本文已获得腾讯传媒全媒派授权
如今，无论是传媒从业者还是普通用户，已经没有人会轻视技术的力量。
从传统智能手机到可穿戴设备、区块链技术、标志计算机新时代的人工智能，以及即将成为主流的混合现实（MixedReality）……这些逐渐切近日常生活与行业变革的技术，传媒从业者应当如何把握？
FutureTodayInstitute（简称FTI）近期发布了《年传媒业技术趋势报告》，即介绍了包括以上技术在内的共计12种前沿趋势，以及其中的项具体革新。如FTI的创始人AmyWebb所说：“媒介组织应当主动了解技术革新的信号，而非被动跟进”。
趋势一：人工智能
我们习惯将“人工智能（ArtificialIntelligence）”当成一个总体概念，但事实上，人工智能范畴之中，包含着许多具体类别。在当下的传媒行业，那些看似生僻的技术，实则也渐渐应用于我们熟悉的领域中。
自然语言生成
（NaturalLanguageGeneration,NLG）
自然语言生成技术现今已被不少媒体与营销机构所应用，基于大规模的数据集来进行自动内容生产。NLG可实现的功能包括，集成关键词、提升SEO（SearchEngineOptimization，搜索引擎优化，即利用搜索引擎的规则来提升网站的搜索排名）以及为用户批量提供个性化的内容。
这项技术有两项具体应用，我们都不陌生。
首先是将结构化的数据转化为叙事性的报道，Bloomberg、AP等媒体都在应用这项技术，来收集数据并自动写作有关足球赛事、收益报告等方面的报道，ProPublica等机构也在试验如何在公开数据中发掘报道线索。
另外，一些阅读App可以根据用户所选的阅读水平，来对词汇、语法的复杂程度进行调整。一家教育行业的初创公司Newsela就主打“阅读水平转换（readinglevelconverter）”的产品，为用户提供个性化文本，文本来源则是与他们合作的各大新闻机构，如《华盛顿邮报》和《卫报》等。在未来，NLG还可能与智能语音等领域结合，为内容个性化提供技术基础。
Newsela界面示意，左边栏可选“ReadingLevel（阅读水平）”
自然语言理解
（NaturalLanguageUnderstanding,NLU）
现今，我们会频繁接触到以社交媒体文本、政府企业网站公开数据等为代表的各种非结构化数据，自然语言理解技术能够帮助研究者来量化此类数据，从中抽取关键概念、梳理关系以及分析情感。在医学、法政、农业、交通、教育多种学科领域，NLU都可以帮研究者获取更深层面的洞察——传媒领域同样。
机器阅读理解
(MachineReadingComprehension,MRC)
MRC使得系统阅读大数据、推断含义并且立即得出答案的流程成为可能。举个例子，当你搜索时，你是希望系统直接给出一个确切答案，还是提供给你一堆“欲知后事如何请看更多超链”的URL合集？前者就是MRC可以做到的事。在未来，MRC是实现强人工智能的关键性步骤之一，而近期，它则可以协助我们把技术手册、历史地图和医疗记录等各种资料转化为易于搜索的信息集合。
实时机器学习
（Real-TimeMachineLearning）
机器学习指的是一种应用算法来分析数据，从而可以更好地完成各种任务的系统，并且随着时间推移，它会越来越擅长这些任务。但这种系统也面临着效率问题：系统需要停下来解析数据。而最新研究表明，实时机器学习可以随数据获取而实时调整模型。这种技术使得同声传译自动化成为可能，即便是在多种语言混杂的情况下；也可以协助对内容分发进行随时调整，从而为读者提供更具有贴近性的内容。比起刻板地使用历史数据（读者XX只喜欢体育类报道），实时偏好则能够将内容纳入推荐机制（读者XX在接下来的几天里对大选新闻的需求可能会更强烈）。
IBM的“辩论者（ProjectDebater）”即是真实世界的文本如何被应用于实时学习系统中的范例，它是首个能够和人类就复杂主题展开辩论的AI系统。它能够实时消化复杂信息、组织逻辑完整的主题演讲、清晰阐述并且反驳对手。这一系统将可以提供论据支撑的有力论点，并限制其中情感、偏见和谣言的影响，从而帮助人们辩论。
IBMProjectDebater的网站首页
音视频算法
（GenerativeAlgorithmsForVoice,SoundandVideo）
MIT计算机科学与人工智能实验室（MIT’sCSAIL）正在研究儿童如何学习新词汇，从而将之应用到训练计算机的自动语言识别功能的开发中去。研究人员也在训练计算机在观看视频的同时，预先判断其中会出现的真实物理世界中的对应声音。比如，树叶落地是什么声音，那木条触碰到沙发呢？研究目的在于，训练系统理解真实物理环境中的物体之间是如何发生交互的。
