的公開典型值。
技術路線
當前基於 Score Matching 及相近數學架構的生成模型形成了多條並行路線：
| 路線 | 代表工作 | 與 Score Matching 的關係 | 現狀與趨勢 |
|---|---|---|---|
| DDPM及其變體 | Ho et al. (2020), Nichol & Dhariwal (2021) | 訓練目標隱含學習 score，實踐中等效於 DSM | 工業應用主流，SD 系列、Imagen 均採用 |
| Score-based SDE | Song et al. (2021) | 用 SDE 顯式建模 score function，提供連續時間理論 | 理論基石，指導取樣加速與可控生成 |
| Latent Diffusion | Rombach et al. (2022, SD) | 在潛空間施加擴散過程，score 作用在低維潛在變數上 | 大幅降低計算量，成為開源生態核心 |
| DiT / 擴散 Transformer | Peebles & Xie (2023), Sora (2024) | 仍基於擴散與 score 機制，骨幹網路升級為 Transformer | 影片生成、高精度文生圖新標杆 |
| Flow Matching | Lipman et al. (2023), Meta 等 | 直接匹配向量場路徑，不再需要顯式噪聲排程與 score 近似 | 取樣更快、訓練更直觀，被視為潛在替代方案 |
| 一致性模型 | Song et al. (2023) | 學習單步對映，繞開多步迭代中的 score 評估 | 極致加速，10 億引數下仍可單步生成 |
路線之爭：截至 2025 年初，擴散模型（隱含 Score Matching）仍是視覺 AIGC 的出廠基線；Flow Matching 和 Consistency Models 在效率上有優勢，但是在極端質量、多樣性和生態完備度上尚未完全趕超。
上游
1. 算力層
- GPU：NVIDIA A100 (80GB)、H100、H200 是擴散模型訓練的主力晶片。以 Stable Diffusion 3 規模訓練為例，所需 GPU 小時可達數百萬 H100 等效小時（具體數字公開資料未見）。AMD MI300X 系列、華為昇騰 910B/C 正在建置相容生態，但軟體棧（CUDA 替代）的成熟度仍存在差距。
- 雲端服務：AWS、Azure、Google Cloud、阿里雲端、華為雲端等提供 GPU 叢集與託管訓練服務，是中小玩家的主要算力來源。
- 產能與進口限制：美國出口管制規則（2023 年 10 月更新）限制高階 GPU 對華出口，直接影響到中國企業在擴散模型前沿訓練上的算力獲取（口徑：BIS 公開檔案）。
2. 資料層
- 開源圖文資料集：LAION-5B（含逾 50 億圖文對，2022 年釋出，來源：LAION官方）是多模態擴散模型的重要資料來源。因涉及版權爭議，後續版本 LAION 已清理部分爭議內容。
- 版權相簿與合作資料：Adobe Firefly 基於 Adobe Stock 合法授權影像訓練；Shutterstock 與 OpenAI 達成多年資料授權協議（2022 年揭露）；Getty Images 與輝達合作推出自有模型規避版權風險。
- 影片資料：大規模影片資料集（如 WebVid-10M、HD-VILA-100M）支撐影片擴散模型訓練，合規性審查趨嚴。
3. 開發架構
- PyTorch 為最主要的模型開發架構，擴散庫如 Hugging Face Diffusers 提供了標準化的 Score Matching/Diffusion 訓練與推論管道。
- JAX 在 Google 的 Imagen、DDPM 等研究中廣泛使用。
- 國產生態：華為 MindSpore、百度 PaddlePaddle 均支援擴散模型，但社群活躍度和第三方模型庫仍有差距（公開資料未見量化對比）。
下游
1. 文本生成影像
- 代表應用：Stable Diffusion（Stability AI）、DALL·E（OpenAI）、Midjourney、Adobe Firefly、通義萬相（阿里）、文心一格（百度）、Tiamat 等。
- 商業場景：電商素材生成、廣告視覺設計、遊戲原畫、出版物插畫、自媒體配圖等。Midjourney 在 2024 年公開揭露年營收已超過 2 億美元（來源：The Information，2024 年報導），說明該細分市場的付費意願和規模。
2. 文本生成影片
- 代表應用：Sora（OpenAI）、可靈 Kling（快手）、Runway Gen‑3、Pika、CogVideoX（智譜 AI）、Magic‑Animate（字節跳動）等。
- 產品狀態：2024 年進入可用性爆發期，多數產品提供分鐘級影片生成，但穩定性和一致性仍在快速迭代。
3. 3D 內容生成
- 代表工作：Point‑E、Shap‑E（OpenAI）、DreamFusion（Google）等，利用基於 Score Distillation 的損失函式從 2D 擴散模型蒸餾 3D 表示。應用場景包括遊戲資產、AR/VR、數字孿生。
