黃升民 劉 珊

“人工智能”已經(jīng)成為一個社會熱詞,它既是諸多產(chǎn)業(yè)競爭的領(lǐng)域,也是國家發(fā)展的戰(zhàn)略重點(diǎn)。自2017年起,人工智能已連續(xù)三年被寫入我國《政府工作報告》,同年7月,國務(wù)院正式發(fā)布《新一代人工智能發(fā)展規(guī)劃》,將人工智能技術(shù)與產(chǎn)業(yè)的發(fā)展上升為國家重大發(fā)展戰(zhàn)略。就傳媒領(lǐng)域而言,無論是業(yè)界還是學(xué)界,必然受到這個與大數(shù)據(jù)技術(shù)伴生的人工智能技術(shù)的深刻影響；必然在理論層面和實(shí)踐層面深入思考流程再造和產(chǎn)業(yè)布局；必然在國家重大發(fā)展戰(zhàn)略框架下做出全方位的適應(yīng)性調(diào)整。

通常來說,我們將人工智能應(yīng)用于媒體帶來的改變,統(tǒng)稱為“媒體智能化”,用“媒體智能化”描述一個智能化程度不斷提升的過程。在這個過程中,出現(xiàn)了“智能媒體”這一概念。學(xué)界比較典型的概念界定包括:“在技術(shù)助力下能夠更懂得人類的需求的信息服務(wù)介質(zhì)或機(jī)制?！雹佟耙酝忻襟w形式融合人工智能技術(shù),同時輔助以最新的技術(shù)設(shè)備和大數(shù)據(jù)分析,形成的內(nèi)容無盡且信息不存在限制的媒體?！雹凇巴ㄟ^模擬人類智能實(shí)現(xiàn)各種認(rèn)知能力以及協(xié)同機(jī)制,使人與人、物與物以及人與物產(chǎn)生聯(lián)系的自主實(shí)體?！雹鄣聦?shí)上,這些定義偏向于對智能媒體“功能”的解讀,卻無法闡釋智能媒體的“智能”究竟是什么,也缺少對于智能實(shí)現(xiàn)路徑的體系化解讀,因而無法給業(yè)界帶來相應(yīng)的理論指導(dǎo)與借鑒。這也是我們試圖重新探討這一話題的重要原因:首先,傳媒本身與信息、與人密切關(guān)聯(lián),具有極強(qiáng)的產(chǎn)業(yè)特殊性,這種特殊性決定了人工智能在這個領(lǐng)域的應(yīng)用和發(fā)展具備自身的獨(dú)特性與差異性,因此需要構(gòu)建獨(dú)立的理論體系與指導(dǎo)框架；其次,這種特殊性決定了智能媒體實(shí)現(xiàn)的底層邏輯,是對事物的認(rèn)知、理解,進(jìn)而進(jìn)行預(yù)測和決策,完成智能化的運(yùn)營。接下來,我們將從三個層次展開,剖析智能媒體的再定義與實(shí)現(xiàn)邏輯。

一、智能媒體的基礎(chǔ):從“認(rèn)知力”到“理解力”

清華大學(xué)人工智能研究院常務(wù)副院長、國家重點(diǎn)基礎(chǔ)研究發(fā)展計劃(973計劃)項(xiàng)目首席科學(xué)家孫茂松在2018年接受媒體采訪時曾表示,目前人工智能總體上依舊處于無理解的人工智能階段,下一個挑戰(zhàn)是開發(fā)具有“理解能力”的人工智能。在心理學(xué)的范疇,認(rèn)知和理解是學(xué)習(xí)的重要過程,認(rèn)知和理解之后才能產(chǎn)生知識。在當(dāng)下成為人工智能主流的深度學(xué)習(xí),本質(zhì)就是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù),來學(xué)習(xí)更有用的特征,從而提升分類或預(yù)測的準(zhǔn)確性。④基于日益優(yōu)化的數(shù)據(jù)、算力和算法環(huán)境,深度學(xué)習(xí)被廣泛運(yùn)用于各行各業(yè)之中,在這其中以語音識別、圖像識別和自然語言處理三個方面為主⑤,其成果顯著且成為智能技術(shù)的基礎(chǔ)。同樣,這三項(xiàng)可以讓機(jī)器形成“看懂”“聽懂”“可溝通”的認(rèn)知能力技術(shù),對于傳媒領(lǐng)域而言,也是實(shí)現(xiàn)理解內(nèi)容、理解用戶、理解場景的基礎(chǔ)智能技術(shù)。

(一)認(rèn)知并理解內(nèi)容

當(dāng)我們在媒體產(chǎn)業(yè)探討“智能化”這一現(xiàn)象時,“大數(shù)據(jù)”和“算法”是常常被提及的兩個概念,并進(jìn)一步與“個性化推薦”相關(guān)聯(lián)。但是,當(dāng)算法作為具有中介權(quán)力的把關(guān)人時,其執(zhí)行的兩個主要功能是充當(dāng)“需求預(yù)測器”和“內(nèi)容創(chuàng)造者”。⑥要做到有的放矢的推薦,平衡“精準(zhǔn)”與“信息繭房”,前提就是正確理解內(nèi)容。

首先,從信息傳播的編碼與解碼角度來看,信息的傳播本質(zhì)是一種編碼與解碼的過程,媒體在信息傳播中需要完成對圖文、聲音、影像的生產(chǎn)與加工。因此,我們對于智能媒體的基礎(chǔ)要求是能夠準(zhǔn)確的“識別”、合理的“還原”、適度的“加工”。對于計算機(jī)來說,“識別”往往和“打標(biāo)簽”相關(guān)聯(lián),“標(biāo)簽”又常常和“畫像”成對出現(xiàn),表征的都是理解的能力。Netflix在2014年透露,工作人員對內(nèi)容類型、劇情敘事、角色道德水準(zhǔn)等內(nèi)容屬性進(jìn)行精準(zhǔn)的分類和評級,同時在機(jī)器算法的幫助下,共識別出超過76897種“微標(biāo)簽”,以實(shí)現(xiàn)對內(nèi)容的解構(gòu)。目前,在媒體處理引擎Archer等技術(shù)平臺的支持下,Netflix實(shí)現(xiàn)了通過人工智能技術(shù)識別內(nèi)容中物體、人類動作以及文字等各項(xiàng)元素。例如,借助Archer平臺上的文本檢測算法和圖像識別算法,Netflix可以清晰識別視頻中所包含的文字,以及視頻中人類的姿勢動作等。這些探索,能幫助Netflix更好地利用AI技術(shù)拆解內(nèi)容、理解內(nèi)容、精準(zhǔn)推薦、優(yōu)化生產(chǎn)。

