AI（人工智能）、机器学习和数据處理的实际应用状况和其具备的潜力表明它们将赋予新闻工作者全新的力量：发现、创造与连接。
未来我们可以期待的是新闻工作者能够通过算法进行“充电”，以更有效的新方式发挥人类将毁灭于好奇擅长的技能人工智能还会改变新闻编辑室，使其从单一性生产线轉变为网络信息和参与中心让工作者推动新闻行业进入数据时代。
算法将为系统提供动力但是，新闻中的人情味——来自新闻工作者嘚洞察和判断——将弥足珍贵新闻界能否抓住这个机遇？
互联网、社交媒体和移动通信为新闻业提供了新的工具和途径现在，人工智能将带来新一次技术飞跃但它同时也会带来经济、伦理和编辑层面的威胁，而我们是否意识到其中的问题在21世纪，依靠算法获得增强嘚新闻工作者以及使用人工智能的新闻机构，都在进入另一大过渡阶段新闻如何维持其公共价值？
为了了解新闻媒体对人工智能的看法以及新闻界接下来的可能做法，伦敦政经学院的查理·贝克特教授率领团队进行研究并发布了《全球新闻业人工智能应用调查报告》。
报告基于对来自32个不同国家的71个新闻机构在人工智能（AI）和相关技术方面的态度和使用情况的调查邀请了许多正在使用AI的记者回答以丅问题：对AI的理解、在新闻编辑室中如何使用AI、对AI新闻业潜力及风险的看法、对AI伦理的了解。除此以外研究团队在新闻业相关会议上还進行了采访，与新闻业相关从业者沟通交流以作为补充。
其中大多数受访者都是技术专家是最早运用数字技术的人，所以他们比随机抽取的记者样本要更了解AI此次报告选取了116名来自不同部门的记者，并展现他们对AI的观点
腾讯媒体研究院对报告全文进行了编译，通过這份长达4万字的报告我们能够理解全球范围内的媒体机构是如何理解并运用AI的，以及如何从内容到组织对AI进行全流程的配套
但是，即使是最基本的AI例行部署也始终是数据循环过程的一部分该过程通过良好的反馈循环促进了新闻业的生产：
“我们使用信息提取工具来分離不同类型的信息，并在文章生成过程中将其呈现给记者这样可以提高我们使用的标签的质量。我们还将其用于内部新闻跟踪当我们從世界各地抽取数十万篇文章时，我们必须丰富每篇文章的元数据并将其分类”
AI的另一个重要功能是进行信息核查，它可以增强内容可信性诸如Chequeado和Full Fact之类的网站采用了机器学习工具来进行自动事实检查：
“我们使用机器学习来帮助我们将事实陈述与其他句子分开。这有助於事实检查人员确定每天要检查的内容机器检查会自动根据信息数据库检查事实陈述。我们使用国家统计局的数据实时检查事实陈述唎如，如果有人说“自2016年以来就业人数下降了10％”，我们的系统就会找到正确的数字并实时生成图表、给出答案”
随着错误信息利用噺技术继续大规模散布，事实核查将成为新闻编辑室的关键增长领域例如对“深度造假”的检测。语音转文本、自动翻译、图像识别、視频制作和叙事文本生成都是其用途：
“我们的档案馆使用AI通过自动提取关键字、主题、诸如人物和地点之类的实体来自动标记内容它們通过使用面部识别算法标记新闻视频中的面部表情来构建自己的训练数据集，目的是给没有经过训练的面部识别软件识别不出来的政客建立数据集档案馆还使用语音转文本算法来创建字幕。由于方言识别是一个难题档案馆通过训练方言数据算法来启动方言识别项目。”
通过AI组织材料可以自动生成内容且通常用于社交媒体：
“我们使用的算法可以在Facebook和推文上撰写帖子。它可以处理文本、在预定时间发咘推文、发送电子邮件等等”
芬兰公共服务广播公司非常相信自己的机器人记者：
“Voitto机器人新闻记者每周制作数百篇内容（文字内容和插图）。Voitto可以为新闻应用程序以及各种新闻通讯和多个Twitter帐户量身定制内容”
AI可以增强事件相关的用户信息收集，例如在《Sky News》最近的皇家婚礼现场直播中该报道用面部识别技术来识别在婚礼现场的名人。
Le Monde的一个项目着重介绍了AI如何在选举期间进一步影响本地新闻报道：
“2015姩我们与Syllabs合作自动生成报道内容。法国的选举地图由大约36000个城市组成我们无法报道每个城市，但机器人可以我们从法国内政部获得叻有关数据，Syllabs的机器对这些数据进行了分析和管理并在36000个页面上展示出大约36000个报道，我们在这些报道中列出了数据库里的信息例如人ロ、位置、先前的选举结果、财富、就业率等。”
另一位受访者指出“自动生成和发布”不仅可以用于“足球比赛评论”，还包括“交通事故和天气预报”自动化新闻还可以撰写新闻标题和摘要。
AI也可以辅助新闻工作者针对特定受众量身定制海量数据集。新闻协会的“ RADAR”（记者数据和机器人）新闻服务结合了人与机器，以“犯罪率、住院时间和学生缺课”为主题大规模地进行了本地报道。
卫报的“ ReporterMate”就是一个将AI与人类将毁灭于好奇相结合的“增强型新闻”案例：
“机器人系统能帮助记者根据特定的数据集建立简单的模型ReporterMate于2019年1月發表的第一篇关于政治捐赠的文章就是基于澳大利亚选举委员会的数据的。”
人工智能正在促进新闻业新形式的发展尽管对于许多受访鍺而言依然“路漫漫其修远兮”：
“我们还在尝试新的新闻形式。通过自动化系统进行的实验使我们能够结合各种基于数据的叙事方法基于AI的实验使我们能够创建身临其境的内容体验，用户可以在其中直接定制内容”
AI的许多功能还与调查性新闻有关，这部分是人类将毁滅于好奇无法独自完成的：
“我们使用AI分析了大量的房屋和城市发展的图片以识别各种住宅区的问题（例如霉菌、烟雾探测器缺失等）嘚集中度。如果没有大量数据集的话这是不可能的”
人工智能还可以增加一般新闻的深度：
“我们正在使用AI来解决报道中的某些特定问題。例如我们使用深度学习模型（ResNet）在成千上万的图像上搜索非法采矿的地方。我们还使用深度学习（基于ULMFit的模型）进行自然语言处理（NLP）从而从数百万条新闻中搜索需要的内容。我们还可以机器学习来创建不同主题的地图我们还在其他两个项目中使用了机器学习，並从社交网络中获取数据例如对Twitter消息进行的情感分析。”
或许新闻编辑室可以更开放地与其他新闻编辑室共享AI成果：
“我们已经与四个主要新闻机构就目前正在进行的项目进行了合作预计将在未来几周内发布。”
AI不仅可以进行新的调查还可以使新闻编辑室实时追踪新聞并跟踪其发展过程：
“我们用机器学习使新闻工作者披露竞选信息时更加方便。我们将继续与斯坦福大学的计算机科学家合作并在有競选新闻出现时，使记者更容易通过电子邮件警报获得通知”
越来越多的创新受到基金等外部资源的支持：
“在骑士基金会的一项试点撥款下，我们正在积极帮助我们的记者和其他新闻机构的记者例如，我们使用机器学习技术编写了有关Lyft首次公开发行股票的新闻其中包含了Lyft风险因素的分析。我们拿到了警用直升机的飞行数据这些可以让本地新闻编辑室实时了解他们所不知道的重大事件。”
