■余婷　陈实
　　【本文提要】人工智能及其分支技术对美国新闻业的渗透及影响日益深入。本文探讨了人工智能技术在美国新闻业的研发应用格局，即：技术巨头主导核心技术研发；传媒巨头主导关键技术引入和应用；专业技术公司主导智能新闻服务提供；以案例分析的形式，从机器学习、语言处理技术、语音转换技术、视觉技术、虚拟现实技术六个分支技术切入，探讨了人工智能技术在美国新闻业应用的现实状况；梳理了人工智能对美国新闻业产生的影响，认为：人工智能技术的引入将改变美国新闻业的利益格局，或将形成新的垄断格局；人工智能辅助下的自动化新闻生产将改变新闻从业人员的岗位职责，刺激新闻生产流程变革；人工智能技术的广泛应用，使数据使用规范和算法偏见等问题进入新闻伦理探讨的视野。
　　【关键词】人工智能 新闻业 自动化新闻
　　【中图分类号】G206
　　2016年底，美国未来今日研究所（Future Today Institute）发布的《2017技术趋势报告》（2017 Tech Trend Report）中，人工智能位列榜首。报告在梳理影响新闻业的技术趋势时提到：人工智能及其分支技术将对全球新闻业产生深刻影响，最终新闻生产的每个环节都将从当前的数字化迈向智能化。①
　　本文拟从分析当前处于全球领先地位的美国新闻业人工智能研发及应用格局入手，结合案例，梳理人工智能技术在美国新闻业的应用现状，并探讨人工智能技术为新闻业带来的推动和风险。
　　
一、人工智能在美国新闻业的发展格局
　　人工智能在美国新闻业的研发和应用大致呈现如下格局：
　　一是IBM、谷歌、微软、Facebook 和亚马逊等公司主导人工智能研发。他们在自主研发人工智能系统、算法、机器人等方面均投入大量资金，或者收购那些在机器学习、神经网络、自然语言和图像处理等领域具有潜力的初创公司。谷歌成立的谷歌大脑（Google Brain）以云机器学习事业群（Cloud Machine Learning Group）为核心团队，吸纳了来自斯坦福大学、麻省理工等高校的人工智能研究人员和Snap等社交网络公司的研发高管，其目标是保持人工智能研发领域的全球领先地位。Facebook的人工智能实验室——应用机器学习事业群（Applied Machine Learning Group）的目标是为Facebook旗下各类产品提供人工智能技术支撑。Twitter对多家人工智能创业公司完成收购后成立了名叫Cortex的人工智能研发中心，其目的也是与其他技术巨头在人工智能领域展开较量。2016年9月，微软成立了全新的人工智能和研发事业群，该群将领导5000多名计算机科学家和工程师，将人工智能整合到公司的产品中，包括必应搜索引擎、小娜数字助理以及微软的机器人走出实验室项目。②
　　二是有实力的主流媒体重视人工智能推动新闻业发展的研发和应用。美联社、《纽约时报》和《华盛顿邮报》三家媒体在新闻业的人工智能技术研发与应用方面处于领先地位。2014年，美联社开始运用Wordsmith机器人写作上市公司财务报告新闻，是业界最早使用机器人写作的媒体之一。《纽约时报》用于新闻采访和写作的原创聊天机器人有30多个，《华盛顿邮报》则投放了近100个机器人辅助编辑部工作。《纽约时报》于2017年6月改组了原来的技术实验室（NYT Lab），新成立的研发中心（NYT Story X）的工作重心之一就是“感知人工智能领域发展进程中适合引入新闻业的新技术”。③
　　三是小型技术公司着眼于提供专业的人工智能新闻产品。很多小型新闻机构渴望利用人工智能却没有研发实力。于是，一些着眼于提供专业人工智能新闻产品的小型技术公司在美国新闻业活跃起来。Graphiq就是一家人工智能技术公司，它可以使用从体育、政治、天气和其他领域搜集来的2500亿数据点自动生成可视化报道，并提供给新闻机构，比如新闻机构可以从Graphiq购买到报道需要的专业互动地图。2015年成立的Agolo公司是一家依托人工智能技术为大型报告和长篇新闻自动提取摘要的公司，旨在利用人工智能提炼的摘要应对信息冗余。目前美国有100多家媒体运用Agolo提炼的报道摘要作为在社交账号发布的短消息。
　　
二、人工智能技术在美国新闻业的应用
　　2017年，美联社发布的《人工智能工作手册》将人工智能在新闻业应用最频繁的分支技术进行了归纳，包括机器学习、语言技术、语音技术、机器视觉和机器人技术。此外，人工智能技术和虚拟现实技术的紧密结合（AI＋VR）也是未来新闻报道发展的重要方向之一。通过案例考察，可以看到这些分支技术在日常新闻采编中发挥的具体功能。