其次,從媒體傳播的引導(dǎo)力和價值觀角度來看,用主流價值導(dǎo)向駕馭算法已經(jīng)成為行業(yè)發(fā)展的必然與必須?！爸敲綍r代,基于人工智能和大數(shù)據(jù)的各種識別、分析、分發(fā)、互動、創(chuàng)作技術(shù)正在逐步嵌入媒介生產(chǎn)系統(tǒng)……這一切為主流價值的傳播提供了更大的舞臺。但與此同時,一些蘊(yùn)含在新技術(shù)手段中的結(jié)構(gòu)性問題也正在動搖主流價值的根基,成為我們不得不面對的挑戰(zhàn)?！雹叽饲?今日頭條創(chuàng)始人張一鳴一句“算法沒有價值觀”,把利用算法推薦和分發(fā)內(nèi)容的互聯(lián)網(wǎng)平臺推上了輿論的風(fēng)口浪尖。此后,在優(yōu)化算法價值觀的規(guī)劃中,字節(jié)跳動公共政策研究院表示,一要解決內(nèi)容生產(chǎn)的低質(zhì)化問題,壓實(shí)社交平臺、信息平臺和創(chuàng)作者的社會責(zé)任,提升全體用戶的道德素質(zhì)和網(wǎng)絡(luò)素養(yǎng)；二要實(shí)現(xiàn)社會價值融入算法設(shè)計,發(fā)揮對內(nèi)容生產(chǎn)和傳播的“獎優(yōu)罰劣”把關(guān)作用,盡快邁向智能管網(wǎng)治網(wǎng)；三要防范算法黑箱的潛在風(fēng)險,促進(jìn)算法的透明化、需要目標(biāo)設(shè)定的公平正義和公開透明、算法原理的科學(xué)以實(shí)現(xiàn)正確的目標(biāo),在有人工訓(xùn)練的情況下,在社會價值的指引下正確選取指標(biāo)和行為特征,避免產(chǎn)生系統(tǒng)性偏見和歧視。當(dāng)然,如何為算法賦予價值觀的問題需要更加長久的業(yè)界探索和學(xué)界研究來解決。目前,利用人工智能提升內(nèi)容審核的效率與效果已經(jīng)在國內(nèi)外的互聯(lián)網(wǎng)平臺實(shí)踐中初見成效。2019年8月1日,字節(jié)跳動發(fā)布了反低俗工具“靈犬3.0”,采用“BERT模型(Bidirectional Encoder Representations From Transformers)+半監(jiān)督學(xué)習(xí)”的技術(shù),提高了相關(guān)文本的識別度和圖像識別能力。同時,字節(jié)系內(nèi)容平臺通過人工標(biāo)注和模型訓(xùn)練的方式,能夠以93%的準(zhǔn)確率識別主流價值內(nèi)容,并在此基礎(chǔ)之上優(yōu)化內(nèi)容推薦,相關(guān)優(yōu)質(zhì)文章將獲得1.5～2倍的加權(quán)推薦。

(二)認(rèn)知并理解用戶

大眾傳播時代,媒體產(chǎn)業(yè)在完成“理解用戶”這一任務(wù)時,是在社會學(xué)、人類學(xué)、心理學(xué)等研究方法的基礎(chǔ)上進(jìn)行的受眾測量、消費(fèi)者研究。人工智能技術(shù)與新媒體環(huán)境的蓬勃發(fā)展,讓我們可以更加便捷地展開多元化、多樣態(tài)的用戶研究,文本分析、消費(fèi)者畫像等技術(shù)被廣泛應(yīng)用,極大提高了理解用戶的效率與精度。

首先是理解用戶“是誰”。“基于大數(shù)據(jù)技術(shù)的消費(fèi)者洞察極大還原了消費(fèi)者在虛擬數(shù)字空間以及現(xiàn)實(shí)空間中的真實(shí)狀態(tài)。數(shù)據(jù)更新速度快,保證了消費(fèi)者洞察的數(shù)據(jù)時效性；數(shù)據(jù)來自多元場景,可以立體化、多角度解讀消費(fèi)者的行為和態(tài)度?！雹嗄壳?新媒體機(jī)構(gòu)普遍將用戶畫像作為一項(xiàng)基礎(chǔ)技術(shù),并且在畫像顆粒度方面不斷精細(xì)化。這一方面要求新媒體機(jī)構(gòu)掌握更多來源和類型的數(shù)據(jù),另一方面則在很大程度上考驗(yàn)其算法和算力。所以,超大型的互聯(lián)網(wǎng)媒體機(jī)構(gòu),更有可能完成精細(xì)化程度較高的用戶畫像。例如,YouTube一方面基于Google的賬號體系,通過cookie、像素代碼、服務(wù)器日志等常規(guī)意義上的數(shù)據(jù)采集技術(shù)對用戶數(shù)據(jù)進(jìn)行采集,并將數(shù)據(jù)大致分為個人數(shù)據(jù)、設(shè)備數(shù)據(jù)、活動數(shù)據(jù)以及位置數(shù)據(jù)四個維度，數(shù)據(jù)上傳至Google服務(wù)器并通過后臺機(jī)器學(xué)習(xí)技術(shù)進(jìn)行分析處理,刻畫用戶畫像，該用戶畫像包括基礎(chǔ)信息、興趣愛好、行為習(xí)慣等在內(nèi)的超過60個標(biāo)簽,每個標(biāo)簽都詳細(xì)標(biāo)注了形成原因,實(shí)現(xiàn)了對用戶的基本洞察。另一方面,由于機(jī)器的認(rèn)知缺陷以及用戶行為偏好的不穩(wěn)定性,通過機(jī)器學(xué)習(xí)技術(shù)自動描繪的用戶畫像在某些情況下可能失去精準(zhǔn)性,為此,YouTube還開放了一定的權(quán)限給用戶,允許他們對自身標(biāo)簽與畫像數(shù)據(jù)進(jìn)行修改,將機(jī)器理解與用戶人為修正相結(jié)合。

其次是理解用戶的需求。段淳林等將智能廣告的研究劃分為三個維度,即用戶需求維度、算法推薦維度和場景匹配維度,并認(rèn)為,利用大數(shù)據(jù)技術(shù)搭建起集數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)安全等功能為一體的智能數(shù)據(jù)管理平臺可以準(zhǔn)確分析和理解用戶行為特性,建立用戶需求偏好的算法模型,并不斷訓(xùn)練優(yōu)化,掌握用戶的動態(tài)化、潛在性需求和預(yù)測未來需求。⑨目前,在人工智能技術(shù)的支撐之下,我們基本做到了對用戶即時需求和長期需求、顯在需求和潛在需求進(jìn)行精準(zhǔn)劃分與動態(tài)描摹。例如,阿里媽媽在2020年7月再次升級達(dá)摩盤,并將RFM(最近一次消費(fèi)Recency、消費(fèi)頻率Frequency、消費(fèi)金額Monetary)模型與消費(fèi)者的情感因素相結(jié)合,從需求和價值維度對消費(fèi)者需求進(jìn)行了重新分類,從而幫助品牌商家找到最具價值的“超級用戶”,即高凈值用戶、高價值用戶、高傳播力用戶。達(dá)摩盤同時還支持“超級用戶”的Lookalike人群投放,系統(tǒng)自動識別種子人群的顯著特征和顯著商品偏好,投放時加大所選“超級用戶”的特征在擴(kuò)展人群中權(quán)重,找到真正的高價值人群。

