曾经，机器人的出现改变了整个制造业经济领域。如今，人工智能和自动化以同样的方式颠覆着信息工作，人类开始逐渐将认知劳动交付给计算机。

例如，在新闻业中，数据挖掘系统会提醒记者编辑们注意潜在的新闻选题，而新闻机构则为观众提供了获取信息的新方法。自动报道机制如今已可以覆盖财经、体育等品类的新闻。

当这些智能技术渗透到各行各业中时，人们通常会好奇传统工种和劳动力将受到怎样的冲击。本期全媒派带来独家编译，看看在人工智能加入的新闻业中，做新闻的会是谁？他，或者说它们，又会怎么做新闻？

强化而非替代

西北大学助理教授及计算机新闻实验室总监Nicholas Diakopoulos在其最新著作《自动新世界：算法如何改写媒体》中通过一系列论证表明，即使在人工智能主导的未来，仍然会存在很多人类新闻工作者。但是，这些人的工作，角色以及工作内容都会有所改变。人力将与算法结合，以释放人工智能的能力，同时适应其局限性。

据估计，以目前的人工智能技术水平，记者的工作中只有约15％可以实现自动化，编辑则只有区区9％。

在好莱坞大片以外的真实世界中，人类仍然在几个新闻业关键领域对人工智能保持优势，包括复杂沟通，专业思考，适应性，以及创造力。

报道，倾听，回应和推拉，平衡信源，最后将这些环节打通，用创造力输出内容，记者工作的每一步都不可或缺，而人工智能甚至无法完成其中任何一个。

但是，人工智能可以强化人类的工作成果，以帮助提高工作效率或质量。它能为深化新闻报道带来新机，让报道变得更加个性化。

新闻编辑部的工作总是在适应新技术的浪潮，摄影、电话、电脑，甚至是小小的复印机。记者也必将适应与人工智能的协同作业。作为一种技术，人工智能已经并将持续改变新闻工作，但它非但不会取代一个训练有素的新闻人，反而会让他变得更强。

新工种的出现

Nicholas Diakopoulos发现，人工智能技术似乎正在为新闻界创造新的工作类型。

以美联社为例，该社在2017年推出了计算机视觉人工智能技术，用以标记每天处理的数千张新闻照片。系统可以在标注中指明这张照片包含了什么内容或者哪些人，摄影风格如何，有无暴力画面等信息。

该系统将图片编辑从大量的标注工作中解放出来，从而拥有更多的时间来思考他们应该发布什么。

但无论在研发端还是编辑端，对这一系统的开发都需要大量的工作：编辑必须弄清要标记的内容以及算法对这一任务的匹配度，然后开发新的测试数据集来评估效果。完成所有操作后，他们仍然需要监控系统，手动批准每张照片的建议标签来确保高准确度。

负责该项目的美联社高管Stuart Myles告诉Nicholas Diakopoulos，这项工作耗时数年，十多名编辑、技术和行政人员参与其中。大约三分之一的工作涉及新闻专业知识以及一些特别难以实现自动化的判准。虽然在将来人力监督有望削减，但随着技术系统的发展和扩大，编辑的工作仍将不可或缺。

半自动化内容制作

在英国，RADAR项目每月通过半自动化模式输出约8000篇本地化新闻。该项目由6名记者运营，他们找到按地理区域划分的政府数据集，筛选出有趣且有新闻价值的选题，然后将这些想法发展为数据驱动的报道模板。

模板通过编码，将每条文本和数据归属的地理位置一一对应。例如，一篇报道可以讨论英国的人口老龄化问题，并通过布里斯托不同的本地化统计数据，向卢顿市的读者展示他们所属社群的变迁情况。这些报道会由通讯社发送到当地媒体，并由他们决定是否发布和如何发布。

在这一方法中，记者和自动化高效结合：记者利用他们的专业知识和沟通技巧，为数据预设一些可能的“故事线”。他们也会与不同信源讨论来获取某个问题的全国普适视角，从而编写报道模板。在这个过程中，自动化充当了新闻生产小助手的角色，使同一文本能够适应不同的当地环境。