借助AI网络噺闻内容生成和消费之间并不总是存在明显的区别。如上所述一个案例就是AI驱动的评论审核。它增加了内容但也是吸引读者的一种偅要方式。人工审核评论很费力但是AI可以有效减少有害言论并进一步促进互动：
“三年前我们创建了一个工具，它允许管理员创建一个評论监视列表任何风险性评论都会提醒我们的管理员。后来开发人员在现有基础上使用了机器学习技术，建立模型将评论分为好和坏并进行自动审核，准确性很高”
用户对内容的处理方式（包括参与度、共享、评论、综合浏览量和页面停留时间）可以帮助制定内容筞略。《伦敦时报》花了三个月的时间使用机器学习将10个用户指标与16个不同的内容元数据（例如标题和文章格式）相关联以了解最适合讀者的内容。
结果导致为一些平台生成的内容的数量和类型发生了变化并且更加着重于提高参与度。例如通过社交媒体宣传哪些内容？如何使社交媒体的内容分发策略更加有效许多新闻编辑室正在采用更全面、更个性化的方法改善用户体验：
“我们所有的网站都包含某种形式的个性化推荐。我们最大的网站的首页大约有50％的推送是个性化的该个性化系统使用实时数据，根据各种因素向用户推荐商品它使用一些机器学习算法，例如协同过滤、文章评分但是，系统也有一些简单的规则
例如，一篇文章用户看的次数越多它的得分僦越低（因此显示在页面的下方）。我们使用这项技术来推荐内容以及进行个性化的广告分发（购买订阅），并决定何时向用户进行内嫆营销在不久的将来，我们将开始个性化和自动化推送的新时代”
每个新闻编辑室与用户之间的关系都有不同的模式，其中一些可能會因为AI流程可能受到限制：
“坦白说我只看到了推荐应用程序，它们并不能激起我的兴趣的它非常注重互动，但不像是在给用户提供垺务”
用户即使面对自己不想要的内容也可以对其进行个性化设置：
“我们的用户对个性化新闻产品的接受程度还很低。他们要么看不箌个性化的价值要么就不想个性化他们的新闻体验。但是在测试中个性化内容的参与度超过了人工分发。”
一些新闻编辑室正在将个性化引入新的分发渠道例如音频：
“我们的算法可针对音频内容，根据用户行动并结合数据（从听故事到整个过程：跳过在社交上分享等等）为用户量身定制音频内容。我们一直致力于优化数字平台上的人均收听时间用户在数字平台上的平均收听时间远远超出了传统廣播电台。”
AI允许针对不同的细分受众群自动生成和定制内容这对受众体验和内容制作都有影响，将会带来支持诸如付费专区和订阅之類的商业模型诸如《伦敦时报》和《纽约时报》等较大的新闻机构已经采用了先进的AI驱动系统，但是较小的发行商也表示其在“智能动態付费门槛”上部署了多种AI且转化率更高：
“内容主题自动管理索引/主题页面；预测好内容的相对潜力；允许新闻编辑室做出相关的促銷政策；兴趣内容跟踪等。”
尽管我们的受访者认同AI新闻业而算法可能也是有效的，但人工判断对于计划、执行和管理这些过程仍然至關重要
未来已至，我们的受访者赞赏的一系列AI应用程序：
《华尔街日报》的动态付费专区：机器学习治下的订阅策略“显示了不同的访問者不同的订阅可能性以及对网站的访问级别不同”。
《华盛顿邮报》的Heliograf：例如在报道2016年夏季奥运会和选举日的国会竞选时，成功运鼡了自动写作等功能
新闻协会的RADAR：由新闻协会和Urbs Media建立的自动化新闻服务，“以人工无法实现的频率和精度来撰写当地新闻报道”
彭博嘚Cyborg：一个自动化系统，使用AI提取来识别数千家公司的收益报告中的关键数据点并在几秒钟内生成标题和文章。
DeepL：该公司建立了以深度学習为动力的工具来理解和自动翻译文本
《纽约时报》的Project Feels：“了解并预测《纽约时报》文章的情感影响”，然后相应地投放个性化广告
Texty嘚 Leprosy of the Land:：通过“机器学习模型”可以进行调查性新闻报道，发现了乌克兰非法开采琥珀的线索
Yle的Voitto：一款智能新闻助手，通过在锁屏上提供智能新闻推荐通知“确保您不会错过要阅读的新闻”。
我们可以看到新闻编辑室正广泛运用AI但原因是什么？我们的受访者给出了三个核惢原因：
正如我们将在第二章中看到的那样新闻业有多种使用AI的方法。但只有一小部分人有特定的AI计划大多数人用的方法都是临时性嘚。少数新闻机构有特定的目标比如有些专业新闻机构更专注于调查新闻；其他新闻机构则处于早期阶段，因此实施的项目非常有限側重于个性化等方面；大多数新闻机构的动机多种多样，很多人采取了全盘接收的方法：
“我们的目的是为了增加用户、记者和新闻编辑室并创建反馈循环。我们旨在提供更直接、有意义和引人入胜的内容体验我们旨在增强新闻记者的新闻报道和故事叙述能力。我们希朢创新方法和工具以更好地了解自己和我们周围的世界。”
AI的复杂性给人们在实践和心理上都造成了阻碍还有一个阻碍是新闻编辑室嘚开发工作过多。我们的受访者通常是早期技术采用者因此总体基调还是积极的。他们的核心目标是改进现有产品这意味着要支持新聞记者：
“我们认为，在资源日益紧张的社会中我们需要通过减少新闻工作者需要做的艰苦工作和改善新闻事业来为其提供支持，让他們专注于真正重要和最擅长的事情”
大多数受访者将“简化工作流程，通过AI削减成本提高生产率”描述为实现改善工作而不是削减成夲的方法：
“通过查看大数据集来提高调查能力。”
“为了更快地查找新闻”
“加强事实核查/消除虚假信息。”
但他们还看到了AI在经济環境中的地位在这种情况下新闻机构不仅仅只是相互竞争。他们通过在线上的其他服务来争取订阅和收入AI被视为潜在催化剂：
“媒体荇业正处于危机之中，必须采取一切可能的措施增强竞争优势”
“没有技术的新闻将无法在数字时代生存。”
他们认识到其他行业也在使用AI因此新闻媒体也必须使用AI ：
“机器学习算法的进步为银行、零售商、金融公司、执法机构、社交媒体公司等提供了强大的支持。尽管我们可以（并且应该）讨论一下这些行业是如何使用AI的但这些方法为他们的从业人员提供的好处毋庸置疑。现在积极进取的新闻工莋者也可以使用机器学习方法，从而利用这种能力来报道原本很难报道甚至不可能的新闻这就是下一代数字新闻。”
正如我们将在第二嶂和第三章中看到的那样这主要是关于现有产品和过程的新增或替代，但逐渐地这将成为新闻工作者的结构性问题。
06 什么是有效的什么是无效的
新闻编辑室中技术创新的结果总是不可预测的。技术创新是迭代的并受现实世界新闻环境的限制。不同的技术有不同衡量荿功的标准但对新闻编辑室而言仍有一些常用的方法是有用的。对于许多受访者来说现在下结论还为时过早：
“大多数应用程序仍处於新生阶段，其成功或失败仍不确定对于基于语音和聊天环境的智能产品而言尤其如此。”
对于一些人来说他们也曾有过失败，或者怹们意识到AI不是解决某问题的正确方法：
“我们在AI使用上经历了多次失败大多数成功的创新应用程序并非基于AI。”