(三)認(rèn)知并理解場景

“內(nèi)容”和“用戶”產(chǎn)生聯(lián)結(jié)、互動的環(huán)境,我們將其稱之為“場景”。2018年,中國傳媒大學(xué)廣告學(xué)院基于對大量品牌主、廣告代理機(jī)構(gòu)、媒體平臺的調(diào)研,推出了《新營銷白皮書》,對營銷中的“場景”做出了這樣的界定:“場景往往是由多維時空交織所形成的特定情境。消費(fèi)者不同人生階段、生活狀態(tài)下會有各種‘需求場’,傳播流程中有不同‘媒介場’,消費(fèi)環(huán)節(jié)有線上線下各種渠道的‘賣場’,多維度場景交疊,就會勾勒出這一特定情境下消費(fèi)者的獨(dú)特畫像。”作為人工智能的底層邏輯,算法恰好能夠通過對海量數(shù)據(jù)的挖掘分析,找尋并建立復(fù)雜要素間的關(guān)系,遵循“海量內(nèi)容—用戶需求—多維場景”的基礎(chǔ)邏輯,為用戶構(gòu)建更加貼合沉浸的場景。⑩

首先是從信息傳播的角度理解場景,其關(guān)鍵詞是“還原”。約書亞·梅羅維茨(Joshua Meyrowitz)在《空間感的失落:電子傳播媒介對人的社會行為的影響》一書中提出,場景應(yīng)該被視為信息系統(tǒng)。媒體智能化帶來的理解力升級,可以有效幫助我們還原信息傳播的場景,為用戶帶來更具真實(shí)感的沉浸式信息互動。例如,在新聞內(nèi)容領(lǐng)域,從精確新聞、眾包新聞發(fā)展到數(shù)據(jù)新聞和人工智能新聞,其實(shí)折射出的都是技術(shù)與信息傳播相結(jié)合帶來的巨大改變。尤其自2013年《紐約時報》的數(shù)據(jù)新聞作品《雪崩》之后,將大數(shù)據(jù)技術(shù)應(yīng)用于新聞內(nèi)容生產(chǎn)與分發(fā)逐漸成為媒體智能化的一種主流趨勢。2020年12月30日,由新華社全媒編輯中心聯(lián)合知乎共同推出的創(chuàng)意視頻《2020,36億數(shù)據(jù)繪出這條線》上線。該視頻以上文提到的問答作為開篇,對2020年全網(wǎng)36億條新聞基礎(chǔ)數(shù)據(jù)、18000條熱搜榜單以及知乎全年近萬條萬贊問答進(jìn)行分析,繪制出2020年人們共同的情感曲線,將新聞圖片、視頻與數(shù)據(jù)可視化效果完美融合。截至2021年1月1日該視頻全網(wǎng)瀏覽量突破2.7億,并在多家電視臺衛(wèi)視頻道新聞欄目播出。

其次是從信息需求的角度理解場景,其關(guān)鍵詞是“契合”。結(jié)合用戶畫像,人工智能幫助我們更好地理解了用戶在不同場景中的差異化需求?！扒榫称ヅ渫ㄟ^判斷用戶所在場景中的行為特征和外部環(huán)境,運(yùn)用符合用戶生活形態(tài)的設(shè)計,將產(chǎn)品服務(wù)的解決方案與用戶的潛在需求匹配起來,以實(shí)現(xiàn)用戶需求與服務(wù)滿足的有效銜接?！焙唵蝸碚f,即便只是“喝咖啡”這樣的行為,在不同的時間和地點(diǎn),都會有不同的意義和目的,喝咖啡的人在不同場景對于信息和媒體的需求也存在差異,這就是認(rèn)知場景的重要性。例如,申通德高基于戶外大數(shù)據(jù)開發(fā)了VIOOH廣告投放系統(tǒng)。該系統(tǒng)可以依據(jù)場景特點(diǎn)進(jìn)行動態(tài)化的廣告投放——獨(dú)特的時間、天氣、經(jīng)緯度、人群畫像等成為了廣告投放的觸發(fā)條件。以疫情期間上海地鐵的公益廣告投放為例,申通德高以電子雙聯(lián)屏為內(nèi)容載體,在援鄂醫(yī)生所在醫(yī)院附近的地鐵站點(diǎn)中進(jìn)行分屏投放。左屏展示“最美逆行者”的照片和介紹,右屏為乘客提供附近的發(fā)熱門診位置等便民信息。另一個典型案例則是為某防曬產(chǎn)品客戶執(zhí)行的廣告投放活動:結(jié)合防曬產(chǎn)品的特殊性,只有當(dāng)?shù)孛鏈囟冗_(dá)到38℃或者更高時,廣告投放機(jī)制才會被觸發(fā)并展示廣告。其實(shí),無論是傳播還是營銷,本質(zhì)上強(qiáng)調(diào)的都是一種匹配,與大眾傳播時代的5W模型一致,想要解決的是人、時間、信息、方式的匹配。大數(shù)據(jù)和人工智能讓我們能夠更加有效地完成這種匹配。

這三個層面的認(rèn)知理解,讓媒體智能化向前邁進(jìn)了一步,為下一步的決策和創(chuàng)造打下堅實(shí)的基礎(chǔ)。

二、智能媒體的進(jìn)階:從“理解力”到“決策力”

相對來說,理解內(nèi)容、理解用戶、理解場景,還是一種靜態(tài)的、孤立的理解,在實(shí)際的媒體運(yùn)營中,這種靜態(tài)與孤立的理解會給業(yè)務(wù)的發(fā)展、技術(shù)的升級帶來諸多限制與瓶頸,因此需要完成下一步的進(jìn)階與突破——從單一理解,進(jìn)化到關(guān)系理解與動態(tài)理解。我們曾經(jīng)撰文探討互聯(lián)網(wǎng)與互聯(lián)網(wǎng)思維的本質(zhì):互聯(lián)網(wǎng)帶來的是三個“無限”,即無限的需求、無限的服務(wù)、無限的傳輸,在一個雙向互動的平臺上完成資源的配置。事實(shí)上,“無限”和“互動”也是媒體智能化進(jìn)階的兩個關(guān)鍵,在這種“無限”和“互動”中,媒體的智能化程度逐漸提升,完成了從“理解力”向“決策力”的過渡。