4. 科學計算與藥物設計
- 分子構象生成：GeoDiff、Torsional Diffusion 等模型用 Score Matching 學習分子構象分佈。
- 蛋白質構象取樣、材料微觀結構生成等科研場景正在快速增長，是 Score Matching 理論的高價值延伸應用。
5. 音訊與語音生成
- AudioLDM、Stable Audio 等將 Latent Diffusion 應用於音訊，音樂生成應用（如 Suno）部分技術也可追溯到擴散或分數匹配思想。
受益公司
以下列舉均基於公開業務資訊，僅作產業關係梳理，不構成任何形式的投資或交易建議。
| 型別 | 公司 | 受益邏輯 |
|---|---|---|
| 基礎模型平台 | OpenAI、Google DeepMind、Stability AI、Black Forest Labs、Mistral（拓展視覺） | 訓練和分發 Diffusion/Score 生成模型，獲取 API 呼叫與授權營收 |
| 雲端基礎設施 | AWS、Microsoft Azure、Google Cloud、CoreWeave、Lambda Labs | 提供模型訓練與推論所需的 GPU 雲端服務，AIGC 匯入帶動算力租賃增長 |
| GPU 與 AI 晶片 | NVIDIA、AMD、Intel（Habana）、華為昇騰 | 直接受益於大規模擴散模型訓練與推論的硬體需求 |
| 垂類應用 | Adobe（Firefly 整合至 Creative Cloud）、Canva（AI 生圖）、快手的可靈 | 將 Score-based 模型嵌入成熟產品並實現商業化 |
| 資料與版權 | Shutterstock、Getty Images、彭博（金融資料訓練） | 合法授權資料成為上游稀缺資產，形成資料供應營收新來源 |
| AI 安全與稽核 | 微軟（Responsible AI）、Hive、Sensity（深度偽造檢測） | Score Matching 生成的未知內容催生稽核與鑑偽需求 |
中國 A 股/港股涉及擴散模型相關業務的上市公司包括部分雲端服務商、內容創意工具開發商和晶片公司（具體名單公開資料中已有券商行業報告梳理，此處不列，避免薦股）。
市場規模
| 市場 | 規模估算 | 年份 / 來源 | 備註 |
|---|---|---|---|
| 全球生成式 AI 市場 | 約 670 億美元 | 2024，Statista | 口徑為全球生成式 AI 市場總營收，涵蓋硬體、軟體、服務 |
| 全球 AIGC 視覺生成市場 | 約 200 億美元（估） | 2024，MarketsandMarkets 公開摘要推算 | 含影像、影片、3D 生成；公開資料未見 Score Matching 獨立的細分統計 |
| 文本生成影像工具市場 | Midjourney 年營收超 2 億美元 | 2024，The Information 報導 | 反映頭部付費工具的商業化規模 |
| 擴散模型相關 GPU 算力支出 | 約 50–80 億美元（估） | 2024，機構研究報告推算口徑 | 包括訓練與推論兩類需求；受限於揭露資訊不完全，精度有限 |
| 藥物分子生成 AI 市場（部分涉及） | 約 6 億美元 | 2023，Grand View Research | 並非全部使用 Score Matching，但該技術已成為重要方法論之一 |
增長驅動：文本到影片的快速成熟、端側部署需求攀升、3D 生成與數字孿生場景的商業化推進，預計將推升 Score Matching 相關技術的滲透率。但尚無專門將 Score Matching 作為獨立細分市場進行測算的行業報告。
玩家對比
| 維度 | Stable Diffusion 系列 | DALL·E 3 / Sora | Midjourney | 可靈（快手） | FLUX.1 |
|---|---|---|---|---|---|
| 核心架構 | Latent Diffusion（潛空間分數匹配） | Diffusion + Transformer（Sora 為 DiT） | 未公開，推測為擴散變體 | 擴散 Transformer（DiT） | 多模態擴散 Transformer |
| 開源狀態 | 主要版本開源（SD 3 部分開放） | 閉源，僅 API | 閉源 | 閉源，內測/開放申請 | 開源，提供 pro/dev 等型號 |
| 影像質量（FID 參考） | SDXL: 約 6–8（經調優） | DALL·E 3: 未公佈獨立 FID | Midjourney v6: 主觀評分領先 | 影片生成部分指標突出 | FLUX.1 [pro] 在多項評測中達到第一梯隊* |
| 訓練資料 | LAION-5B 子集及自建資料 | 內部標註資料 + 授權資料 | 未公開 | 快手自有影片庫及公開資料 | 未詳細揭露 |
| 推論成本 | 開源，使用者自託管成本可變 | API 呼叫按 token/image 計費 | 月費訂閱制 | 未公開定價 | 開源模型，自託管成本可變 |
| 強項場景 | 社群生態極強，可控性高 | 提示遵循度強，文本渲染準確 | 藝術美感與社群互動 | 影片生成一致性與物理規律 | 高保真照片級生成，開放研究許可 |