　　（一）机器学习：印证假设和发现线索
　　机器学习（machine learning）是人工智能体系的核心技术，即让机器自己作出判断而不是得到如何判断的指令后执行判断的技术。机器学习依赖于被称作“深度学习”的过程，这个过程实质上是一种将复杂概念分解为一系列更小的、可执行的任务的方法，这种方法最终将机器导向完成复杂的终级目标。④
　　机器学习涉及两个分支——监督学习（supervised learning）和非监督学习（unsupervised learning）。在新闻采编工作中，监督学习主要用于印证假设，而非监督学习用于发现线索。
　　1.监督学习：印证记者的报道假设
　　监督学习是指在记者已有假设的前提下，让算法根据假设来搜索、收集和归纳可以印证假设的信息。2016年，《纽约时报》金融新闻记者怀疑一个企业涉嫌本地贸易欺诈，但他们在怀疑确定之前又不能提供足够的人力来进行调查取证。于是，《纽约时报》成立了一个调查团队，先利用机器来帮助他们完成报道的前期信息搜集工作。这个团队利用监督学习将与怀疑对象相关的一切金融文件加上标签，并将那些可能提示该贸易涉嫌欺诈的信息突出显示。当记者团队把所有涉及这个企业贸易的信息输入系统，系统就可以同步将提示欺诈的信息和不提示欺诈的信息进行区分。同年，《华盛顿邮报》获得普利策新闻奖公共服务类大奖的新闻项目——警察持枪犯罪数据新闻也是通过监督学习系统建立了全美警察持枪犯罪数据库，并通过对数据的提炼和分析印证了该报长期以来的假设——“警察针对儿童和青少年的持枪犯罪率上升过快”。
　　2.非监督学习——发现潜在的新闻线索
　　和监督学习不同，非监督学习是将非结构性数据作为输入数据，并得出非目标性的输出结果。非监督学习系统可以自由展示输入和输出数据之间的关系，这种关系往往可以帮助记者在短时间内发现新闻线索。
　　《洛杉矶时报》体育报道团队在寻找周末棒球赛的报道思路时就成功利用非监督学习来发现线索。报道团队为系统输入所有周末棒球比赛票房数据，很容易发现一些隐藏的关系。系统可能找到“那些姓氏以元音字母开头的经理人负责的球队可能输掉早上的比赛，或者比赛日气温越低则比分越低”。⑤美联社数据新闻团队运用非监督机器学习，从14万条人工输入的关于枪支泛滥的案件记录中找到了枪支滥用最典型的案件，还推算出如果案件涉及孩子或警察，那么犯罪人故意开枪的概率等线索。
　　（二）语言技术：推动新闻写作自动化
　　语言技术是人工智能系统的一个重要分支，其中，自然语言生成（natural language generation）和自然语言处理（natural language processing）已经对新闻写作产生深刻影响。
　　1.自然语言生成：推动报道的自动化和模块化
　　自然语言生成的报道将结构化数据转化成人们可阅读的叙述性文本。自然语言生成系统可以自己组织一些简单的语言，而且随着技术的升级，它组织语言的数量和规模越来越大。《洛杉矶时报》开发的地震报道机器人——Quakebot就是一款典型的用自然语言生成来报道突发事件的机器人。它可以生成模式化的句子：
　　一场××级的地震于××（何时）在××（何地）发生，强度××，烈度××，伤亡××，估计财产损失××。
　　Quakebot可以从美国地震观测局的数据库找到适合的数据来填写空白信息，并在地震发生后第一时间向社交媒体推送消息。
　　继成功发布机器生产的金融新闻后，美联社和旗下自动化新闻写作公司Automated Insights于2016年再次合作，利用自然语言生成全面报道了Minor League棒球赛。在这个案例里，持续的低水平的专业棒球报道可以完全移交给机器来完成。在这一系列棒球赛的报道中，美联社又迎来了赛事报道数量和精确率的升级。
　　《华盛顿邮报》的Heliograf也是业界一款著名的写作机器人。它主要通过自然语言生成迅速组织简单信息，只需要提前编辑好相关模板，以及文章中涉及的关键词，写稿机器人就能根据这些关键词自动生成语句。2016年里约奥运会期间，Heliograf开始报道奥运会比分、金牌总数等消息。在美国总统选举期间，Heliograf已经可以作出含有分析、评论等语气的报道了。
　　2.自然语言处理：探索更高层次的新闻写作