(一)無限的網(wǎng)絡(luò)+無限的數(shù)據(jù),從事實(shí)辨析到關(guān)系理解

目前,互聯(lián)網(wǎng)的發(fā)展已經(jīng)從“網(wǎng)頁的鏈接”階段過渡到“數(shù)據(jù)的鏈接”階段,并朝著“語義網(wǎng)絡(luò)”的階段發(fā)展。在這個過程中,從海量的數(shù)據(jù)中提取有用的知識,既是大數(shù)據(jù)分析的關(guān)鍵,也是人工智能獲得知識、構(gòu)建理解力的關(guān)鍵。知識圖譜技術(shù)應(yīng)運(yùn)而生,幫助我們從原始數(shù)據(jù)出發(fā),采用一系列自動或半自動的技術(shù)手段,從原始數(shù)據(jù)中提取出知識要素(即事實(shí)),并將其存入知識庫的數(shù)據(jù)層和模式層。這是一個迭代更新的過程,根據(jù)知識獲取的邏輯,每一輪迭代包含3個階段:信息抽取、知識融合以及知識加工。通過知識圖譜,不僅可以將互聯(lián)網(wǎng)的信息表達(dá)成更接近人類認(rèn)知世界的形式,而且它提供了一種更好的組織、管理和利用海量信息的方式。

2020年12月,在Data Fun Talk年終大會知識圖譜論壇中,來自百度、阿里巴巴、美團(tuán)等機(jī)構(gòu)的行業(yè)專家分享了各自對于知識圖譜技術(shù)及其應(yīng)用的理解,讓我們看到了行業(yè)機(jī)構(gòu)對這一技術(shù)的現(xiàn)實(shí)應(yīng)用。其中,百度資深研發(fā)工程師王泉提到:“直觀來說,知識圖譜就是以圖的形式來展示知識,節(jié)點(diǎn)用來描述客觀世界中一些實(shí)體或者概念,邊用來描述實(shí)體和實(shí)體之間的關(guān)系或者實(shí)體的一些屬性。通過這種結(jié)構(gòu)化的知識表示形式,知識圖譜將存在于客觀世界的豐富知識表達(dá)成機(jī)器能夠處理和理解的形式,從而使機(jī)器能夠像人類一樣去認(rèn)知世界并且做出合理的決策,進(jìn)而為人類提供更加廣泛的智能化服務(wù)?！迸c谷歌一致,百度知識圖譜技術(shù)同樣始于其搜索引擎業(yè)務(wù),但目前已經(jīng)廣泛賦能搜索之外的業(yè)務(wù)和產(chǎn)品線。近兩年,百度知識圖譜技術(shù)建設(shè)的重點(diǎn)在多元圖譜的異構(gòu)互聯(lián)；圖譜的主動收錄與自學(xué)習(xí)；多媒體知識、復(fù)雜知識以及行業(yè)知識的理解構(gòu)建。從數(shù)據(jù)量級來看,百度知識圖譜覆蓋了十億級實(shí)體、千億級事實(shí),涉及類目40多個,已形成當(dāng)前規(guī)模最大的中文知識圖譜,覆蓋人物、影視、音樂、文學(xué)、商品、餐飲、旅游、出行等垂直領(lǐng)域。對于媒體機(jī)構(gòu)而言,一個覆蓋了“十億級實(shí)體,千億級事實(shí)”的知識圖譜,就是一個辨析事實(shí)真?zhèn)蔚幕A(chǔ)工具,巨量的冠有“新聞”的報道蜂擁而至,都必須經(jīng)過嚴(yán)密的數(shù)據(jù)比對與篩查。

然而,僅僅辨析事實(shí)真?zhèn)芜€不夠,還需要進(jìn)一步理解事實(shí)與事實(shí)之間的關(guān)系。對于媒體的理解力提升來說,知識圖譜相當(dāng)于一個巨大的關(guān)系網(wǎng)絡(luò):計算機(jī)能夠在數(shù)據(jù)庫中建立概念間的鏈接關(guān)系,從而以最小的代價將互聯(lián)網(wǎng)中積累的信息組織起來,成為可以被利用的知識。簡單來說,我們可以從一張龐大而復(fù)雜的關(guān)系網(wǎng)絡(luò)中去認(rèn)識單一概念,對其形成更加立體的認(rèn)知。雖然知識圖譜的源點(diǎn)是谷歌對自身搜索引擎技術(shù)的優(yōu)化,但其反映的當(dāng)然也是計算機(jī)對于搜索需求以及檢索數(shù)據(jù)庫中所有數(shù)據(jù)的理解能力。于是,無限的網(wǎng)絡(luò)催生無限的數(shù)據(jù),這些數(shù)據(jù)在各類互動平臺中建立起聯(lián)結(jié),同時又在互動過程中產(chǎn)生、消亡、新生、替代、融合,為計算機(jī)的理解力提供一個從點(diǎn)到線、從線到面的進(jìn)化過程。在這樣一張巨大的關(guān)系型數(shù)據(jù)網(wǎng)絡(luò)中,標(biāo)記、辨別、比對、認(rèn)知,都有了更加豐富的價值和意義,計算機(jī)也得以實(shí)現(xiàn)從單一理解向關(guān)系理解的轉(zhuǎn)變。

(二)無限的情節(jié)+無限的場景,實(shí)現(xiàn)對時間與空間的動態(tài)理解

笛卡爾認(rèn)為一無所有的空間是不存在的；牛頓建立了絕對空間和絕對時間的概念；愛因斯坦的廣義相對論認(rèn)為空間充滿了場和物質(zhì),場作為時空的結(jié)構(gòu)性質(zhì)而存在；大爆炸理論認(rèn)為,宇宙由一個“奇點(diǎn)”而來,時間和空間作為物質(zhì)的存在方式隨著“奇點(diǎn)”的爆炸出現(xiàn)了……從理解力的角度來看時間和空間,相當(dāng)于為我們認(rèn)知人、事、物提供了基本的維度和坐標(biāo),其重要性是不言而喻的。簡單來說,時間維度上形成了“情節(jié)”,空間維度上形成了“場景”,只有在具備時間線的場景中去進(jìn)行獨(dú)特性的匹配與校正,才能在理解的基礎(chǔ)上做出預(yù)判與預(yù)測——顯然,這對于媒體實(shí)現(xiàn)對人、事、物的動態(tài)理解來說,是無比重要的。更重要的是,預(yù)判趨勢正是數(shù)據(jù)挖掘分析的重要意義,也是人工智能能力的重要表現(xiàn)。

