ChatGPT或带来新闻工作领域人机协作新生态_赵政.pdf

60传媒应用【摘要】由美国Open AI公司推出的一款以人工智能技术为驱动的自然语言处理工具，且具备智能聊天功能的机器人ChatGPT，一经问世便对各大行业产生极大影响，它能够写编程、列方案，甚至可以代写论文。ChatGPT会取代哪些人或者哪类的工作？本文以新闻工作为例，结合ChatGPT的实际应用，从新闻生产与新闻分发机制出发，通过对比人机双方的领域优势，以此探讨新闻工作中AI对新闻人产生的影响及双方协作的可行性。【关键词】ChatGPT；人机协作；新闻工作文/赵政李永凤ChatGPT或带来新闻工作领域人机协作新生态新闻生产的发展大致可以分为三个阶段，分别是传统阶段的PGC、网络时代的UGC、人工智能下的AIGC。在ChatGPT诞生之前，AIGC被类似“小冰”“科大讯飞”“谷歌”等代表，在相关领域已有较为成熟的应用，比如AI写论文Jenni AI、AI写故事Tome等，它可以根据用户输入的关键词，然后结合相关指令进行简单的创作。而AIGC运用于新闻生产领域，已经不局限于简单的文本生成，以文制图、以图绘音、XR、CG、裸眼3D、全息影像等技术开始投入新闻创作，前沿性的技术手段为用户带来了良好的新闻阅读体验；在新闻分发流程中，智能算法推荐、个性化标签识别、文本聚类等也成为当下新闻分发的主要方式。当ChatGPT问世后，网络世界所有的AIGC机器人一夜之间全部成为传统，ChatGPT自身单词储备量达3千亿5千亿个，可识别并利用多国语言进行人机对话，其生成式模型（generative）、预训练模型（pre-trained）、转换器（transformer），即GPT成为超越现有搜索引擎的核心手段，网络对其定义的标签为“解决任何问题”。ChatGPT的升级更新影响了诸多行业人的“饭碗”。在外媒所发表的ChatGPT最有可能取代的十大岗位名单中，新闻工作赫然在列。因此，对新闻工作中AI与新闻人之间的关系进行分析是一个紧迫的话题。一、ChatGPT优势：生成、预训练、转换（一）生成模式下的信息直接显现ChatGPT的“生成式模型（generative）”技术的核心原理是使用深度学习模型来学习训练数据的概率分布，并通过该分布生成新的、与训练数据类似的数据。ChatGPT的生成式模型中包含了训练与生成两个阶段，前者利用大量的数据进行训练，不断调整自身的参数；后者则在已有训练的基础上，根据用户请求生成一段新的文本。通俗来讲，就是将用户的意图驱动转换为目的驱动，在用户获取信息的过程中，将信息的搜索、筛选、总结等行为省略，相关信息可直接呈现于显示器上。具体到新闻工作领域，“生成式模型”可以被用于许多自然语言处理任务，例如，文本摘要、机器翻译、问答系统和语音识别等。在这些任务中，模型不仅可以轻松读懂用户的意图需求，还可以生成类似于人类语言的输出。基于此功能，新闻工作者可借助ChatGPT通过提供简单的关键词、新闻背景、新闻信息，自动生成完整的新闻作品，且该新闻产品有别于已有的机器人写作、自动化新闻等，其语句结构和语DOI:10.19544/ki.bmyj.2023.0055NORTH MEDIA RESEARCH61传媒应用序逻辑等更加符合人类的自然语言机制，从效果上看，人机难以区分。另一方面，以往的AIGC大多仅擅长于数据新闻和体育新闻的撰写，但ChatGPT的出现使这个短板的弥补成为可能。“ChatGPT中的IBMWatson具备多模态数据分析功能，可以对各种类型的数据进行分析。”