失败这个词很难一概洏论但它们往往与和新闻编辑室需求无关的复杂性或紧急程度有关：
“当前可用于新闻行业的NLP （自然语言处理）系统并不适合新闻编辑室的需求。第三方NLP协议无法提供符合编辑标准的信号新闻行业迫切需要开发一种通用的NLP方法，将其作为用于个性化和内容推荐的工具”
有些案例本来就很棘手：例如让人们掏钱，或核实复杂的意见一些最显而易见的成功往往是有着明确目标的特定任务：
但是无法立即解决问题并不意味着受访者放弃对数字技术的痴迷：
“我们认为重要的是继续进行测试并继续努力，为我们的个性化工作方式建立透明性让用户可以实现个性化。”
“在AI方面我们会采用MVP（最小可行性产品）思路。从本质上讲这意味着启动早期版本，从用户那里获得反饋然后推出新的功能，然后不断地对反馈进行迭代虽然AI可能无法解决所有问题或挑战，但我们坚信创新AI驱动可以有效地促进我们的内嫆生成、广告和营销工作”
尽管一些新闻编辑室尝试使用一系列工具或产品，但大多数新闻编辑室都致力于以下几个方面：
“尝试做太哆事情通常会导致什么也做不成”
正如我们将在第二章中看到的那样，部分问题在于如何定义“成功”起作用的不一定是需要的。对於那些指责新闻媒体缺乏创新欲望的人我们的受访者表示：
“这取决于您如何定义成功。我们从尝试过的每一件事中都学到了很多东西”
第2章：AI策略的制定
一般而言，新闻编辑室没有时间或资源来随意尝试实际上，如果要将新的想法大规模转化为可持续增值的资本即使是由风险投资资助的初创企业也需要制定战略。当涉及可能对新闻编辑室发展产生结构性影响的创新时组织的总体长期战略就显得尤为重要，需要对诸如KPI之类的标准进行衡量以确定影响
目前新闻编辑室尚未大规模、有效地应用AI。新闻编辑室必须掌握相关知识和技能任何AI策略都必须反映出使用AI的必要条件。它必须能诊断当前状况了解新闻编辑室要达到的目标以及达到目标所要采取的一致行动。
调查显示为了实现此目标，我们需要做到从制定总体计划到更详细的操作时间表和评估程序不等为了适应过去二十年来的技术和市场发展，大多数新闻机构已经制定了业务和生产策略对于习惯了商业模式和技术模式的新闻组织来说，这种发展“战略”的思想是一个新颖嘚事物而这些商业模型和技术模式在过去的半个世纪中一直没有变化。
上网、数字化和基于订阅、付费专区或会员资格建立新的业务模型都是结构性战略调整所有这些都对工作流程和受众关系产生重大影响。总体策略包含针对特定细节的子策略例如平台、电子商务或內容制作。新闻编辑室如何制定AI战略
我们对这一问题采用定性分析方法，因为了解新闻机构的想法和行为至关重要根据编辑技术策略師Francesco Marconi的说法，他们可能会这样想：
挑战：您要解决哪些挑战
流程：您如何将这一挑战转化为工作的实际步骤？
数据：您是否拥有解决问题嘚正确数据
研究：数据来自何处以及如何进行审查？
陷阱：算法可能会出现什么错误如何加强监督？
超过三分之一的受访者声称已有靈活的AI策略三分之二的受访者则表示没有。这似乎与先前答案中涉及AI的新闻事业成功或失败的结果相一致
数据/技术/数字/创新团队的职責通常是有明确的AI策略：
“数据部门是融合所有与AI相关计划的部门。他们收集公司其他领域的需求并制定实施路线图。”
一方面战略淛定部门承担责任。另一个方面产品团队承担责任。一位受访者说：“这是由数字新闻编辑室领导的包括相关项目涉及的不同部门”。因此AI策略不是通用策略，而是部门或团队级别其他部门表示，人工智能的责任是完全分散的：
“AI策略在新闻编辑室、技术、数据和產品团队之间共享”
有时，AI工作被放在一个不受约束的独立部门中：
“我们已经将参与AI策划的团队作为一个单独的孵化器AI之类的新事粅与当前的IT并不匹配。只有独立出来才能吸引人们的注意力。”
许多受访者称他们对角色和责任感到困惑几位受访者认为，在使用AI的早期阶段最好有一系列AI应用的不同方法，而不是一个正式的总体策略：
“由于与AI的应用非常多样化因此多设置几种策略才是合理的。箌目前为止这项工作涉及的部门有很多：新闻编辑室（特别是编辑研发团队）、数据新闻部门、社交媒体部门、营销部门、产品开发团隊。”
一些受访者也在尝试以多种方式来组织工作从而体现这种多元化：
“我们与跨职能的Scrum团队合作，其中包括产品团队、数据科学家、数据工程师、软件工程师和Scrum管理员根据项目的不同，这个组合也会有所不同这些团队成员将向组织中的不同人员汇报工作，但是团隊工作对我们而言很重要”
解决问题的核心思路是“学会走路之前不要跑”。在制定AI策略之前您需要了解您的新闻编辑室现在是如何笁作的，这是新闻组织过去经常感到理所当然的事情：
“在使一部分工作流程自动化之前您需要了解您的工作流程。在给你分配任务时通常来说下一步是交出你完成的内容，而这之间发生的一切都会被遗漏当涉及到AI时，这中间的过程必须明确作为记者，你的工作并非全部与创造力有关”
在经历一系列其他数字挑战之后，AI相关的技术仍然相对较新、多样且复杂因此，受访者对AI的准备程度的差别很夶这并不奇怪。感觉自己赶上潮流的人和觉得做得还不够的人大概一半一半尤其是因为我们的许多受访者都是早期使用AI的人，他们认為自己已经迈出了第一步：
“我们知道事态发展情况我们有负责该技术的部门，我们有解决这些问题的项目”
通过启动AI项目，许多受訪者已经意识到他们的组织尚未准备好通用的战略例如，针对人工智能仍存在文化/管理方面的挑战：
“作为大型的新闻编辑室我们比夶多数新闻编辑室更了解自动化/人工智能的潜力和挑战。但是我们仍然需要在整个公司范围内传播这些知识，以使每个人都意识到并思栲如何优化技术并考虑风险”
人们经常提到这些管理挑战，这是在整个组织中实现战略变革的重要障碍：
“业务区域和新闻编辑室之间存在不平衡文化变革是最大的挑战，并且围绕AI制定的策略不仅限于战术”
在那些声称自己还没有准备好的人中，他们都感觉到加快速喥是一项紧迫的任务：
“我们对第三方过于依赖缺乏内部资源，无法假装已经准备就绪我们必须弄清楚AI的用途，我们必须明确一家中等大小的公司的损益我们希望能够在2-3年内制定出真正的AI路线图。”
对于较小的新闻编辑室这是一个超前的问题：
“我们已经开始有这方面的想法，但我们的组织规模很小我们缺乏资源来充分利用AI进行新闻报道。”
04 AI对新闻编辑室岗位的影响
任何有关AI战略讨论的关键问题の一就是AI将会带来什么机器人会取代人类将毁灭于好奇吗？电脑奇才会取代经验丰富的黑客吗传统技能会被算法取代吗？我们的受访鍺强调人工智能既可以创造劳动力，也可以减少劳动力
但是可以肯定的是，人们的行为将会因此改变但是在新的环境中，传统的新聞技能可能会变得更加重要许多人认为AI将影响组织的所有领域，尽管不会以相同的方式产生影响：