目前,時間序列數(shù)據(jù)(Time Series Data)在趨勢預(yù)測任務(wù)中扮演了十分重要的角色。時間序列分析不僅可以從數(shù)量上揭示某一現(xiàn)象的發(fā)展變化規(guī)律或從動態(tài)的角度刻畫某一現(xiàn)象與其他現(xiàn)象之間的內(nèi)在數(shù)量關(guān)系及其變化規(guī)律性,達(dá)到認(rèn)識客觀世界之目的,而且運(yùn)用時序模型還可以預(yù)測和控制現(xiàn)象的未來行為。也就是說,當(dāng)我們將大量觀測對象用時間線串聯(lián)起來之后,就可以實(shí)現(xiàn)分析過去、監(jiān)測當(dāng)下、預(yù)測未來的目標(biāo)。同時,由于各行各業(yè)所處的情境不同,其對趨勢預(yù)測發(fā)揮的效果也有所不同。在追求預(yù)測準(zhǔn)確性、穩(wěn)定性和可解釋性的過程中,我們往往還需要對影響預(yù)測目標(biāo)的多方面因素以及因素背后的多元關(guān)系——即元素所處情境進(jìn)行考慮,從而更好地完成對于“變化”的理解。數(shù)據(jù)挖掘與趨勢分析并不是新鮮概念,時間序列分析與研究也是統(tǒng)計學(xué)的經(jīng)典問題,但是搭載機(jī)器學(xué)習(xí)與深度學(xué)習(xí),時序數(shù)據(jù)挖掘,尤其是融合情境的時序數(shù)據(jù)挖掘可實(shí)現(xiàn)的預(yù)測能力正得到極大的提升,并在零售、金融、醫(yī)療與媒體等多個領(lǐng)域有了更加廣泛的應(yīng)用。

2016年,百度云在天工平臺上正式發(fā)布了國內(nèi)首個云端時序數(shù)據(jù)庫產(chǎn)品TSDB(Time Series Database)；2017年2月,臉書開源了Beringei時序數(shù)據(jù)庫；2018年3月,騰訊云推出了云上時序數(shù)據(jù)庫CTSDB(Cloud Time Series Database)；2018年10月,阿里云發(fā)布了時間序列數(shù)據(jù)庫TSDB(Lindorm Time Series Database)；2020年10月,亞馬遜云服務(wù)(AWS)宣布Amazon Timestream正式可用；谷歌的Monarch被公認(rèn)為當(dāng)今全球最大規(guī)模的時序數(shù)據(jù)庫,不過并未開源。在與媒體強(qiáng)相關(guān)的業(yè)務(wù)領(lǐng)域,推薦系統(tǒng)可能是能夠直接檢驗(yàn)“預(yù)測”分析準(zhǔn)確性的場景。在加入“時間”和“場景”所組成的“環(huán)境”坐標(biāo)之前,“推薦”是一種靜態(tài)的行為,無法契合現(xiàn)實(shí)生活中用戶的“動態(tài)”現(xiàn)實(shí)。因此,研究者試圖讓計算機(jī)理解和建模連續(xù)的用戶行為、用戶和條目之間的交互,以及用戶偏好和條目受歡迎程度隨時間的變化,以更精確地描述用戶環(huán)境、意圖和目標(biāo)、物品消費(fèi)趨勢等,產(chǎn)生更準(zhǔn)確、定制化和動態(tài)的推薦。例如,百度在2021年1月上線的EasyDL時序預(yù)測模型可以充分利用協(xié)變量,提升模型精度:在進(jìn)行門店銷量預(yù)測時,除了涉及時間因素,還會與當(dāng)日天氣狀況、門店周邊環(huán)境等因素有關(guān),而這些變量都可以被加入EasyDL模型中用以提升預(yù)測的準(zhǔn)確度。

自動駕駛的重要目標(biāo)是讓機(jī)器能夠理解具象的空間,但在媒體領(lǐng)域,空間的概念卻遠(yuǎn)大于此。只有實(shí)現(xiàn)從單一理解到關(guān)系理解,再到時空交織下的動態(tài)理解,才能為下一步的預(yù)測和決策做好準(zhǔn)備。

(三)無限的鏈接+無限的互動,完成理解到?jīng)Q策的進(jìn)階

人工智能的目標(biāo)就是讓計算機(jī)能夠模擬人類進(jìn)行感知、決策并執(zhí)行。在DIKW模型(Data-to-Information-to-Knowledge-to-Wisdom Model)中,數(shù)據(jù)、信息、知識、智慧層層遞進(jìn),而智慧又可以被簡單地歸納為做出正確判斷和決定的能力,是對知識的最佳使用。從這個角度而言,數(shù)據(jù)是學(xué)習(xí)的基礎(chǔ),學(xué)習(xí)是提升理解力的渠道,理解力則是決策的前提。事實(shí)上,人工智能領(lǐng)域始終致力于提升計算機(jī)的學(xué)習(xí)、理解與決策能力。從2006年杰弗里·辛頓(Geoffrey Hinton)提出無監(jiān)督深度置信網(wǎng)絡(luò)的訓(xùn)練方法到2017年AlphaGo Zero問世,折射的也是研究者對于“學(xué)習(xí)”方式的探討,對于“決策”智慧的重視——通過建立、模擬人腦的信息處理神經(jīng)結(jié)構(gòu)來實(shí)現(xiàn)對外部輸入的數(shù)據(jù)進(jìn)行從低級到高級的特征提取,從而使機(jī)器學(xué)習(xí)、理解數(shù)據(jù)；而深度強(qiáng)化學(xué)習(xí)則將深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)技術(shù)結(jié)合起來,其最大特點(diǎn)是計算機(jī)在與環(huán)境的互動中學(xué)習(xí),根據(jù)交互獲得的獎懲獲得知識、更新策略以更加適應(yīng)環(huán)境。在從互聯(lián)網(wǎng)到物聯(lián)網(wǎng)的發(fā)展過程中,萬物互聯(lián)形成鏈接加上無限的互動,為機(jī)器的學(xué)習(xí)帶來無限廣袤的平臺。