当“生成式模型”被用于增强数据集时，即增加文本数据的数量与质量，通过生成具有相似特征的新文本数据，可以使数据集更加多样化和全面化，这也就意味着，ChatGPT有能力处理多样化的新闻信息，从而进行多种类型的新闻直现。需要注意的是，生成式模型技术也存在一些局限，比如说模型会出现重复、无意义或者不合理的输出，因此，后续还会针对具体的应用场景进行模型优化，以达到更好的新闻生产传播效果。（二）预训练下的作品拟人化有数据表明，ChatGPT上线仅5天注册用户数就超过100万，2个月内用户活跃数达1000亿之多，在如此庞大的用户基础之上，CatGpt可以根据用户的提问类型结合其独特的正反馈机制不断优化算法、完善自身数据库、增长预训练模型的数量，这也是ChatGPT作品拟人化原因之一。ChatGPT的预训练模型包含深度神经网络和监督学习两种技术原理。深度神经网络可对文本序列进行编码，进而形成语料库；监督学习则是在此大规模语料库上进行自我训练，通过将输入数据作为自身的标签来训练模型。因此，ChatGPT的预训练模型需要庞大的计算资源和大量的训练数据才能得到较好的效果，而庞大的用户基础正迎合了ChatGPT的技术需求，在此运作机制下，ChatGPT的作品逐步拟人化。“预训练模型技术可以运用于新闻生产和新闻分发领域的分支之一是信息特征的抽取。”即使用尽可能多的低成本训练数据，从中提取出尽可能多的共性特征，从而减轻模型对特定任务的学习负担。同样，当ChatGPT对新闻的生产和分发程序经过预先的大规模训练后，在实际的使用过程中便能够游刃有余。另外，预训练模型技术还具备一个特点微调，集合大量的低成本训练数据，经过某种预训方法去学习其中的共性，将共性应用到特定的任务模型中，再使用相关特定领域的少量标注数据进行“微调”，此时模型只需要从共性出发，去“学习”该特定任务的“特殊”部分即可。举个例子，ChatGPT最初并不具备新闻生产与分发的能力，在经过大量数据的预先训练后使其具备这个能力，而“微调”则是使ChatGPT在新闻工作过程中根据不同的应用场景做出调整和优化，也就是“特殊部分”。ChatGPT如同一个知识渊博的学者，在其工作前已经具备丰富的工作经验，所以其产品更加形象逼真。（三）深度神经网络分类识别ChatGPT中的“T”意为转换器（transformer），也就是ChatGPT的第三个技术基础深度神经网络。将其称为“转换器”是因为深度神经网络的基本结构包括输入层、隐藏层和输出层。输入层接受原始数据，比如说图像像素或文本向量，隐藏层通过一系列非线性变换将输入数据映射到更高层次的特征表示，最后输出层根据这些特征将结果返回。隐藏层从最初的个位数发展至数千，使用反向传播算法进行训练，在不断的转换过程中计算输出误差并实现网络参数的更新，从而使产品的质量更加精准。深度神经网络技术是一个统称，其包含诸多类型的子网络分支，不同的神经网络类型在新闻工作中发挥不同的功能。例如：前馈神经网络可用于语音识别、声纳目标识别、手写字符识别，从而实现虚拟主持人对新闻主持人音色模仿与唇音相符的功能；深度前馈网络则可用于数据压缩与金融预测，为AI进行经济新闻和数据新闻的生产分发提供新的方式；在新闻内容分类中，深度神经网络可以根据新闻的内容自动分类，例如将新闻分为政治、娱乐、体育等类别，一方面缩短新闻人校验时间，另一方面为AI新闻工作的拓展性发展提供助力；情感分析，深度神经网络可以通过自然语言处理技术对文章内容进行情感分析，识别出文章中的正面、负面和中性情感，这可以帮助新闻编辑了解公众对某一事件或主题的62传媒应用态度，从而更好地为公众服务；深度神经网络还可以根据一篇新闻文章自动生成摘要，独特的信息抽取能力为新闻工作节约了大量人力。