　　自然语言处理可以理解文本并找出前后文之间的联系。如果说自然语言生成善于“写”，那么自然语言处理就善于“读”。自然语言处理在新闻业务中的应用主要涉及读取大量文件、国际新闻编译和文本摘要提炼。
　　美联社和国际调查报道记者联盟联合揭露巴拿马造纸业黑幕的报道中，国际调查报道记者联盟必须读取上百万份文件，而每份文件包含众多公司名称、人名以及机构所在地的地名等。自然语言处理技术仅用几天时间就帮助该联盟从上百万份文件中找到不同名字间的联系。而对于一个记者来说可能要花几年时间才能在成千上万份文件中找到人与人或人与事件的隐秘关系。
　　自然语言处理在国际新闻编译方面也发挥着巨大作用。美联社提供的多国语言新闻服务就引入了自然语言处理技术。“美联社的目标不是要用自然语言处理系统替换人力新闻翻译，而是帮助人工翻译提高他们的产品质量，使得美联社的国际新闻能够更好地服务于中东地区、拉丁美洲和加勒比地区的新闻机构”，美联社国际新闻编辑Farr说，“输出环节毫无疑问仍然需要人工编辑把关，但自然语言处理系统在新闻编译的初稿成形阶段非常有用，它大大提高了美联社编译国际新闻的数量和质量”。⑥
　　自然语言处理系统还可以理解文本的重点，并将重要的人名、地名和话题突出显示出来，因此它被广泛地运用于提炼文本摘要。上文提到的Agolo公司由哥伦比亚大学研究生创办并由微软资助，它擅长基于全文分析来提炼大型报告的摘要。Agolo首席技术官穆罕默德·安奥坦特威说：“Agolo的自然语言处理算法可以分析非结构化数据，包括新闻报道、报告、新闻通稿，并转换为摘要文本输出。” ⑦
　　（三）语音转换技术：将记者从初级任务中解脱
　　语音转换技术包括文本转语音（text to speech）或语音转文本（speech to text）两个方面。
　　1.文本转语音——用虚拟声音做播客节目
　　目前，亚马逊Echo语音处理机器人的接受度较高，很多新闻机构都加入了Echo支持的平台。Echo的工作就是将新闻机构提供的文本新闻转换为语音，并用虚拟合成声音以播客形式推送给用户。但是，文本转换语音的技术在某些方面还需要进一步改进，比如如何正确读取引号内的直接引语。美联社音频新闻部主任肯·罗马诺表示：“通常写给广播DJ读的新闻稿可以被更好地转化为语音，因为新闻稿本身就考虑到了广播播音的语法要求和声音文本传播的特殊要求，而机器在将文字稿转化为语音时会出现一些小的错误。” ⑧
　　2.语音转文本：用机器誊写采访录音
　　语音转换文本技术将音频格式作为输入数据，并找到与之匹配的文本数据输出，就像人们听写一样，机器需要将听到的每一个单词转换为准确的文字，最终形成连贯的文本。这项技术将记者从听写采访录音的初级工作中解脱出来。密苏里大学雷诺兹新闻研究所最近一项针对100多名记者的调查显示，记者平均每周花3小时做访谈，但却要花两倍的时间将访谈录音整理为文字。有了这项技术，记者就可以从繁琐的初级劳动中解脱出来了。⑨雷诺兹新闻研究所未来实验室也正在开发一款语音转文本APP——Recordly，它的诞生就源于雷诺兹希望提高采访和写作效率的初衷。Vox也在运用一款叫做AutoEdit的开源软件来进行语音文本转换，包括为音频新闻加入文本说明，以及将音频新闻中的现场录音提炼出来作为吸引读者的链接文字。
　　（四）计算机视觉（Computer Vision）：捕捉肉眼难以看见的信息
　　人工智能技术支持下的智能设备还可以像人眼那样记录所见，甚至有时候能够推导出一些肉眼看不见的信息，这就是所谓的“计算机视觉”。在采编工作中，计算机视觉可以在拍摄对象之前就通过卫星定位判断最佳拍摄视角；可以帮助编辑快速分类、组织由图像和视频构成的大规模语料库，提升编辑效率，使记者更高效地从数据库中提取调查性报道所需的线索、证据和信息；还可以通过观察一些肉眼难以判断的表情来推断人物内心活动。
　　1.从摄影师无法切入的视角拍摄数量巨大的图片
　　美联社使用Digital Globe公司提供的高解像率图像来印证南亚海底存在大量非法捕捞容器，完成了揭露非法海鲜产业黑幕的报道，获得2016年普利策奖公共服务大奖。Digital Globe的计算机视觉技术依靠卫星摄像机从最佳角度来拍摄必要信息，可以最大限度地根据美联社报道团队的需求来完成拍摄任务。这种图像认知技术通过“神经网络”的机器学习方式来实现。神经网络算法通过模仿人类理解肉眼感知的图像来识别图像，将图像进行区块组合，只保留图像中能被肉眼提取和处理的信息元素，使用数学模型来复制人类视觉的这个过程，并通过算法对图像进行分层处理。