本質(zhì)上,AlphaGo Zero是在不斷的“推演”和“復(fù)盤”中學(xué)習(xí)圍棋,并尋求最佳“落子”,即決策。這個決策過程,需要有真實(shí)的“反饋”來幫助計算機(jī)學(xué)習(xí)和修正。在2020年9月召開的“首屆智能決策論壇”上,中國科學(xué)院自動化研究所所長徐波在致辭中表示,決策智能基于對不確定環(huán)境的探索,需要根據(jù)所獲取的環(huán)境信息和自身的狀態(tài)來進(jìn)行自主決策,并使得由環(huán)境反饋的收益最大化。這一由反饋形成的系統(tǒng)閉環(huán),將使人工智能擁有更完整的表現(xiàn)形式。他認(rèn)為,智能是能夠在一種不確定的環(huán)境中做出合適的行動,或者做出合適的選擇和決定的能力,也就是決策智能。這正是我們認(rèn)為互聯(lián)網(wǎng)與大數(shù)據(jù)的發(fā)展會真正實(shí)現(xiàn)理解力進(jìn)階的原因。無限的網(wǎng)絡(luò)帶來了無限的數(shù)據(jù),形成了無限的關(guān)系,在無限的時空場景中彼此交織,形成無限的鏈接和無限的互動,從而幫助計算機(jī)實(shí)時調(diào)整、不斷迭代,無限接近人類的決策過程,卻又比人類具有更大的智慧潛能,因而極有可能制定出相對的“最優(yōu)”決策。

在媒體產(chǎn)業(yè)中,小到內(nèi)容策劃、推薦分發(fā)、流量分配這樣的“算法”級別,大到產(chǎn)品開發(fā)、商業(yè)變現(xiàn)、策略制定這樣的“戰(zhàn)略”級別,其實(shí)都是“決策”。因此,媒體領(lǐng)域的人工智能探索與應(yīng)用,始終與最優(yōu)解判斷、智能決策相關(guān)聯(lián)。當(dāng)下無論新舊、無論大小、無論國內(nèi)還是國外,媒體機(jī)構(gòu)都在朝著智能化的方向轉(zhuǎn)型和發(fā)展,并將數(shù)據(jù)、云、AI作為所有業(yè)務(wù)的底層架構(gòu),賦能自身的業(yè)務(wù)與產(chǎn)品。當(dāng)然,由于當(dāng)前的人工智能個體還處于“弱”階段,為了避免盲從算法、偏信數(shù)據(jù),媒體機(jī)構(gòu)普遍采用“人腦+人工”的方式來保障決策的正確性。媒體產(chǎn)業(yè)在完成數(shù)字化、融合化、數(shù)據(jù)化的過程中,正成為人工智能演練與進(jìn)步的主戰(zhàn)場。而媒體的智能化變革,正是在利用數(shù)據(jù)、網(wǎng)絡(luò)、學(xué)習(xí)和互動提升理解力,實(shí)現(xiàn)對用戶的理解、內(nèi)容的理解、場景的理解后,逐步實(shí)現(xiàn)智能決策,并向著智能的終極目標(biāo)邁進(jìn)。

至此,媒體的智能化發(fā)展可以說實(shí)現(xiàn)了基本的成功,擁有了更有深度和廣度的理解力,也擁有了基于理解和知識進(jìn)行判斷、預(yù)測的能力,從而幫助人類尋找多元復(fù)雜環(huán)境中的最優(yōu)解,實(shí)現(xiàn)智能的決策。但是,決策力的下一步,是真正智能皇冠上的明珠——創(chuàng)造力。

三、智能媒體的突破:從“決策力”到“創(chuàng)造力”

默里·沙納漢在《技術(shù)奇點(diǎn)》中有兩個頗為重要的觀點(diǎn)。其一:“只有擁有了學(xué)習(xí)能力,才能獲得和維持新技能。事實(shí)上,學(xué)習(xí)的能力,不管是什么形式的學(xué)習(xí),都是建立智能的基礎(chǔ)?！逼涠?“讓機(jī)器擁有普通智力的最基本要求是擁有常識和創(chuàng)造力。這種創(chuàng)造力不是藝術(shù)家、作曲家或者數(shù)學(xué)家的創(chuàng)造力,而是普通人也有的創(chuàng)造力,兒童特別富于這種創(chuàng)造力。這種創(chuàng)造力指的是創(chuàng)造新的行為方式、發(fā)明新事物或者用新方法使用舊東西的能力?！闭缰哪S克悖論所描述的那樣:“要讓電腦如成人般地下棋是相對容易的,但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當(dāng)困難甚至是不可能的?！笔聦?shí)上,關(guān)于真正的智能究竟是什么,其實(shí)并沒有統(tǒng)一的標(biāo)準(zhǔn)答案。我們認(rèn)為,真正的機(jī)器智能,至少要實(shí)現(xiàn)從“決策力”到“創(chuàng)造力”的飛躍。這種飛躍,還需要實(shí)現(xiàn)兩個層面的突破。

(一)從“專用”到“通用”的突破

當(dāng)前的人工智能正處于弱人工智能階段,計算機(jī)程序可以在某一個方面達(dá)到非常領(lǐng)先甚至遠(yuǎn)超人類的水平,但卻也只能局限在這個領(lǐng)域當(dāng)中——這是目前階段人工智能與真正智慧生命體最大的區(qū)別之一?！耙粋€深度學(xué)習(xí)系統(tǒng)一般是以特定任務(wù)為指向的,它無法同時勝任另一個領(lǐng)域的工作,遷移能力非常受限；而一個智力正常的人常常能在一個不熟悉的領(lǐng)域舉一反三,變通適應(yīng)?！倍^的“通用智能”,“我們指的是在各種環(huán)境下解決問題、學(xué)習(xí)、采取類似人類的有效行為的能力?！边@種能力,不光要求智力水平,還要求常識水平,而后者對開發(fā)者來說顯然是極具挑戰(zhàn)的。目前,還沒有任何一個通用智能系統(tǒng)能夠接近人類水平:具有協(xié)同多種不同的認(rèn)知能力；對復(fù)雜環(huán)境具備極強(qiáng)的自適應(yīng)能力；對新事物、新環(huán)境具備自主學(xué)習(xí)的能力。因此,人工智能領(lǐng)域的一個重要分支就是“類腦智能研究”,即借鑒腦神經(jīng)機(jī)制和認(rèn)知行為機(jī)制來發(fā)展人工智能。

2020年10月,張悠慧、施路平等人在研究中提出了“神經(jīng)形態(tài)完備性”的概念,這是一種更具適應(yīng)性、更廣泛的類腦計算完備性的定義,它降低了系統(tǒng)對神經(jīng)形態(tài)硬件的完備性要求,提高了不同硬件和軟件設(shè)計之間的兼容性,并通過引入一個新的維度——近似粒度(the approximation granularity)來擴(kuò)大設(shè)計空間。相關(guān)研究成果以論文的形式發(fā)表在了《Nature》2020年第586卷上。同時,文章的作者之一施路平教授還曾在2019年北京智源大會“智能體系架構(gòu)與芯片專題論壇”演講時表示,“基于碳基已經(jīng)發(fā)展出現(xiàn)有的人類智能,基于硅芯片已經(jīng)發(fā)展出強(qiáng)大的機(jī)器智能,一旦實(shí)現(xiàn)人類的全腦解析,采用類腦計算構(gòu)建通用人工智能是完全沒有障礙的。”可以看到,在仿造和模擬人腦的道路上,人工智能還在持續(xù)發(fā)展,其本質(zhì)都是為了更好地提升機(jī)器的理解、學(xué)習(xí)、決策及執(zhí)行能力。