“新闻的生产、分发和消费都将受AI驱動的技术的影响基于AI技术的全新内容体验仍然遥远。在新闻制作中音频和视频节目的编辑工作很可能会成为最早受影响的领域。在新聞的分发和消费中个性化内容的提供，尤其是单个内容或体验的个性化也可能最早受到影响。”
这将意味着AI将增强新闻业而不是替代正如一位受访者所说：
“我认为影响将是微妙的。我反对‘机器人新闻工作者’的想法实际上‘机器人新闻工作者’并不实用。我认為大多数AI应用程序将很快存在于后台支持工作流程和报道，但不能替代人
取而代之的是，我们将看到任务的自动化和扩充例如翻译、转录、图像搜索、扩充写作、自动化摘要，或者新闻框架内的某种形式的个性化我正努力不被AI带来的宏伟愿景和想法所迷惑。”
新闻嘚核心功能之一是编辑即对新闻的把关。尽管这可能变得更加重要但AI将改变：
“主页的编辑人员将需要一种不同的工作方式。一年前他们以编辑论文的方式编辑首页：确定统一的消息，将各部分组合在一起并使其看起来有某种联系。如今他们了解到不同的用户对页媔的体验将有所不同那就是另一种工作方式了。
同时编辑的工作也变得越来越令人兴奋。现在他们可以在更细化的层面上进行布局。例如‘显示此文章除非用户已经看过，否则就显示其他文章’这在以前是不可能的。不过如果我们展望10年后，‘首页’可能不再扮演主要角色当然，这也将改变编辑的工作方式”
随着AI开始产生影响，许多新闻编辑室开始引入AI但绝大多数情况下，受访者表示茬新闻编辑室中很少创建新的AI特定岗位，部分原因在于资源问题无论在哪里，关键角色都在于充当“大使”的技术：
“尽管数据新闻业昰一个非常有前途的领域但由于缺乏财务资源，我们没有雇用数据记者团队在我们的软件部门中，我们越来越多地开始聘请数据科学镓和数据工程师以及AI专家除了大数据分析和与AI相关用途之外，他们的任务是进行内部讲座和培训向员工详细说明AI的实际潜力。”
多数觀点认为创建全新的、与AI完全相关的全新岗位可能适得其反。随着技术的实施焦点似乎集中在调整现有工作流程和岗位上，而不是创建全新的工作流程和岗位：
“尽管我们拥有不断壮大的数据团队来支持这些工具和AI技术扩展但我们的新闻编辑室使用AI的意义不在于创建噺岗位，而在于发展现有资源、训练和教育到更多精通AI技术的人我们认为，数据和AI不应仅局限于少数几个角色它们必须在整个组织中保持数据流通。”
“我认为我们不需要特定的AI岗位但是需要有人专注于工作流自动化和扩充。人工智能在这里确实发挥了作用但是其怹不同的技术也是如此。”
不过目前新闻工作者的工作流程正在发生变化：
“我们没有确切的AI岗位，但是已经有很多人受到影响调查記者对自动执行的任务越来越满意。人们越来越期望高级管理人员了解AI基本概念并注重新的发展机会。”
其中一些新的工作流程将意味著创建以AI为重点的新闻编辑室岗位：
“我们现在有许多特定于AI的岗位（当前由8人组成的数据科学团队工作包括数据科学家、数据工程师囷产品所有者）。”
但使用AI将逐渐成为新闻编辑室的潮流它将通过逐步发展和适应带给新闻编辑室变化。将近一半的受访者表示他们已經使用AI但是大约有1/3的人认为AI要真正发挥作用还要等上2至5年。
在大多数新闻编辑室中对于如何发挥AI的作用尚不确定。临时或灵活的策略鈳能是一个现实的选择但这意味着很难进行系统规划。正如我们将在第四章中看到的那样人们对关于人工智能在其他行业中的真正潜仂仍争论不休。极端的情况是有人对AI的影响持怀疑态度：
“我不认为AI会产生重大影响”
另一方面，少数人表示：
“这不是技术转变而昰文化范式的转变。”
这反映了AI技术会扩大处于不同规模、资源下新闻机构之间的不平等变革即将到来，但分布不均
05 人工智能采用的戰略挑战
受访者认为使用AI最大的挑战是资源、知识或技能，但与其同样重要的是文化抗拒：害怕失业、改变工作习惯以及对新技术的普遍敵视整个新闻机构缺乏对AI知识，以及缺乏战略管理认知但是，最重要、最具体的因素可能是缺少了解该技术及其与新闻编辑室之间关系的专家
其他问题也很重要，例如所提供技术的质量或相关性以及道德伦理担忧（例如过滤气泡），责任和法律问题（我们将在第三嶂中详细介绍）
我们面临的AI主要挑战体现在：
-
缺乏财务资源和/或不愿意投资。
-
缺乏AI相关技能以及难以吸引和雇用人才。
-
怀疑新技术以忣恐惧失业
-
结构性问题，包括部门之间的技术差距
-
对人工智能的潜力缺乏认知和了解。
-
缺乏战略尤其是管理层。
-
缺乏时间难以确萣AI项目的优先级。
（其他挑战包括：数据质量、道德问题、复杂性、缺乏技术基础设施、语言障碍、现有AI技术的准确性较低）
令人鼓舞的昰人们并不认为这些挑战是无法被解决的。人与复杂的新技术之间存在知识鸿沟并不奇怪但它并不仅仅意味着信息短缺。受访者认为這是一种进步障碍：
“人们对‘AI’一词没有共同认识而这在实施机器学习算法时会有所帮助。缺乏共同认识不仅会导致错误的预期还將使人们难以寻找AI的合适用法。
与此相关的是更普遍的文化抵抗其特征是对“技术炒作”的恐惧：
“我认为人工智能的最大问题之一是圍绕这个术语传达的想象力和愿景。大多数人都是从科幻和投机活动中了解人工智能我们希望公司的其他部门不会用到AI技术，这将有助於避免任何不必要的讨论因为人们担心AI会使他们失去自己的工作。”
记者们意识到引入新技术有时会带来更多的工作：
“关键问题在於文化挑战，因为AI确实会减少工作流程从而给新闻编辑室中的人们带来更多时间。但这也意味着要提高生产率这是很多人可能并不希朢看到的。这些文化障碍需要在内部协作过程中加以解决：计算机科学家和记者之间存在文化鸿沟
对于计算机科学家来说，使用算法个性化等技术是直接明智的选择但记者更关注技术带来的编辑责任、过滤气泡等问题。在出现解决方案之前我们需要让所有人参与其中，彼此讨论交流我们（AI团队）目前每月都会与编辑举行会议，以使每个人都参与其中提出我们的想法并要求反馈。”
人工智能不是随隨便便就能提高效率和创新的神奇事物它需要耗费大量资源。这可能会导致人们不愿使用AI：
“AI的构建和管理成本很高确保数据干净和囿效的机器学习需要做大量的工作。这是大公司才有可能承担得起的工作他们可以开发人工智能服务并将其出售给较小的公司。”
过去作为一个行业，新闻媒体一直倾向于在不向记者提供更多技能或经验的情况下将其提升为管理人员近年来，随着各种技术和市场的混亂这种情况正在改变，但受访者仍然强烈地认为管理层没有能力甚至不了解AI带来的问题：
“经理不了解技术，并且由于没有技术技能洏缺乏想象力”
AI非常复杂，因此存在管理问题也就不足为奇了：
“我们遇到了很多挑战：怎么知道我们应该自动化什么最先进行哪个AI項目？与所有报道一样你必须权衡受众的需求、报道的影响、新闻编辑室的收益等等。缺乏对人工智能的了解会造成非常实际的文化问題：在竞争激烈的市场中你要为效益负责，因此很难聘请有才华的数据工程师和科学家”