　　2.高效管理资料图片
　　Clarifai技术公司利用计算机视觉实现了自动描述图片和视频里的关键信息，比如位置、人物身份、地点和物品。这个技术可以提高编辑部图片管理的效率，并提高记者搜索资料图片的效率。
　　美联社产品经理本·尼徳勒表示：“计算机视觉可以非常迅速地处理数量巨大的新闻图片，选出最好的，丢弃不好的，同时，它可以为图片自动生成标签和图片说明。这彻底改变了美联社图片和视频的处理与检索，使这项工作的效率极大提高。” ⑩
　　3.从“微表情”中发现信息
　　计算机视觉识别报道对象的“微表情”功能也非常强大。哥伦比亚大学数据科学家阿米尔·伊曼尼认为：“就像一个孩子慢慢长大，逐渐学会看父母的脸色行事，这种行为实际上就是通过识别父母的不同面部表情来判断父母的心情。可以设想计算机视觉来做同样的事情，但是计算机首先需要三年的时间来学习一个人的面部表情传递何种情绪，之后它可以立即识别成千上万的面部表情，并迅速作出分类。” [11]2017年1月，伊曼尼就运用自己团队设计的计算机视觉系统和Quartz记者一起对美国总统特朗普的就职演讲进行了报道。这个系统可以识别“微表情”，比如睫毛抬起表示惊讶的表情，并能将这些微表情和特定的情绪进行快速配对。他们利用计算机视觉对特朗普的面部表情进行识别，并推测出他发表就职演讲谈及某些敏感问题时的具体情绪。
　　美联社技术总监罗伯特·法尔认为，尽管美联社在机器学习技术方面取得了很大进展，但它仍然存在缺陷。比如这个系统的判断效果取决于主体的面部方向，证件照的识别效果最好；还取决于识别主体前面有没有遮挡脸部的障碍物，在新闻现场，人物前的障碍物是难免的，这会影响系统对于人物情绪的判断。
　　（五）新闻机器人（Robotics）：编辑部的新“员工”
　　机器人本身是硬件，它带有的软件及算法可以具备前述一切人工智能的功能。《纽约时报》和《华盛顿邮报》利用机器人辅助编辑部工作的实践比较丰富。
　　1.《华盛顿邮报》机器人员工以量取胜
　　2017年3月，在奥斯汀召开的网络新闻国际研讨会上，《华盛顿邮报》产品总监乔伊·马伯格介绍了该报目前机器人辅助工作的情况：“《华盛顿邮报》已经拥有近100个编辑部机器人，但99%都用于内部。” [12]经典的机器人包括：
　　感觉机器人（Feel Bot）——用于问卷调查的机器人。2016年，美国大选结果揭晓前最后30天，《华盛顿邮报》将感觉机器人放在Facebook主页上。如果读者在该报Facebook政治页面中选择了这个机器人，它就会在晚上发送信息，询问读者对大选的看法，读者可从五个表情符号中选择一个作为回答。第二天早上，机器人就会把搜集到的人们的感觉和情绪用图表的形式向读者推送。
　　病毒传播“预测神器”（Virality Oracle）——这是 《华盛顿邮报》 在Slack平台上推出的一个“新员工”，它可以从报道发布的那一刻开始就对其进行监测，在报道发布后30分钟内，机器人就可以确定这个报道是否会达到病毒传播效果。然后，它就会通知编辑对文章进行修改。它还会创建一个24小时流量模型，让编辑部看清一个报道的生命周期。
　　催稿机器人（Marty Bot）——这款机器人专治记者“拖延症”。记者通常会设定报道预计完成时间，但截稿日期可能经常有变化。如果进度落后，这个机器人就会私信记者：可能接近或错过截稿日期了，既能提醒记者又不会让其感到被催稿的尴尬。
　　2.《纽约时报》聊天机器人以情动人
　　《纽约时报》的新闻机器人研发在重视功能和技术的同时，赋予它们更多人类的情绪化、幽默感、爱犯错、爱撒娇等特点。《纽约时报》的聊天机器人有不同的“人名”，当读者和它在手机上聊天时可能完全感受不到是在和机器说话。在奥斯汀的网络新闻国际研讨会上，《纽约时报》编辑安德鲁·菲尔普斯介绍了该报几款具有聊天功能的机器人：
　　Sam Manchester——《纽约时报》体育版“副主编”。它跟注册用户进行短信聊天，谈它对于比赛的见闻感受。Sam在奥运会期间发了这样的文字：“嘿！没有人在运动员村里吃饭。他们都去了麦当劳。所有运动员都去了麦当劳！这很疯狂，我很震惊！”这种文字一改《纽约时报》严肃刻板的形象，让读者觉得是和朋友在聊奥运。在里约奥运会期间，Sam向受众发了70条信息，3万人作出了回复。[13]Nick Confessore——《纽约时报》在大选中投放的“政治记者”（NYT Politic Bot）。为了保持人格魅力，Nick每天早上都需要撰写对话草稿，并以“探险式发问的方式”来反映他对大选的独特见解。这并不是《纽约时报》的声音，也不是所谓的“客观”的体验。大选期间，共有25万人与它互动。