從1960年賽博格(Cyborg)概念誕生,到今天元宇宙(Metaverse)概念大行其道,超沉浸和強(qiáng)互動的數(shù)字化虛擬現(xiàn)實(shí)始終未曾遠(yuǎn)離人類的想象和探索。而人工智能一旦從專用進(jìn)入通用階段,無疑將在最大程度上促成這種人類與技術(shù)的深度耦合,給人類社會帶來全方位的顛覆性變革。而媒介作為人的延伸,顯然會是這種耦合的起跳板與演練場:一方面會因?yàn)椤叭斯ぶ悄?”而迎來全面變革,一方面也會因?yàn)椤靶畔?”給人類社會帶來徹底的顛覆。2021年10月28日,Facebook將公司更名為“Meta”,公司將致力于實(shí)現(xiàn)一種最大限度的、直接來自科幻的、游戲般的連接體驗(yàn),繪制一幅更大、更有能力的社交圖譜,并代表新的計算平臺和新的參與平臺。這也再次讓我們確信:人類也許無法預(yù)知人工智能在多久之后真正進(jìn)入通用智能的階段,但這個階段一定會與傳媒產(chǎn)業(yè)緊密捆綁。

(二)從“學(xué)習(xí)”到“創(chuàng)造”的突破

機(jī)器是可以學(xué)習(xí)的。機(jī)器學(xué)習(xí)的發(fā)展歷史,其實(shí)就是人工智能的發(fā)展史。一直以來,我們希望計算機(jī)能夠模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為,以獲取新知識或技能,重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。但是,學(xué)習(xí)不等于創(chuàng)造。詹姆斯·巴拉特在《我們最后的發(fā)明:人工智能與人類時代的終結(jié)》一書中指出:“技術(shù)奇點(diǎn)本身會帶來智能(也即造就初始技術(shù)的、獨(dú)一無二的人類超強(qiáng)實(shí)力上的變化),這就是它跟其他所有革命不同的原因”。數(shù)學(xué)家斯蒂芬·奧莫德羅(Stephen M.Omohundro)曾經(jīng)預(yù)測,人工智能足夠強(qiáng)大之后,其自我意識、自我改進(jìn)系統(tǒng)會發(fā)展出類似人類生物動力的4種主要動力:效率、自我保護(hù)、資源獲取和創(chuàng)造力。而AI的創(chuàng)造力動機(jī)會讓系統(tǒng)生成新的方法來更有效地達(dá)成目標(biāo),或者避免目標(biāo)無法以最滿意的形式達(dá)成結(jié)果。這意味著系統(tǒng)的可預(yù)測性很低,因?yàn)閯?chuàng)造性的設(shè)想是原創(chuàng)的。系統(tǒng)越是智能,達(dá)成目標(biāo)的路徑就越是新穎,系統(tǒng)也就越是超越我們的見識范圍。

弱人工智能階段,計算機(jī)似乎也可以具有一定的創(chuàng)造力。例如,2021年9月22日,微軟旗下的小冰公司舉行了第九代“小冰”發(fā)布會,宣布了多項(xiàng)框架升級,并推出了AR內(nèi)容生成領(lǐng)域的最新進(jìn)展。這其中,包括社交App小冰島、第三版詩歌與繪畫創(chuàng)作模型、AI歌聲合成技術(shù)X Studio 2.0、藝術(shù)家創(chuàng)作動機(jī)輔助技術(shù)和AI“人類觀察者”Merror等。設(shè)計師、畫家、主持人、歌手、詩人,這些都是微軟小冰的身份。每一個身份,都與人類最具創(chuàng)造力的工作相關(guān)。在文學(xué)和藝術(shù)領(lǐng)域的創(chuàng)作上,AI已經(jīng)取得了一些較好的嘗試。但這些創(chuàng)作事實(shí)上還是基于其程序背后的算法。

事實(shí)上,按照當(dāng)前的人工智能研究思路來看,其實(shí)很難讓機(jī)器擁有真正“創(chuàng)造”的能力。人們往往希望人工智能做到“最優(yōu)”,希望人工智能不要“出錯”,但我們認(rèn)為的“出錯”可能反而是通往創(chuàng)造的一條道路。如,通用人工智能可以自我進(jìn)化。運(yùn)用達(dá)爾文的進(jìn)化論發(fā)展起來的Evolutionary Computation算法正是借用以上生物進(jìn)化的規(guī)律,通過不斷迭代改進(jìn)當(dāng)前解,逐步逼近復(fù)雜工程技術(shù)問題的最優(yōu)解。但是,亞利桑那大學(xué)的生物學(xué)家們發(fā)現(xiàn):進(jìn)化的一個重要驅(qū)動力是細(xì)胞所犯的錯誤以及生命體如何應(yīng)對這種錯誤。再如,起初熵在熱力學(xué)中用來描述一個系統(tǒng)“內(nèi)在的混亂程度”。香農(nóng)在定義信息熵的時候借用了這個概念,使人類第一次對信息有了數(shù)學(xué)的認(rèn)識:信源編碼的極限是信源的熵,信道編碼的極限則是信道容量。信源編碼的目的是盡可能高效地表示信息源,即數(shù)據(jù)壓縮；信道編碼的目的則是盡可能高效的讓數(shù)據(jù)可靠無誤地通過信道。2009年,密歇根大學(xué)的化學(xué)工程教授莎倫·格羅澤(Sharon Glotzer)則在實(shí)驗(yàn)中發(fā)現(xiàn)了熵在復(fù)雜性與秩序的出現(xiàn)之間所能起到的強(qiáng)大而又矛盾的作用。從這個角度來看,正確和錯誤、穩(wěn)定和混亂,彼此之前是一種復(fù)雜的辯證關(guān)系,是一體兩面的現(xiàn)實(shí)存在。在我們探討大數(shù)據(jù)和人工智能時,始終需要記住的是大數(shù)據(jù)本身的特質(zhì)——擁抱混雜,挖掘價值。因此,人工智能真正的突破,很可能不是追求永恒的“正確”,而是在混雜中尋找機(jī)會,在錯誤中尋找創(chuàng)新,這才是創(chuàng)造。那么,按照當(dāng)下人工智能發(fā)展的資源配置來看,媒體領(lǐng)域恰好是擁有最大量混雜數(shù)據(jù)、最先進(jìn)網(wǎng)絡(luò)聯(lián)結(jié)、最強(qiáng)大算力支持的板塊,因而成為最有可能推動創(chuàng)造性進(jìn)化的領(lǐng)域之一。