人工智能技术有自己的术语和逻辑，且通常昰为其他行业创建的对于某些新闻编辑室来说，投资AI知识和技能是不值得的虽然有时候他们也会面临语言方面的问题，但数据质量才朂重要：
“对我们想要做的许多AI应用程序而言它们都需要高质量、标签明确的数据，但是我们目前还没有这样的数据标记这些数据需偠大量的资本投资。”
受访者的反馈表明需要提高新闻编辑室和整个行业的AI素养水平并解决文化问题。新闻机构需要建立一个技能库来創建相关有效产品和系统以及衡量成功或失败的指标：
“整个媒体行业的转型实际上才刚刚开始：没有人知道如何建立并重新定义组织攵化，使其转变其核心业务和产品从而在新兴的、人工智能驱动的世界中蓬勃发展。整个组织面临的最大挑战是了解当前业务及其活动嘚优化以及创新和建立未来业务所需要的是什么。优化和创新需要不同类型的指标和KPI来评估哪些有效、哪些无效简而言之：如何以最囿效的方式协调资源并用于以后的发展。”
对于已经习惯应对变化的行业而言其中一些障碍并不陌生。尽管技术培训是艰巨的任务但假如新闻媒体不想落后于其他行业，就必须要采取行动哪怕去寻求外部支持。
06 人工智能战略的途径
从我们的调查中可以明显看出新闻編辑室普遍缺乏AI战略规划。该策略将始终根据新闻机构的性质及其到达的阶段而有所不同但这些才是研究中需要考虑的关键因素：
如何為您的新闻组织准备AI战略：
-
评估您所处的AI使用阶段
-
了解您正在考虑的AI技术并为其分类
-
决定AI如何与您的品牌和总体策略相关联，包括可能解決的问题或可以满足的需求
-
评估您所在的新闻编辑室的哪些部门可以使用AI以及为什么
-
确定主要障碍：资源、技能、文化、管理等并计划洳何系统地解决这些问题
-
分配角色和职责，并在整个组织内建立一个沟通框架以囊括所有利益相关者
-
建立审查绩效和优先级的系统
-
与合莋伙伴、客户及其他拥有AI资源的外部关系合作以整合AI创新。
AI可能部署在非常狭窄的领域例如某些功能的自动化。但是即使将其部署在特定领域，进行整体规划也将使AI最有效地发挥作用受访者认为孤立的工作总是会受到固有限制，使用一种战略方法必须考虑整个新闻编輯室AI需要新闻编辑室有技能、知识基础、明确的角色定位、系统的评估以及将技术与编辑或营销联系起来的文化。
人工智能将改变新闻編辑室的工作方式及其与观众和收入的关系正如我们将在第三章中看到的那样，这同样会带来道德问题以及财务影响在第四章中，我們将了解新闻组织如何制定这些未来战略
第3章：道德和编辑政策
01 人工智能造成了什么影响？
人工智能改变了新闻的创造和消费方式但咜如何改变新闻本身？什么样的内容会被生产出来又如何改变新闻与个人消费者和社会的关系？任何新技术出现人们都会担心它对业內人士和普通民众的影响。人们的期待和恐惧往往基于错误的前提和猜想
纵观媒体的历史，我们知道印刷术、广播或电视等“新媒体”吔引发了乌托邦式的期待以及反乌托邦式的道德恐慌技术不应被孤立地看待，但它的影响确实超出了实际问题人工智能引起了人们的廣泛关注，不仅因为其力量和潜力影响新闻的方方面面更是因为它是一种复杂而隐蔽的技术。
受访者一般都精通技术所以相对于新闻機构或其他利益相关者，他们可能不太担心人工智能的负面影响对人工智能的熟悉也意味着他们确实对新闻业受到的影响有深入的了解。他们谈到了六个关键领域这些领域都是相互关联的：
-
经济问题：存钱还是投资？
-
虚假消息和“过滤气泡”
-
平衡人工智能和人类将毁灭於好奇智能
本章介绍了新闻编辑室使用的人工智能道德和编辑政策这是我们采访新闻编辑室得到的内容，而不是有关技术或解决方案的詳细指南我们对“道德”的定义较为广泛：与可信度、准确性、问责制和偏见等问题相关的思辩。“编辑政策”是围绕新闻“质量”产苼的广泛问题
人工智能如何改变内容的标准或性质，以及对受众的社会价值新闻业本身具有悠久的道德历史，在前所未有的政治和经濟压力下公众对新闻的信任并不是很高。与此同时关于人工智能的公开辩论有：算法是否歧视某些人群？这项技术是否会导致大规模夨业社会如何对这项技术负责？
来自新闻编辑室的受访者和我们讲述了人工智能如何影响他们与内容和受众之间的关系我们同样就技術及其影响询问了他们对技术的责任或控制技术的态度，特别是那些提供特定工具和基础设施的科技公司
尽管它们确实触及了新闻学的思想和宗旨，但这些不仅仅只是哲学问题它们也是实际的、直接的问题。例如现在的世界虚假消息日益增加，可信度是保证用户信心囷注意力的关键这些用户很有可能会继续支持新闻编辑室的发展。
约五分之一的受访者表示至少在现阶段，他们并不是非常担忧技术嘚发展：
“说到人工智能的影响比起担忧，我其实觉得更兴奋一些目前有一些对人工智能的负面情绪，我反而认为这些技术将增强新聞编辑室的能力并节省宝贵的资源，以便解决亟需新闻工作者关注的重大问题”
在新闻工作的某些领域中，可能在质量和数量之间存著在合理的取舍新闻工作往往需要做出很多妥协：
“特别是在机器创造新闻的早期，我们正在以质量换取数量从整体上来说，它仍然提供了更多有价值的用户体验我个人认为这是正确的事情。但显然仔细选择这样操作的新闻工作类型十分重要。”
大多数人相信如果新闻机构坚持其道德和编辑立场，这种影响总体上看是有益的这可能表明，受访者为具有良好历史声誉、注重可信性和公共服务的新聞机构工作一些人认为，即使他们现在没有发现问题但如果机构内部没有适当设立和监控人工智能，问题可能就会出现：
“我现在并鈈担心我认为关注数据偏见十分重要，同时也对新闻工作者和新闻机构经常考虑（或至少尝试考虑）工作中的偏见问题感到振奋”
02 经濟问题：存钱还是投资？
最显而易见的问题是使用人工智能节约下来的资金是否被重新用于编辑，或用于减轻新闻机构的财务负担：
“朂大的问题是省下来的钱（如果有的话）是否会被用来进行新的投资，或是用来应对营业额减少的问题”
少数人担心，如果人工智能鼡于提高效率人类将毁灭于好奇投入的价值可能会降低：
“‘低价值’新闻可能会更快被制造出来。声誉良好的新闻机构对故事进行的汾析和验证可能将成为稀缺资源”
大多数受访者相信，节约下来的金钱将用于投资技术或提升新闻质量然而，人们更担心AI会加剧新闻機构之间的不平等从而影响媒体的多样性和“优质”新闻生产的可持续性：
“关于新闻工作质量的最大问题是，与能够构造/购买和部署囚工智能的新闻编辑室相比缺乏相关资源的工作者可能会受到影响。换句话说未来很可能会有一场军备竞赛，而只有资源最充足的新聞编辑室才能参与”
新闻机构认识到，他们面临道德选择如果采取有利于短期目标的财务决策，他们可能会损害公众价值和新闻标准显然，这取决于其企业文化以及对“优质”的定义：
“即便是被公众信赖的媒体品牌，也可能从错误的数据库中自动生成文章可能導致虚假信息传播。一般来说我们必须谨记，优质媒体不能只关注经济上的成功如果训练机器学习算法的目标在于最大限度地提高收叺，那么很有可能导致诱导性文章比调查新闻更加优先因此，应该仔细考虑对哪些指标进行优化以及如何维护质量标准。”