*FLUX.1 在 2024 年多個第三方基準（如 Artificial Analysis 圖片質量排行榜）中得分領先，引用來源為 Black Forest Labs 官網及 Artificial Analysis 公開資料集。
國產對比：通義萬相、文心一格等產品在中文圖文對齊、中國特色場景上持續最佳化，但底層架構仍受制於國際主流架構，原創理論突破公開資料中尚無可與 Score-based SDE/Flow Matching 媲美的系統性新範式。
風險
技術風險
- 訓練成本壁壘：大型擴散模型單次訓練成本可超千萬美元（公開報道估算 Sora 級模型訓練成本），使創新集中在少數頭部機構。
- 推論延遲：多步去噪在即時互動場景仍有障礙，雖然蒸餾模型和一致性模型進步顯著，但極限質量與延遲的折衷尚未完全解決。
- 評估難一致性：FID、CLIP Score 等自動化指標與人類偏好存在脫節，模型選型缺乏統一標尺。
法律與倫理風險
- 版權糾紛不斷升級：Stability AI 與 Getty Images 訴訟（英國，進行中）；2023 年多起藝術家集體訴訟指控擴散模型“記憶”並復刻作品；美國版權局政策明確 AI 生成內容不具著作權（2023 年 3 月宣告）。這些法律不確定性直接影響商業模型的資料來源與生成內容合規。
- 深度偽造濫用：基於分數匹配的影片模型極易生成虛假人物與事件，歐盟 AI Act 已對合成內容提出明確揭露義務。
- 訓練資料合法性：LAION 等資料集因含有未經明確授權的版權內容受到審查；未來可能面臨更嚴格的資料溯源要求。
學術與路徑風險
- Flow Matching 替代壓力：若 Flow Matching 在未來 2–3 年在質量、生態和成本上全面超越擴散路線，Score Matching 的產業主導地位可能被削弱。
- 理論理解滯後：為何擴散模型達到如此高的生成質量，理論支撐仍有缺失。這對長期安全性與可控性構成隱患。
誤讀糾偏
| 常見誤讀 | 實際情況 |
|---|---|
| “Score Matching 就是擴散模型” | Score Matching 是估算分數函式的統計方法，擴散模型是應用了分數匹配思想的一個具體生成模型族。兩者是方法與應用的關係，並非同義詞。 |
| “Stable Diffusion 就是唯一的擴散模型” | Stable Diffusion 是 Latent Diffusion 的一個實現，除此之外還有 DALL·E 的專用擴散架構、Imagen 的級聯擴散、FLUX 等不同分支，各有側重。 |
| “擴散模型取樣必須 50 步，無法即時” | 加速方法（DDIM、DPM-Solver、蒸餾、一致性模型）已做到 1–8 步生成，且部分在行動端執行，即時性大幅改善。 |
| “Score Matching 只能用來生成影像” | 分數函式作為資料密度的通用梯度，天然適用於任意資料模態。已用於音訊、影片、3D、分子結構、時間序列異常檢測、逆問題求解等多種領域。 |
| “中國公司沒有自己核心的擴散模型” | 可靈、CogVideoX、通義萬相等自研模型在架構和訓練資料上均有自主性，底層依賴 PyTorch 等國際架構與硬體是現狀，但不等於無自研能力。 |
| “開源擴散模型永遠免費使用” | 開源不等於放棄智慧財產權，SD 3 開放部分權重的許可條款、FLUX 區分非商業與商業許可，均意味著商用場景需仔細審查許可協議。 |
最新事件
- 2024 年 7 月：Black Forest Labs 成立並開源 FLUX.1 系列，核心成員出自 Stability AI 原 SD 團隊，被視為開源擴散模型的一次重要迭代。
- 2024 年 9 月：快手正式釋出可靈 AI 影片模型，支援最長約 2 分鐘的連貫影片，在物理規律模擬和人物一致性上獲得關注。
- 2024 年 10 月：Stability AI 釋出 Stable Diffusion 3.5，改良了中等引數體的表現，並調整許可證以回應開發者反饋。
- 2024 年 12 月：OpenAI 正式推出 Sora 影片生成服務（部分地區），實現最長 60 秒影片的文本驅動生成，推動影片 AIGC 商用化提速。
- 2025 年 1 月：Meta 釋出影片生成模型 Movie Gen 的部分技術細節，顯示其使用了 Flow Matching 變體路線，引發分數匹配與流匹配路線之間的新討論。
- 2025 年 2 月：歐盟《人工智慧法案》分級義務正式生效第一階段，合成內容標註要求直指擴散模型輸出物的合規性。
- 2025 年 3 月（截至文件更新）：中國工信部等部門繼續推進 AIGC 演算法備案與內容標識，多家影片生成應用完成備案後正式上線傳播。
以上事件來自公司官方部落格、技術論文、監管機構公告及主流科技媒體報導，具體日期可能有細微出入。
追蹤指標
| 指標 | 追蹤意義 | 資料來源建議 |
|---|---|---|
| Fréchet Inception Distance (FID) / CLIP Score | 衡量生成影像分佈與真實分佈的差異，反映主流模型生產力 | 學術論文、Hugging Face 排行榜、第三方評測（如 Artificial Analysis） |