　　Gilbert Cruz——《纽约时报》“电视编辑”。它的脑子里装着所有电视剧和电影的信息，而且性格友善。它通常并不只提出建议，还会通过提问来进一步了解受众，根据受众的回答，它会在“脑海”中建立受众偏好的元数据，再提出相关建议。
　　（六）人工智能＋VR报道
　　人工智能和VR看上去是两个不同的领域，虚拟现实技术的主要研究对象是外部环境，而人工智能技术则主要是人类智慧本质的探索。但Facebook旗下的虚拟现实公司Oculus首席科学家迈克尔·亚伯拉什对VR的定义是：能给我们带来与现实世界相同的视觉、听觉甚至触觉感受，才能算是真正的虚拟世界。而在此基础上，Facebook的CEO马克·扎克伯格则认为，有智慧的世界才是真正的虚拟世界。这提示了未来人工智能辅助VR报道的方向。
　　一方面，VR技术可以用来“调教”人工智能。微软开源了名为AirSim的高级虚拟现实训练系统——空中信息与机器人平台（Aerial Informatics and Robotics Platform），这个平台的主要目的是帮助开发者训练自己的人工智能适应各种现实环境中的场景。负责这项研究的阿什什·卡浦尔表示，在以往的AI学习中大多数的课题都会事先给定，而这个模拟器让AI去“思考”在一个现实世界中该如何活动。未来在新闻业的应用中则可以期待通过VR训练机器人记者来适应不同的现场报道环境。
　　另一方面，人工智能可以赋予VR新闻更真实的体验感。哥伦比亚大学Tow数字新闻研究中心研究员艾米丽·贝尔认为，人工智能与VR报道的结合可以让机器人记者成为更“智慧”的报道工具，可以独立思考完成复杂的分析工作，并在VR新闻的虚拟现实中创造具有“智慧”的虚拟世界中的新闻现场。
　　
三、人工智能对美国新闻业的影响
　　一方面，人工智能能够参与和推动新闻业价值链上所有环节的发展，让新闻生产更加便捷、高效、高质量。另一方面，人工智能所涉及的伦理道德问题，以及它对编辑业务和行业经济的影响都必须被重视。2017年6月，哥伦比亚大学Tow数字新闻研究中心联合布朗媒体创新研究所（Brown Institute for Media Innovation）举办的一期研讨会专门探讨了人工智能技术对新闻业产生的或将要产生的影响。总体上看，可以从对新闻业格局的改变、对新闻生产的渗透，以及对新闻伦理规范的挑战三个方面来考察人工智能对美国新闻业的影响。
　　（一）改变新闻业格局：技术＋新闻业会否出现新的垄断？
　　人工智能技术的引入将导致新闻业利益的重新分配。在此过程中，技术巨头、大型新闻机构是否最终获益？中小型新闻机构是否进一步萎缩？这是整个美国新闻业正在关注的“新垄断”问题。
　　1.人工智能的垄断技术、有偿技术对开源技术的抵制
　　如前所述，美国新闻业人工智能研发和应用大致呈现技术巨头主导研发，大型新闻机构主导应用，专业技术公司主导提供有偿技术服务的格局。目前，有一部分开源技术通过互联网平台发布，但由于“人工智能的关键技术正是亚马逊、谷歌、Facebook、Netflix、Twitter等技术巨头的竞争力所在，并为之带来巨大经济利益，因此，技术巨头对人工智能关键技术的开源使用几乎不可能”。[14]有偿技术提供商如Narrative Science、Graphiq、Storyful等都是通过提供机器人新闻、交互式图表新闻或智能信息核实等专业性新闻服务来获利的公司，对提供类似服务的开源技术也是坚决抵制。[15]目前，通过互联网发布的开源技术要么是业余玩家的个人行为，要么是技术公司处于试用期的产品，其功能性和精确度都要大打折扣，因此不可能成为新闻机构广泛应用的技术。
　　2.人工智能工具引入的高成本对中小型新闻机构的挑战