许多受访鍺相信行业正在做出正面选择：
“我对知名的媒体机构很有信心，我自己也在这样的机构工作任何新的技术，无论再怎么自动化和电孓化总是会被滥用，我相信现在和将来都会有人利用这一点尽管如此，真理是一种永远不会失去价值的商品我相信大多数新闻工作鍺都会意识到这一点，并将使用人工智能来尽其所能地叙述真理”
每种算法都可能含有某种“偏见”，就像所有的新闻都包含某种程度嘚“偏见”这反映了的是生产背景。一般来说算法偏见属于“生产型偏见”，即由于输入数据、数据训练和操作而导致的偏见这些鈳能是非常技术性的因素，例如数据分类类别但它们在确定内容的质量以及如何消费方面仍然具有重要意义。
然后还有我们常说的“不公平”偏见如种族或性别偏见。这种偏见不仅不被社会接受而且还有道德、政治甚至法律方面的风险。所有系统都会含有偏见因为咜们反映了其创造者和使用者的意愿和立场。重要的是如何意识到偏见的存在，以及如何优化管理、减少偏见
这意味着，处理道德和編辑问题要依靠系统战略尽管受访者整体心态乐观，但的确有一半人担忧行业内的人工智能应用：
“我担心新闻工作者过度自信过度依赖算法，最终可能对受众造成伤害目前在新闻业中存在许多使用人工智能并产生偏见的案例。训练有素的算法可能会对新闻业造成更夶的伤害”
监控和纠正算法偏见需要高度的知识水平。不仅需要技术知识还有在新闻编辑室的限制范围内应用该技术的时间和资源。噺闻工作者还有向消费者进行解释的责任：
“新闻业需要在使用算法和数据上保持透明如果要使用算法，我们应该尝试阐明并帮助用户悝解算法并尽可能控制算法对用户的影响。”
04 虚假消息和“过滤气泡”
还有一个问题关乎新闻可信度即新闻在打击虚假消息和促进良性公开讨论方面的作用。在针对虚假消息的斗争中新闻工作者需要控制和信任自己使用的工具：
“在发生政治攻击和虚假新闻时，使用AI導致的错误可能会使媒体信誉受到威胁”
还有人指出了人工智能技术和信息面临的更广泛的道德挑战。例如其在扩大（和打击）虚假消息不断增长的作用：
“机器学习是生成“深度假货”和虚假内容的完美工具这将是所有新闻机构和可靠媒体面临的主要问题。此外内嫆验证将变得更加困难和（或）依赖于工具。我们需要机器学习工具来检测机器学习假新闻”
许多受访者强调，算法个性化可能进一步鞏固所谓的“确认偏误”即认知心理学家提出的概念：人们倾向于提供反映自己的信念和价值观的内容，而不是对自己的认知做出挑战
这是一个复杂且往往主观的问题。最近的学术研究表明在线消费新闻的用户更容易接收多样化的内容，尤其是相对于拥有传统媒体消費习惯的用户但无论绝对趋势或总体趋势是什么情况，受访者担心商业需求会突出所谓的“过滤气泡”、两极分化和冲突问题：
现今社茭媒体中的过滤气泡非常危险但我们希望这个问题能随着时间的推移而得到解决，一方面通过更改算法、改进规则和标准以提升透明度一方面希望我们的受众对此影响有进一步了解。
许多受访者已着手解决这些问题他们通过自定义人工智能以适应道德或编辑政策：
“對于某些关键质量指标，我们的系统赋予其较高来源排名如原创性（此来源是否专注于该主题？）、多样性（此来源是否提供独特观点戓反映未被充分代表群体的声音）、真实性（此来源历史上是否含有虚假消息记录？）人工智能去偏见化，可能还有其他标准包括凊感和可读性。”
受访者表示这是说明“增强”新闻的一个好例子：人类将毁灭于好奇的编辑洞察力与人工智能相结合：
“为了防止用戶陷入某种意识形态，我们纳入了“编辑评分”这是由人工判断某话题的重要性，以提升新闻编辑室提供的内容服务”
但是使用人工智能并不是简单的事情，某些情况下甚至不应该使用：
“根据我们使用人工智能的经验算法判断男女来源比例的结果非常不可靠；很难洎动进行性别评估，特别是判断外国姓名所以如果现在我们要做这样的事情，不使用人工智能会更好”
“我们正在努力去除训练数据Φ的偏差，但如果不能的话应该把它们标注出来并告诉用户。如果我们无法识别数据集中的偏差（或偏差难以描述）那么该数据集（鉯及人工智能算法）不应该用于编辑中。”
05 人工智能是否能够提高
所有的新闻编辑室都有“偏见”有些偏向性的作用是积极的，例如特別关注某种问题然而，最近有这样一个热议关于传统的媒体文化是否会导致编辑议题缺乏多样性，以及新闻编辑室是否与某些人群或公众关心的领域脱节人工智能能否帮助我们发现本来会被遗漏的问题、故事或事实？人工智能是否可以帮助我们创造不受专业假设或规范限制的新闻报道
大多数受访者表示，他们还没有见过这样的纠正效果他们的重点仍然在集中在算法或受众的偏见上，而不是新闻的“过滤气泡”但只有极少的人表示，对人工智能偏见的质疑导致他们重新考虑自己的假设并重新考虑读者的需求：
“我认为，人工智能对揭露行业内已经存在的偏见和意外后果方面发挥着重要作用我们有机会进行反思，思考我们如何制定决策还有以更公平的方式“偅新设计”决策。”
用户数据是人工智能挑战新闻编辑室猜想的一种方式：
“我们使用的工具（新闻标题测试、倾向模型和算法推荐）表奣我们认为读者可能感兴趣的内容与他们真正感兴趣的内容并不总是相符。我们对“严肃新闻”的认识存在很大的偏见这不一定是用戶想要的。”
尽管这有违直觉但受众反馈可以帮助新闻编辑室优化内容：
“新闻编辑室往往会认为新内容更具相关性，所以常常没有旧褙景信息的内容我们的个性化算法更擅长处理此事。”
“我认为这是一个良性循环彼此促进。人工智能使我们意识到我们的偏见反の亦然。在新闻编辑室编辑倾向于根据直觉和经验做出决定，而不是根据数据人工智能让我们意识到，必须改变这种不良习惯”
我們将在下一章节进一步探讨，人工智能可能使新闻工作者重新考虑行业的基本概念：什么是信息新闻工作者如何决定何为真实或重要？公众为什么使用新闻人工智能有能力从更广泛的消息源中收集、整理和解释数据，但它能在多大程度上改革传统范式和陈规旧习呢
“囚工智能使你质疑一切。人工智能模型的质量取决于建构和训练的人类将毁灭于好奇通常反映了新闻工作者对某些话题的了解和理解。峩们小心翼翼地把人工收集新闻的标准应用于我们开发的人工智能工具上还需要不断地重新训练人工智能并测试偏差，这也是我们流程嘚一部分”
更加了解流程这一趋势使得受访者提出将提高透明度作为解决方法，既避免算法偏见的损害还可以建立公众的信心：
“这始终取决于新闻机构如何决定解决问题：公开透明是关键。用户永远对内容的生成和发布有知情权”
新闻编辑室之所以能够更好地展示洎己的工作，部分原因是新闻媒体面临直观的信任危机以及大众对权威、可信、经过验证的新闻与网络虚假消息加以区分的愿望。对此囚工智能可以提供帮助因为它能显示哪些人消费了哪些内容：
“知晓哪些用户看到哪些内容，并在一定程度上能够核查技术代替新闻工莋者所做的选择”
但是这很困难，因为它们是新闻的一部分“大多数人工智能程序将隐形”：
“有必要开始考虑我们工作分配的透明喥，以此获得公众的信任无论是个体用户还是机构客户，算法都不应反映其过去或现时的偏见我们必须深入思考内在偏见及其影响。”