| 擴散模型開源社群活躍度 | GitHub Star、Commit 頻率、模型下載量（如 Hugging Face 月度下載） | Hugging Face Hub、GitHub |
| AIGC 應用使用者與營收 | Midjourney 營收、各類 API 呼叫量、Adobe Firefly 使用資料 | 公司財報、科技媒體（The Information 等） |
| GPU 雲端租賃價格與供給 | A100/H100 的雲端端小時價格變化、等待時間，反映擴散模型訓練需求熱度 | 雲端廠商官網、CoreWeave 等專業 GPU 雲端的公開資訊 |
| 核心論文發表與引用 | Score-based generative modeling 領域論文數量與頂會接收情況 | arXiv、NeurIPS、ICML、ICLR 論文集 |
| 版權訴訟進展 | Stability AI 等公司的關鍵訴訟判決結果 | 法院公告、法律媒體報道 |
| AIGC 監管政策變化 | 各國對合成內容標識要求、模型的備案和批准要求 | 政府公告、行業律師解讀 |
| 替代路線進展 | Flow Matching / 一致性模型 / 自迴歸影像模型 等新範式的重磅成果 | arXiv、相關公司的官方釋出 |
信源
核心論文
- Hyvärinen, A. (2005). Estimation of non-normalized statistical models by score matching. Journal of Machine Learning Research.
- Vincent, P. (2011). A connection between score matching and denoising autoencoders. Neural Computation.
- Song, Y., & Ermon, S. (2019). Generative Modeling by Estimating Gradients of the Data Distribution. NeurIPS.
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. NeurIPS.
- Song, Y., Sohl-Dickstein, J., Kingma, D. P., et al. (2021). Score-Based Generative Modeling through Stochastic Differential Equations. ICLR.
- Rombach, R., Blattmann, A., Lorenz, D., et al. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. CVPR.
- Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., et al. (2023). Flow Matching for Generative Modeling. ICLR.
- Peebles, W., & Xie, S. (2023). Scalable Diffusion Models with Transformers. ICCV.
行業與市場報告
- Statista, Generative AI market size worldwide 2024-2030 (accessed 2025).
- MarketsandMarkets, Generative AI Market – Global Forecast to 2030, public summary (2024).
- Grand View Research, AI in Drug Discovery Market Report (2023).
- The Information, articles on Midjourney revenue (2024).
官方揭露與機構資料
- Stability AI, Black Forest Labs, OpenAI, Google DeepMind, 快手, 阿里巴巴等公司官方部落格與技術報告。
- U.S. Copyright Office, Copyright Registration Guidance: Works Containing AI-Generated Material (2023).
- European Union, EU AI Act (published 2024).
- U.S. Bureau of Industry and Security (BIS), Export Control Rules on Advanced Computing Chips (2023, 2024 updates).
免責宣告：本頁內容僅為資訊整理，不構成任何投資、技術或法律建議。所有市場、財務和產能資料均標註年份、口徑和來源；無法核實的資訊已註明“公開資料未見”。技術演進迅速，請以最新文獻和官方資訊為準。