　　人工智能工具的引入至少存在三个方面的成本：工具的研发或购买、员工的培训、工具的维护和升级。中小型新闻机构负担这些成本存在很大的经济压力。哥伦比亚大学Tow数字新闻研究中心教授马克·汉森表示，中小型新闻机构中，不那么看重时效性和覆盖率的社区媒体、调查性新闻机构、非营利性新闻机构或许尚未感受到人工智能技术的必要性，但大部分区域媒体和综合性新闻媒体只要是看重时效性、依赖社交账号维护受众、看重广告业务的都会越来越依赖自动化新闻生产工具和数据分析工具。然而，无论成立技术研发部门还是购买服务，对于中小型新闻机构都是不小的挑战。在Tow数字新闻研究中心和布朗媒体创新研究所举办的研讨会上，有学者提出中小型媒体可以考虑和高校研究机构的合作，但目前的困境在于“学术研究人员和新闻从业人员对技术、新闻业务和行业伦理规范的认识存在巨大差异，并且科研机构的公共关系部门还会为合作制造一些人事障碍，因此实现媒体和科研机构之间低成本的理想合作状态尚需时日”。[16]（二）影响新闻生产：智能新闻编辑室改变了什么？
　　简单来说，人工智能引入新闻编辑室最大的改变就是新闻生产自动化程度的提高。自动化新闻生产提高了工作效率、改变了新闻从业人员的工作职责，但其局限性也为新闻生产带来新的问题。人工智能技术对于新闻生产的影响主要包括：
　　1.采编人员解脱于初级任务，被赋予新的专业职责
　　人工智能的首要任务是参与繁琐的初级任务，将记者解放出来从事更复杂、更高质量的报道和分析。人工智能能够帮助记者分析数据，验证模式、趋势，并从众多信息来源中探测原由和深意，看见肉眼不能看见的关系；将数据、声音转换为文本，将文本转化为视频或音频；理解情感，分析事物所处的客观环境；识别文本和颜色等。这些功能都将极大地缩减记者的初级劳动时间。
　　然而，正如凯文·凯利在《必然》中谈到的观点：客观世界自有其运行规律，科学技术可以决定世界发展的重大方向，但不会决定这些趋势会如何具体而细微地渐进展开。[17]当人工智能作为一种生产力被引入具体新闻生产，势必也会打破新闻编辑室原有的职位结构和工作流程。新闻编辑室每一个职位都有其存在的特殊性，有些职位更适合自动化，有些则必须依赖人工。在一个人工智能辅助工作的编辑室，记者的日常责任可能会改变：一是记者需要认识到，他们将花更多时间联系相关人员、从人工智能得出的线索中进一步追踪分析，而不是将时间浪费在初级的文件整理。二是自动化报道系统自身需要维护和监测。如美联社开始使用算法生成上市企业财报新闻以来，向客户提供的上市公司财报报道在数量上比以前多了12倍。尽管从外部看，这些常规报道由美联社的机器人完成，并没有人工干预。但在内部，用于监测机器人错误并修正的工作是需要人力来完成的，于是，维护机器人的工程师成为编辑室的新岗位。因此，人工智能的介入打破了传统的工作流程，也为新闻从业人员带来了不适。当工作流程因为人工智能的引入而改变时，新闻编辑室需要调适，以便让工作流程有助于人力员工和人工智能的协作，而不是被人工智能牵着鼻子走。
　　由于人工智能的每个分支技术都蕴含着帮助记者提升工作效率和质量的潜力。熟练掌握这些技术，将帮助记者和计算机以及数据科学家完成高质量的采访报道。赫斯特集团最近宣布创建了原生新技术部，这个部门专门负责发布数据新闻，并大胆将影响新闻业的重要技术，包括人工智能、声音交互、增强现实、虚拟现实等应用于新闻报道的采写中。赫斯特认为，人工智能只是一个基本技术，它将帮助我们跟上下一波个人计算发展趋势。因此，具备技术和专业知识的记者应该完全可以将人工智能应用于工作，而不是仅仅停留在实验室阶段。
　　2.全新新闻品种出现，并亟待建立新的质量考核体系
　　人工智能和新闻业的结合催生更多全新的新闻品种。目前AI+新闻表现最出色的当数机器人写稿与编辑。
　　首先，机器人写稿已进入2.0时代，除了能简单撰写新闻消息外，还可以提供更多体裁的新闻内容。《华盛顿邮报》的Heliograf就已经从撰写简单消息升级成了可以写分析性稿件的机器人。其次，聊天机器人的出现催生出对话式新闻报道。上文提到的《纽约时报》几款聊天机器人在美国大选、里约奥运等重大事件的报道中都以对话的形式呈现新闻，而机器人被赋予的幽默话风、调皮性格，使得它们的回复本身又成为“网红”新闻。第三，数据新闻的大量涌现。由于社交媒体和政府数据的开放和易得，使得媒体可以完成很多前所未有的报道。
　　由此，全新新闻品种的质量考核也成为新的问题，主要体现在四个方面：一是机器人新闻的署名和责任归属如何界定；二是大部分媒体的自动化新闻只依赖单一的、孤立的数据库，数据的完整性和准确性不能保证；三是公共数据应用的便捷抑制了媒体自身的数据库创建能力，大量“二手数据”可以提供关于报道的历史背景、统计数据，但很难提供绝大多数报道所需要的同步数据，且数据存在追溯和核实障碍；[18]四是自动化新闻生产模块化，将阻碍新闻生产的创新性。