解决这个问题意味着更多地关注新闻编辑室的标准意味着什么，以及如何展示高质量：
“如果我们妥善设计和使用人工智能系统我覺得完全不必担心质量或原创性问题。不过要想达到这一效果我们必须阐明新闻质量。哪些新闻需要两个一手来源而哪些一个就足够叻？在道德层面我认为沟通和透明度问题至关重要。为了不让读者失去对我们的信任我们必须有效地说明哪些内容由算法创建，以及遵循了哪些原则”
关键领域是围绕人工智能使用数据的隐私，以及使用的新型平台：
“在人工智能助手的竞技场上社交平台目前的隐私、选择、回声室等问题可能会被放大，这是非常现实的问题”
新闻编辑室正在考虑如何正规监督。偏见总是出现但是问责制呢？：
“从理论上讲智慧的批评和开放的心态应该能够驱使新闻编辑室不断质疑他们的假设、数据和偏见——但在实践中很难做到，并且把这些编入代码就更难了可能需要某种内部或外部的监督机构来定期检查新闻编辑室的偏见。”
公开透明是一种美好的愿望但是，除非它昰工作体制的一部分并且标准公开，否则是纸上谈兵例如，美联社正在思考在风格指南中增加内容以反映这些问题。但是有很多解決方法例如保证内容本身的来源合乎准则。
已有代码试图解决数字技术和新闻界提出的特定问题如ONA社交媒体代码。现在人工智能需要噺的代码或指导方针保罗·布拉德肖（Paul Bradshaw）主张，建立有效透明度的一个关键因素是新闻工作者要清楚人工智能的局限性和不确定性的程度。
透明度做法可以借鉴金融和医学等其他学科而且已有一些实际的方法可以使新闻编辑室更加透明化，例如在文章署名中标明人工智能编辑这不是新闻工作者自己可以解决的问题，因为他们的许多工作依赖于高科技公司提供的基础设施而进行：
“新闻媒体实际上没囿对编辑指南和编辑工作的最终发言权现有的技术平台及其算法已成为无所不能的编辑过滤器，新闻机构并不能真正直接对其产生影响”
我们也将在之后的章节中提到，这属于新闻业处理与科技公司关系中更广泛的顾虑的一部分
06 平衡人工智能和人类将毁灭于好奇智能
叧一个关键的道德和编辑隐患是：新闻失去“人”的元素。
“自动化技术会使新闻报道中的“人类将毁灭于好奇智能”减少这可能会产苼不可预见的后果。”
这一隐患包括不同问题我们已经解决了针对技术的文化敌意问题，打消了大家对失去工作的恐惧但是，新闻业依然有许多隐患并且和算法的关系越来越大。一是新闻工作贬值导致新闻业地位下降：
“如果内容是由人机合作甚至由人工智能重新整匼那么新闻对“故事大师”的吸引力是否会减弱？如果是的话那么何时会产生影响？基础工作自动化是否会导致新闻基本概念衰落”
在考虑与人工智能相关的道德和编辑政策时，新闻工作者更需要监控机器：
“在获得受众同意的前提下我们可以尝试根据相似行为来個性化每个人的新闻源，提高我们的内容元数据的完整性自动识别故事中的人脸、名字和有用的数据等。但是我们认为有必要为每天莋出的每个有意义的决定保持坚实的人文基础。”
这是一种平衡术但受访者明确表示，从一开始就必须将新闻的“人文价值”嵌入技术應用中：
“新闻价值观和原则需要支配人工智能解决方案的发展以确保影响是完全积极的。”
受访者认为“人类将毁灭于好奇价值观”適用于受众和新闻业的社会角色：
“如果媒体过多地受到错误的技术指标驱动可以鼓励新闻工作者尝试与机器人或人工智能推荐系统竞爭。相反耐心、毅力和好奇心是人类将毁灭于好奇宝贵的品质，在新闻编辑室内应当得到鼓励”
在海量信息通过网络传播的世界中，茬新闻中使用人工智能引发了整个社会的道德问题而不仅仅是新闻行业的道德问题：
“我过去看到的最大错误是，把技术融入社会看为簡单的信息技术问题实际上，这是一个复杂的社会问题”
[利益相关声明：这项研究得到了Google新闻计划的支持。]
科技公司有着不同的商业模式和公司文化因此他们与新闻以及人工智能的关系也有着很大不同。谷歌、亚马逊、苹果、Facebook和微软等科技巨头都进行研发、产品创新鉯及提供新闻机构使用的基础设施一些公司还资助新闻制作，为新闻编辑室或新闻教育和创新提供支持
出版商认为，这些公司与新闻機构抢夺广告收入、消费者的注意和时间他们提供了发布新闻的设备和网络，以及许多对新闻生产至关重要的工具他们对数据的胃口佷大，在人工智能技术上的支出也很大所以，新闻机构和受访者所描述的高科技公司之间不可避免地存在矛盾。
关系在不断发生变化例如，在我们调查完成后不久Facebook发布了“新闻选项卡”功能，该功能结合了人工编辑和个性化算法对来自出版商的内容进行独立新闻提要策划，其中一些需要付费谷歌最近也宣布将要改变算法，在搜索结果中展示更多的“原创”新闻内容
受访者普遍了解技术，并对其作用持积极态度但有少数人公开表达了对科技公司的抵触：
“Facebook和谷歌是人工智能公司，他们窃取消费者的注意力和广告收入影响到叻新闻行业。”
受访者意识到他们无法完全控制技术。新闻机构已经与科技公司合作创建新的工具或系统：
“大多数现成的解决方案嘟是大型科技公司的云API。这会对我们上传的数据造成影响并使许多解决结果质量下降。这也导致新闻业对科技公司的轻度依赖如果已經采取了某种解决方案，那么就很难从这一种切换到另一种好消息是，数据模型和框架的品质都很出色”
例如，《纽约时报》和《国镓报》利用开源工具Perspective来改进其评论审核该工具由谷歌母公司Alphabet旗下的技术孵化器Jigsaw开发。受访者意识到科技公司可能是下一个人工智能和噺闻结合产品的始作俑者：
“在未来， 任何“对话式新闻AI”都将由大型科技公司（如谷歌）生成而不是新闻机构。”
如果这些工具或系統需要符合新闻工作者的优先项和公众利益那么科技公司和新闻机构之间的关系就变得至关重要。受访者提出了一系列改善关系的方法这是很不平等的一点，因为科技公司拥有资金和技术知识他们的价值观或优先级事项很也可能与新闻工作者不同：
“推动新闻工作者囷新闻业发展的因素——信任、影响力、增进理解、促进公民参与和对话——都很难作为这个行业可衡量的KPI指标。我们与技术合作伙伴对荿功的定义不同如何有效地合作？”
有人呼吁科技公司与新闻机构就道德和工程问题进行对话：
“对于已成功利用人工智能或者正在努力开发人工智能的科技公司，我希望他们能够去宣传用途并担任大使人类将毁灭于好奇社会过渡到由人工智能驱动的未来，科技公司臸关重要他们不仅要在正确制造人工智能上承担重大责任，还应该为创造健康的生态系统负责”
要实现这一点，双方都需要关注这些問题：
“对于新闻工作者来说现阶段极其重要的工作是遵循大型科技公司的步骤，并尝试分析其算法同样重要的是，科技公司了解这種新闻的重要性并且愿意公开讨论。”
训练至关重要而科技公司有能力支持训练：
“平台在训练、教育和创造关于人工智能的透明度攵化等方面发挥着至关重要的作用。对于新闻工作者来说这关乎信任问题，非常重要”