RADAR记者使用一种名为Arria Studio的工具，它可以让内容生产者一睹自动化内容在实践中呈现的样子——它看起来就像一个复杂版的Word。

作者写出各种碎片式的文本，而这些文本则由if- then- else（如果－那么－否则）的代码规则驱动。例如，在地震报告中，我们可能需要不同的形容词来描述8级地震和3级地震。因此，我们可以这样设计代码：如果地震强度>7，那么输出文本“强烈地震”。否则，如果地震强度<3，输出文本“小型地震“。

像Arria 这样的工具还包含强大的语言功能，例如自动共轭动词或拒绝使用名词，从而更轻松地处理需要根据数据进行更改的文本。

Arria的创作界面使得记者可以专注于自己擅长的事——从逻辑上构建引人入胜的报道情节并制作富有创意的非重复性文本。

但他们也需要一些新的方法来构思报道。例如，模板的编写者在做一个报道前，得了解数据能做到什么。他们需要想象数据能如何丰富角度或使叙事变得多样，同时能勾画出驱动这些变化的内在逻辑。监督，管理或编辑自动化内容的工作人员也越来越多地出现在新闻编辑室中。

质量和准确性是新闻业界最关注的问题。为此，RADAR开发了一个三阶段质检流程：首先，记者将阅读所有的自动化内容；然后，另一位记者将报道中给出的所有结论回溯到原始数据源；最后，编辑会再一次检查报道模板中的逻辑来排除错漏。

这几乎就像一个软件工程师团队在调试脚本时所做的工作，而这也是人类为了让自动化正常运转而不得不做的事。

终结付费墙？

内容生产并不是人工智能大施拳脚的唯一赛道。通过机器学习的算法，新闻媒体还可能发展出新的订阅模式，实现对每一位用户内容消费的量身定制。

通过调整订阅策略以及付费墙设置，新闻媒体一直在试图平衡自由浏览量和用户阅读权限——也就是在寻找广告收入和订阅收入之间的最佳平衡点。

当然，这个神奇的平衡点并不存在。有的人可能在一次浏览后就会订阅，有的人则需要更长时间才能做出付费转化的决定，而有些人根本就不会订阅。这些用户维度的个人差异基于大量指标而变化，例如地理位置、内容消费习惯、访问行为、主题、设备等。

在新技术的加持下，内容供应商不再需要通过单个数字来定义最佳策略，甚至不需要确定一个引导读者订阅的特定路径。如今，他们可以实时为每个用户生成最佳规则，向那些最有可能回应的人提供高价值的优惠。计算机无法自主制定营销策略，但它无疑可以帮助我们对营销策略进行优化。

美国公司Piano用了大约一年时间来改进和测试用户可能性模型。他们的机器学习系统可以筛选出所有浏览器级别的可用数据，从而能够预测并驱动用户行为。

Piano的第一个可能性模型就致力于预测用户订阅的可能性。

以下是它的工作原理：通过与全球各地传媒公司的关联，Piano已经能够分析数百个订阅网站和数十亿的每月用户互动。这一独特的优势使Piano工作人员对营销订阅的因素有了一些深入认知。更重要的是，它为我们观测影响订阅可能性因素提供了确切的数据。

某些数据点与用户转化的可能性密切相关。例如，用户每天或每周访问某个网站的时间，或者他们访问的设备类型等因素，都会定期形成可预测的模式，从而展示用户最终的行为方式。

动态付费墙规则是一种新兴业务，它的背后冉冉升起的是一个定价和业务规则完全动态并为每个用户定制的世界。虽然“订阅经济”已经取得了很大成就，但我们认为这种转变比从一次性支付转向经常性支付更重大。

这将是一个全新的世界，企业生产的所有内容都可以实时响应每一个用户、每一份商机。

深耕人力资源

如前文所述，人工智能和自动化非但没有减少新闻业的岗位，反而正在创造新工作，并改变现有的工作。今后，记者需要接受培训，以设计、更新、调整、检验、纠正、监督以及维护这些技术系统。许多人可能需要学会和数据一起工作，用逻辑思维来处理数据，多熟练掌握一些计算机编程基础知识也是不会错的。

随着这些新技术的发展，确保它们是优质的工作非常重要——人们不能只是在更大的生产机器中成为齿轮，这种新型混合劳动的管理者和设计者需要考量人类对自主性、有效性和可用性的关注。

Nicholas Diakopoulos乐观地认为，在这些技术中聚焦人类经验，将使内容工作者成长，让社会蓬勃发展，让人工智能和自动化交出更好的答卷。