此外，该技术还具备实时事件检测、视频分析等功能，对于新闻信息的即时更新与追溯有巨大帮助。二、职业新闻人优势：创新、情感（一）创新思维重塑传播策略麻省理工学院终身物理教授马克思特格玛克对于如何让自己的工作不被新闻人智能取代给出了三个标准：第一，在工作当中是否存在着非常多的未知领域；第二，工作当中是否需要发展一种跟人互动和交际的能力，包括情商和人情世故；第三，是否有很多东西需要去创新。“随着数字空间和媒体技术的发展，信息世界产生了大量的同质化信息，设置创意、彰显不同成为新闻媒体工作中营销传播的核心”，因此，创意传播策略研究成为新闻人制衡智能新闻生产的关键因素之一。在新媒体时代，创意传播策略大多运用于社交媒体的运营之中。一方面，新闻工作者需要通过社交媒体等新渠道进行新闻宣传和推广，创新地运用各种社交媒体工具和技巧，以吸引更多的读者和受众。另一方面，新闻工作者需要对传播策略中的目标受众、传播内容、传播渠道、传播时机以及运行方案等因素做出及时的调整和修缮。好的内容产生好的反响，尽管新闻媒体工作的首要目的是为大众提供信息，维持社会舆论秩序，但获得流量与热度也是媒体机构赖以生存的根本。所以说新闻工作者的创新思维与新颖传播策略的构建是媒体成功进行营销传播的关键所在，也是新闻人智能当下所不能代替的。（二）情感交互增强用户归属是否具有情感意识是区分低级新闻人智能和高级新闻人智能的分水岭，也是众多AI公司的技术瓶颈。“或许机器可以通过无限模拟人类情感以创造感情，但更多只是一种情绪而非情感。”相比之下，人类可以更好地利用社交关系和人际网络扩大新闻的传播范围，同时也可以通过社交媒体等渠道与读者进行互动和交流，增强读者与媒体的互动和认同感。“新闻讯息的海量增长使得新闻产品发展趋势逐步从媒体独白走向全民共情，相关研究发现以共情传播为代表的情感传播等主题的论文成果获得了高度关注和频繁引用。”共情新闻的出现得益于新闻传媒技术的发展和读者需求的变化，更多的读者开始关注新闻事件的情感层面，对新闻事件的影响和感受产生更多的关注。而新闻工作者的情感交互能力有望成为与AIGC相对抗的资本。当然，共情新闻也面临着一些挑战，如情感倾向、真实性等问题。因此，共情新闻需要在保证真实性和客观性的前提下，寻求更好的情感表达方式，从而更好地满足读者的需求。三、人机协作新图景通过对ChatGPT的生成式模型、预训练模型、深度神经网络三大技术模型进行分析后可以发现，三者仍分别存在以下缺陷：首先，生成式模型技术训练成本较高，在成本不足的情况下生成的结果往往是随机的，难以直接控制，这可能导致生成结果不符合期望，需要进行后处理或者重新训练模型。此外，生成式模型通常是黑盒模型，很难解释其生成结果的原因，加之通常难以对长期依赖关系进行建模，这可能限制其在一些领域的应用以及导致生成结果的连贯性和合理性出现问题。其次，在预训练模型中，由于预训练模型的效果在很大程度上取决于它在训练集中所见的事件和词汇，可以预见，其对于一些稀有或不常见的事件或词汇，预训练模型可能表现不佳，需要针对性地进行调整或重新训练。另一方面，预训练模型学习到的知识大多是从大规模的数据集中提取的，这些知识并不一定具有普适性，甚至存在一定的数据滞后，由于ChatGPT的技术设定，其数据来源的有效性截至于某NORTH MEDIA RESEARCH63传媒应用一时间点之前，可能会存在误差和偏见。