　　3.采编人员和技术人员合作日益紧密，却存在认知差异
　　在自动化新闻生产中，采编人员和技术人员的合作成为工作常态。但设计工具、软件和算法的技术人员和使用它们的记者之间存在着知识差距和沟通障碍，这可能导致两者之间的冲突以及技术被不合理地使用。
　　首先，新闻采编人员通常认为机器人“新闻敏感不够”，这是因为设计机器的技术人员不具备新闻从业经验造成的，从而不能够通过机器人来找到丰富的原始新闻素材。其次，自动化新闻生产的透明度不够。新闻编辑室应该告知受众，人工智能工具是如何在分析、识别、报道中被使用的，而这需要技术人员用通俗的语言来表达。第三，采编人员因为知识结构和技术素养的欠缺导致不能充分使用智能工具来辅助新闻生产。
　　4.推送个性化带来新隐患
　　新闻生产自动化进入信息推送环节带来的最大改变就是推送个性化程度加深。个性化要求机器人根据受众的兴趣和关注点改写同一话题的新闻，通过重点改写标题和关键词来提高受众的点击率。此外，机器人还擅长调整或调适报道使之更适应某些特定设备，如手机或其他个性化终端。
　　然而，过度的个性化同样存在风险。通过对受众搜索行为的跟踪和管理，人工智能技术能够一定程度理解读者的喜好，并由此生产出个性化内容，最终实现商业回报。然而，机器人的使用带有各种各样的目的，既可以产生积极影响，也可能带来负面作用。比如：制造假新闻换取点击率，加剧信息的碎片化，为了商业目的刷流量。这使新闻赖以生存的真实性存在巨大隐患。
　　（三）挑战新闻伦理：数据和算法如何被规范使用？
　　人工智能的引入让新闻生产变得更加复杂，让记者更难以遵循常规的新闻伦理规范。算法的影响和数据应用的大幅增加带来很多新的伦理问题。
　　1.数据使用规范问题
　　在伦理规范下使用数据，即如何收集、存储、使用、分析和共享来自用户的信息是记者必须面对的一个基本问题。
　　首先，数据的透明使用。受众有权了解数据使用的方法，而采编人员应该说明如何使用人工智能工具来进行分析、识别或归纳数据。但是这个描述必须被翻译成非技术性的语言，并且以简洁的方式告诉受众人工智能是如何使用的以及如何做出选择的。其次，如何突破算法的“黑匣子”。尽管对于算法的解释相当生涩，但记者也应该对构建算法时所作的某种选择进行通俗的说明。Propublica数据新闻副主编奥尔加·皮尔斯和调查报道记者朱丽亚·安格雯认为，人工智能辅助下的新闻生产越来越接近学术工作，新闻产品所涉及的数据和算法都需要严格的核实和说明，才能不与新闻伦理规范相冲突。[19]2.算法的偏见
　　2017年初，皮尤研究中心推出的《算法时代》研究报告，针对算法偏见访谈了35位相关专家，得出结论认为：“算法的客观中立仅仅是理想，创建算法的人即使尽量做到客观中立，也不可避免地受到自身成长环境、教育背景、知识结构和价值观的影响。此外，创建算法所依赖的底层数据的有限性也会导致算法偏见。” [20]在针对社会经济、宗教和种族分裂等相关问题上，算法可能先占性地默认某种价值判断，这就为新闻从业人员如何使用号称“精确”的算法得出的数据提出了挑战。因此，要规避算法偏见需要人力核实数据真实性和前后关系，更需要在数据和新闻伦理两方面作出合理的取舍。
　　总体看来，美国新闻业对人工智能的态度是积极的。随着人工智能技术对新闻业的影响更加深入，新闻编辑室将日趋智能化，新闻产品的数量、质量和品种都将大幅提升。新闻业对采编人员应用人工智能技术的能力提出迫切要求，而新闻从业人员将感受到技术带来的前所未有的职业压力。与此同时，人工智能技术引入新闻业带来的负面影响的日益显现也将成为业内人士争论的焦点。■
　　
①⑧[11]Future Today Institute: 2017 Tech Trend Report, November 2016P35 .
②Cade Metz: The Battle for Top AI Talent Only Gets Tougher from Here, WiredMarch 232017.