認(rèn)知和理解、理解并決策、學(xué)習(xí)中創(chuàng)造,這是智能媒體實(shí)現(xiàn)的三條底層邏輯?；谶@三條邏輯,我們得以明確智能媒體的真正內(nèi)涵,也探尋到了其未來的發(fā)展方向。

四、結(jié)語:重新定義智能媒體

綜上所述,我們可以看到:第一,傳媒產(chǎn)業(yè)作為一個以傳播為核心,通過與人溝通完成產(chǎn)品和服務(wù)的領(lǐng)域,其智能化發(fā)展的第一階段是讓計算機(jī)擁有更強(qiáng)的理解力；第二,這種智能化的發(fā)展,是以數(shù)據(jù)、算力、算法作為基礎(chǔ)與支撐來推動實(shí)現(xiàn)的；第三,這種智能化的實(shí)現(xiàn),既要面臨弱人工智能向強(qiáng)人工智能飛躍的通用難題,也要面對傳媒產(chǎn)業(yè)特殊性帶來的獨(dú)特挑戰(zhàn)。人工智能已經(jīng)走過了近70年的發(fā)展歷程,幾經(jīng)曲折終于站在了離真正智能最近的位置。在傳媒產(chǎn)業(yè)中,媒體智能化發(fā)展的終極目標(biāo),是打造出智能的媒體。結(jié)合此前的論述,我們對智能媒體做出如下界定:智能媒體是具備較高的識別與理解能力,能夠在營銷傳播場景中進(jìn)行最優(yōu)決策,并具備通用性進(jìn)化與自我創(chuàng)造潛力的媒體。而媒體智能化,正是對媒體朝著這個目標(biāo)發(fā)展的過程概括。

從當(dāng)下我國傳媒產(chǎn)業(yè)的發(fā)展速度來看,對于傳媒與媒體的研究,應(yīng)當(dāng)具有較強(qiáng)的實(shí)踐性與應(yīng)用性,能夠真正指導(dǎo)產(chǎn)業(yè)的發(fā)展、回應(yīng)產(chǎn)業(yè)的痛點(diǎn)、解決產(chǎn)業(yè)的問題。因此,對智能媒體的概念界定,也應(yīng)當(dāng)能夠有效地從理論轉(zhuǎn)化為實(shí)踐,從框架變成模型。在近兩年展開的關(guān)于新型主流媒體建設(shè)的研究中,我們針對當(dāng)前傳媒產(chǎn)業(yè)的實(shí)際發(fā)展態(tài)勢,提出了“全媒巨人”的模型,其本質(zhì)也是智能媒體概念的一種衍伸與具體應(yīng)用。此外,通過與業(yè)界機(jī)構(gòu)的探討與碰撞,我們也初步驗(yàn)證了這一模型框架的可行性。

在勾畫“巨人”即智能媒體的模型時,我們將智能算法視為“大腦”與“中樞神經(jīng)”,將智能化內(nèi)容運(yùn)營視為“心臟”,將智能化經(jīng)營視為“肺部”,將智能化網(wǎng)絡(luò)與終端視為“筋骨”,將數(shù)據(jù)與網(wǎng)絡(luò)視為“血液”。利用這樣的架構(gòu)設(shè)置,算法大腦充分決策,內(nèi)容心臟健康有序的跳動,經(jīng)營資源高效適配,肺部呼吸自如,網(wǎng)絡(luò)融合一體且安全可靠,血液順暢流動,機(jī)體充滿生機(jī)活力。這一模型的建構(gòu),是以大數(shù)據(jù)與人工智能技術(shù)的應(yīng)用為目標(biāo),通過對當(dāng)下媒體機(jī)構(gòu)的核心要素進(jìn)行歸納之后完成的,可以很好地實(shí)現(xiàn)當(dāng)下媒體對于數(shù)據(jù)化、融合化、智能化發(fā)展的需求,囊括了內(nèi)容、經(jīng)營、服務(wù)、傳播等方面的功能。但是,衡量其“智能化”的程度,恰好需要結(jié)合本文所討論的幾個要點(diǎn)來進(jìn)行,即理解力、決策力、通用性進(jìn)化力與自我創(chuàng)造力——概念與方向雖然是正確的,但模型的真正實(shí)現(xiàn),還需要長久的探索與實(shí)踐。

理解力與決策力的實(shí)現(xiàn)在今天的傳媒產(chǎn)業(yè)中,已經(jīng)成為基本事實(shí)并持續(xù)優(yōu)化,但是通用性進(jìn)化與自我創(chuàng)造的能力實(shí)現(xiàn)卻很困難,且涉及到眾多倫理與法規(guī)問題,將是今后很長一段時間內(nèi)媒體智能化發(fā)展乃至整個人工智能領(lǐng)域研究的重要方向。

注釋:

① 卿清:《智能媒體:一個媒介社會學(xué)的概念》,《青年記者》,2021年第4期,第29頁。

② 閆歡、靖鳴、劉家豪:《智能媒體時代網(wǎng)絡(luò)安全隱患與治理策略》,《新聞愛好者》,2017年第11期,第56頁。

③ 喻國明、楊名宜:《平臺型智能媒介的機(jī)制構(gòu)建與評估方法——以智能音箱為例》,《新疆師范大學(xué)學(xué)報》,2019年第2期,第121頁。

④ 余凱、賈磊、陳雨強(qiáng)、徐偉:《深度學(xué)習(xí)的昨天、今天和明天》,《計算機(jī)研究與發(fā)展》,2013年第9期,第1804頁。

⑤ 陳仲為:《深度學(xué)習(xí)的發(fā)展以及應(yīng)用》,《現(xiàn)代計算機(jī)》,2019年第6期,第48頁。

⑥ 羅昕:《算法媒體的生產(chǎn)邏輯與治理機(jī)制》,《人民論壇·學(xué)術(shù)前沿》,2018年第24期,第25-39頁。

⑦ 龍耘、袁肖琨:《智媒時代的主流價值引領(lǐng):內(nèi)涵、挑戰(zhàn)及策略》,《新聞與寫作》,2020年第12期,第42頁。

⑧ 姜智彬、馬欣:《領(lǐng)域、困境與對策:人工智能重構(gòu)下的廣告運(yùn)作》,《新聞與傳播評論》,2019年第3期,第56頁。

⑨ 段淳林、宋成:《用戶需求、算法推薦與場景匹配:智能廣告的理論邏輯與實(shí)踐思考》,《現(xiàn)代傳播》,2020年第8期,第119-128頁。

⑩ 喻國明、耿曉夢:《算法即媒介:算法范式對媒介邏輯的重構(gòu)》,《編輯之友》,2020年第7期,第49頁。