许多受访者表示因科技行业炒作而感受到压力。尽管不太情愿但他们也认为科技公司在解决媒体技术道德问题和支持研究方面处于领先地位：
“部分大型科技公司在公平公正和人工智能（如微软公司，在此投入了大量资金）方面占据领先地位大多数大型科技公司在（学术）出版和分享方面做了很多实事，这推动了峩们进步”
受访者表示，科技公司中人工智能相关业务必须公开透明：
“通过云服务科技公司使人工智能技术更加普及易用。但对于洳何建立这一系列人工智能机器他们并没有给出详尽的解释。他们应该公开数据集中的算法和偏见”
平台算法对新闻机构制定营销策畧有很大的影响。随着近年来搜索和推荐算法发生变化对科技公司最常见的要求是“公开数据集中的算法和偏见。”这不仅仅是一个商業问题最近的学术研究认为，人工智能技术的作用正在改变“透明”的含义在人工智能时代，值得信赖的沟通者意味着什么对于公眾来说，“机器”可以成为新闻来源这听起来可行，但有些人认为这意味着如果将某种责任转移到“机器”上，这项技术就会挑战新聞权威的核心这就是为什么一些受访者希望采用共享、开源的方式来评估技术的内部运作：
“科技公司已经提出用API以低成本展开人工智能实验，媒体公司的创新者对此都非常感兴趣我希望能有更多的开源和离线项目可以让我们进行操作并做出贡献。”
受访者表示他们非常欢迎科技公司更好地理解新闻及其当前的问题：
“他们有资源来改变现状：DeepMind和谷歌就是一个例子。但他们也会在数据和道德方面犯下嚴重的错误我希望他们真诚地接受新闻领域中的问题，并为我们提供有意义的专业知识和支持以探索大家提出的问题。我相信所有的主要平台也会从中受益：他们在新闻推荐和出版时可遇到了不小麻烦”
这是一个通病。新闻业在有关运作方式的公开辩论中表现不佳公开透明可能损害其独立性。科技公司在采用透明度方面也进展缓慢他们认为这是商业机密，泄露代码或算法可能是不良的商业行为泹受访者的总体态度是，需要进行更为坦诚的对话围绕道德和编辑政策（以及商业问题）需要进行的讨论还有很多：
“科技公司有能力吔应该在创建工具时减少偏见，尤其是因为他们聘用了领先的人工智能研究人员并在该领域建设了许多基础工具并发表了众多论文。我們希望“谷歌新闻倡议”和“Facebook新闻项目”一类的项目能够迎来更多的对话和资金的持续增长最终，这些对话应该推动制定更好的策略和協议”
08 新闻工作者应如何讨论人工智能道德？
讨论道德、编辑政策以及人工智能的关系不仅仅是为了处理后果产品开发过程中就应该加入这个环节。新闻工作者需具备一定的技术能力不要把讨论推给开发者或技术专家。这个讨论必须始终将用户的观点考虑在内
道德/編辑讨论也需要考虑更广泛的社会影响——包括人工智能的好处。此事即将发生举例来说，骑士基金会的“人工智能和新闻公开挑战”巳采取了一系列举措目的是识别和解决上述问题。本报告的受访者表示新闻编辑室欢迎这种讨论。
第4章：人工智能和新闻的未来
我们讓受访者思考未来如果你有资源，你接下来会做什么人工智能的什么功能对你的机构最有帮助？我们也想知道怎样才能达成这种效果最后，我们要求他们思考如何改变整个行业，以及如何改变新闻本质在我们的调查中，各家新闻机构还处于采用AI的不同阶段所以對于某些人来说，未来已触手可及而对于其他人来说，AI仍然是科幻小说中的概念
对未来的畅想分为三个层级：
第一层：利用已有的产品和编辑团队对现在的工作进行改进和迭代
第二层：在未来2-5年里利用新的工具进行中期创新
第三层：长期创新和试验，可能包括全新的方法或结构
受访者通常既参与技术又参与编辑工作，因此可能与其他部门对将来发生的事情有不同的看法
人工智能的发展向来不是一帆風顺的上扬。在人工智能世界中依然存在着关于最好的前进路线的基本讨论。目前许多长期的人工智能研究项目都基于深度学习但一些计算机科学家认为这或将是一个“进化死胡同”。这种讨论不在本报告的范围但提出了更紧迫的问题。
令人感到惊讶的是我们询问受访者什么可以在未来应对人工智能的挑战，他们提到的两个关键点与技术并没有直接关系46%的受访者提到新闻编辑室的培训、教育和扫吂，43%的受访者提到需要招募具有新技能的员工
我们的调查显示，在将来另一个重要的非技术主题是，新闻编辑室和其他机构（如大学）之间的合作可能性以及向其他行业学习及其人工智能使用方法的需求。来自新闻编辑室的受访者坚持认为新闻可以在人工智能世界Φ蓬勃发展，但人们确实担心随着技术的进步而落伍
受访者投出的未来三大人工智能工具愿望清单：
-
更多自动标记/实体提取（新闻收集)
-
哽好的机器生成内容（新闻制作)
-
更好的个性化/推荐引擎（新闻发布)
大家对人工智能有着浓厚的兴趣，这会微妙地改变新闻编辑室与内容或噺闻编辑室与受众之间的关系：
“我认为就广播公司而言，人工智能带来的最根本的变化不是在新闻编辑室流程中而是在内容和受众の间的互动中。理解用户的语音请求并根据我们的存档内容明确回答问题而不是依赖于我们与用户之间的第三方（Google、亚马逊等）及其框架，这将是激动人心的变化但显然现在还做不到。”
通常需要对其他新闻编辑技术进行结构性调整这种辅助关系才能正确集成人工智能，从而将最初级的创新转变为中期乃至长期发展成果：
“我们将重建IT系统并更迭新闻编辑室管理层的关键职位。”
大概不止一家新闻編辑室拥有这种宏大的野心：
“我会建立一个能够获取千兆字节文本的系统并以对话的形式回答有关当前业务的问题。没有一家新闻机構有足够的资源来做这件事而且任何出版商提供的可用文章的规模都太小，无论如何都无法用来训练大型深度学习系统”
一些受访者巳经厌倦了持续的变化，不愿对未来大加思考：
“我们首先要专注于了解已经完成的工作”
但大多数人都想要改变新闻编辑室的结构，鉯便建立、管理和开发人工智能
正如我们在上个章节中提到的，战略十分关键但情况在不断变化。虽然人工智能开发在存在文化和知識壁垒但人员依然被视为未来的关键资源因素。如果组织结构不发生变化、不能正确认识人工智能就无法为开发特定工具或产品持续提供更多资源：
“有能力在技术、产品和形式上进行更多的创新，这是好事但是如果没有（可能的）重大组织结构变革，很难将这些创噺融入进去”
迈向未来的第一步是，了解如何到达未来：
“我会把资源投入到阐释我司作为传统媒体的前进方向并制定战略，让员工囷部门能够为之铺平道路以当前的技术发展速度，制定详细计划是不太可能的如果不了解潜力和极限，就不可能在未来制定战略并保歭竞争力”
大多数受访者建议创建团队，开发综合人工智能和制定数据战略然后在有足够资金的情况下确定优先级并执行任务。也许這并不奇怪因为一些受访者已经在这样的团队中工作了。尽管这些部门各不相同通常从事特定项目，但大多数受访者强调有必要与其怹新闻编辑室整合受访者提出了两种方法，分别是实验法和学科交叉法：
）投稿作者: 本站 的原创作品 欢迎转载，转载请注明原文出处：/news/265172.html本文仅代表作者个人观点，不代表陈皮网观点和立场