③Ken Doctor: The New York Times’ Redesign aim to match the quality of its products to its journalism,尼曼新闻实验室网站：http://www.niemanlab.org/2017/06/newsonomics-the-new-york-times-redesign-aims-to-match-the-quality-of-its-products-to-its-journalism/?relatedstory
④⑤⑥⑩ Francesco MarconiAlex SiegmanMachine Journalist, The Future of Augmented Journalism:?A guide for newsrooms in the age of smart machines, Associate Press2017.
⑦Mohamed Altantawy: Fighting information overload with summarizationAgolo官网：https://www.agolo.com/splash
⑨Judd Slivca: Five mobile journalism basics to remember, 雷诺兹新闻研究所网站：https://www.rjionline.org/stories/five-mobile-journalism-basics-to-remember
　　Future Today Institute: 2017 Tech Trend Report, November 2016P71.
[12][13]Andrew Phelps: This is how New York Times is using bots to create more one-to-one experiences with readers尼曼新闻实验室网站：http://www.niemanlab.org/2017/04/this-is-how-the-new-york-times-is-using-bots-to-create-more-one-to-one-experiences-with-readers/
[14][16]Mark Hansen, Meritxell Roca-Sales, Jon Keegan, George King: Artificial Intelligence Practice and Implications for Journalism, Brown Institute for Media Innovation and Tow Center for Digital Jouranlism, September 2017.
[15]Young, Mary Lynn, and Alfred Hermida：From Mr. and Mrs. Outlier to Central Tenden- cies, Digital Journalism，March 2015.
[17]凯文·凯利：《必然》第32页，电子工业出版社2016年版
[18]Neil ThurmanKonstantin Dorr, Jessica Kunert: When Reports Get Hands-on with Robo-Writing, Digital Journalism, March 2017.
[19]CreechBrianand Andrew L. Mendelson:Imagining the Journalist of the Future: Tech- nological Visions of Journalism Education and Newswork, Communication Review，February 2015.
[20]Lee Rainie, Janna Anderson: Code-Dependent: Pros and Cons of the Algorithm Agehttp://www.pewinternet.org/2017/02/08/code-dependent-pros-and-cons-of-the-algorithm-age/
　　
余婷系四川社会科学院新闻传播研究所副研究员，陈实系四川省社会科学院新闻传播研究所助理研究员。本文为2013年度国家社会科学基金课题“美国报业数字化转型研究”阶段性成果，项目编号13CXW002。