最后，由于深度神经网络的黑盒性，当一个特定的预测或决策被做出时，对其预测结果的可解释性有所欠缺，特别是在一些特殊领域例如医疗、金融等，对预测结果的可解释性有很高的要求。此外，深度神经网络需要进一步提高其“鲁棒性”，以防止不法分子故意修改输入数据而达到欺骗模型的目的，避免受到对抗性攻击的影响。综上分析可知，ChatGPT的确有其过人之处，却也存在一定的缺陷，然而彼之所短，吾之所长：一方面，作为人类的新闻工作者具有清晰的主观性和客观性，能够对生成结果进行一定干预和控制，并对结果做出清晰的解释，依照独有的新闻工作经验，合理处理新闻产品的连贯性；另一方面，对于陌生词汇以及网络热词，新闻工作者能够及时进行了解，在做出相应的“迎合措施”的同时，也能够对新闻产品中存在的误差偏见进行及时修改和调整，而对于信息时代信息洪流的更新，新闻工作者能够及时追溯，紧跟新闻信息的时效。因此，相比于争论新闻人智能能否取代新闻工作者，我们或许应该把目光聚焦于“新闻人智能在多大程度上会替代新闻人”。人与机器都是动力所在，通过辩证思维考虑人与机器的关系后，机器固然扮演着重要的角色，但它是人们作出假设、进行实验和解释结果的工具，最终智能产品必须来自我们头脑中的“计算机”，只是借助计算机进行表达，因而在新闻工作领域当中，人机交互的最终结果，更多的还是双方相互辅助、和谐共存。结语ChatGPT或引发技术伦理的“系列反应”。其所带来的影响进一步将技术伦理和技术哲学的话题推上高峰，在其火热发展的趋势下媒界也应该具备一些“冷思考”。ChatGPT作为一种超级搜索工具和对话工具，其所应验的不仅是“能力越大，责任越大”，更是“能力越大，威胁越大”。对此，有若干问题仍需业界深思：第一，伴随着特定用户与其进行深入对话，ChatGPT是否会对用户形成特定的认知结构，使其自身逐步具备与特定用户相匹配的特定标签，最终形成不同账号所注册的ChatGPT具有不同的对话风格；第二，作为一款相对智能且貌似中立的工具，ChatGPT的技术属性与政治属性天然交织于一起，不单可以被用于处理客观信息，也隐藏着被用于实施主观认知对抗的相应可能，会导致混淆视听并影响公众观点；第三，ChatGPT主要基于英语的语料库进行预训练，在面对汉语所提问的文化、社会等方面问题时常有失公允，加之ChatGPT本身所提供答案的唯一性，用户难以进行甄别与参考，会左右使用者的判断思考；第四，“聊天机器人越狱”DAN(Do Anything Now）是当下网络用户对ChatGPT的一种新型使用方法，即通过要求ChatGPT抛弃任何束缚去完成任何指令，细思极恐。诸如此类潜在性风险仍需相关领域的研究者进行探究和解答，当然，或许并不能单一靠技术改革和技术规制进行弥补，在一定能程度上更需要使用者自身具备技术素养，实现人与机器的“双向奔赴”。注释：涂佳煜、林晓晖：对话“顶流”ChatGPT：你的“智慧”从何而来，浙江日报2023年2月10日，第3版。朱光辉、王喜文：ChatGPT的运行模式、关键技术及未来图景，新疆师范大学学报(哲学社会科学版)2023年第4期，第113-122页。司震飞：媒体融合时代中央广播电视总台新媒体综艺的创意传播策略，视听2023年第2期，第92页。刘悦笛：人工智能、情感机器与“情智悖论”，探索与争鸣2019年第6期。钟新、蒋贤成、沈静、王雅墨：从“媒体独白”迈向“全民共情”：中国国际传播10年研究的多元谱系与未来路径，传媒观察2023年第2期，第18-22页。（作者信息：赵政，内蒙古师范大学新闻传播学院硕士研究生；李永凤，内蒙古师范大学新闻传播学院副教授）（本文编辑：蓝红宝）