这种算法未来可以为游戏、视频电影和电视节目自动配音与添加音效，但它也意味着，音频可能构成欺骗——当计算机能够模拟我们的声音和自然音时，会发生什么呢？年，华盛顿大学的研究者们就开发了一个能“展示”奥巴马总统某次演讲的模型，事实上这次演讲从未发生过。这恰恰与当今的假新闻和新闻核查不谋而合。
#年“奥巴马演讲视频”的介绍时长：01:55
图像修复
（ImageCompletion）
如果计算机系统接触到足够多的图片，那么它可以修补图片缺陷，如失焦、人像肤色等问题，专业摄影师和普罗大众皆可使用。但这种技术难免面临伦理争议：真实和美化的界限在哪里？多大程度上的修补是被允许的？这些问题记者都应当自问。它也可以成为执法和军事的一部分，帮助相关部门识别图像中的人或者物体。以及，考虑我们已经在机器学习和算法中发现的偏见，图像修补的未来，可能涉及设备与隐私等方面的争议。
“隔墙有AI”
（AIForSeeingTroughWalls）
MIT的计算机视觉科学家已经发现了如何通过“意外摄像头（accidentalcameras）”来追踪信息。窗户、镜子、角落、绿植等许多物体都可以和AI结合，被用来追踪光线、阴影、震动等外界的细微变化，据此分析出某种条件下我们难以用感官直接捕捉的信息。举个例子，研究者们宣布他们拍摄了一株绿植，通过投射在叶片上的阴影来建立室内其他部分的三维影像，或者他们也可以将叶片转化为“视觉麦克风”，根据叶片震动来分析出室内的人正在说什么。
技术应用示意图
这样，我们可能都会拥有X光般敏锐的视觉——调查记者对此表示十分渴望。
可预测性机器视觉
（PredictiveMachineVision）
MIT的研究者们正在训练计算机，它不仅可以识别一段视频中有什么，还要推断其中的人接下来会做什么。比如说，基于YouTube平台上的视频和电视节目（例如《绝望主妇》），计算机系统现在可以预判两个人接下来是会拥抱、亲吻还是握手。有朝一日，这项技术能够帮助机器人更容易地判断人的身体语言并和人互动。
新型生成式建模技术
（NewGenerativeModelingTechniques）
自回归分位点网络(AutoregressiveQuantileNetworksforGenerativeModeling,AIQN）看上去复杂，但它本质上就是一个帮助提升算法、使之更加稳定的创新理念。这种技术可以提升AI技术的进步速度，也就意味着媒体和技术领域中的机遇与革新会更快出现。
更快的深度学习
（MuchFasterDeepLearning）
深度学习（DeepLearning,DL）是机器学习中相对较新的分支，也会很快无形融入到各个组织机构当中。设计者会使用较为特殊的深度学习算法，结合包括文本、图像、视频、演讲等类似内容在内的各种数据库。从概念层面上来讲，它不算新，最近更新的是计算处理能力和可用数据的数量。落实到实践，这就意味着更多的人类事务可以被计算机自动完成，比如设计软件写代码。
DL受计算机网络运行速度的制约：几年前，用ImageNet网站中的数据集来训练图像识别功能，可能要花费一个月或者更长时间；而现在，Facebook可以在一小时内实现相同的效果。随着计算机提速和硬件技术的提升，系统也会以更加“超人”的速度完成任务。
强化学习与分层强化学习
（ReinforcementLearningandHierarchicalRL）
强化学习（ReinforcementLearning,RL）是处理决策型问题的强力工具，它被应用于训练AI系统，使之拥有超出常人的能力。在计算机模拟过程中，一个系统尝试、失败、学习、实验,然后再次尝试——这一系列步骤都能飞速完成，且每次试错都会对它的未来尝试有所修正。我们所熟悉的AlphaGo就是基于RL机制学习如何决定战胜人类棋手。但这项技术也存在问题：当智能体（agents）缺乏足够的监督（supervisor，简单来说监督就是设定输出值/目标，在数据中发现潜藏模式能更容易，而无监督式学习不设定输出值，下文在机器学习相关技术中出现的“监督”也是同一个概念），或是需要运行一项长时间的复杂任务时，可能会遇到困难。
这时，研究者将尝试应用分层强化学习（HierarchicalReinforcementLearning）——能够发现高水准的行动，有条理地克服学习困难，最终以出乎人类意料的速度掌握新的任务。RL可以提升AI系统的“智能”，来使汽车能在非常规条件下自动驾驶，或者协助军用无人机实现之前尚未实现过的复杂动作。
持续学习
（ContinuousLearning）
现在，深度学习技术已经可以帮助系统学习，去以更接近人的所作所为的方式来完成复杂任务，但是这些任务仍然很具象，比如在某一项比赛中打败人类。并且它们需要遵循一个严格的程式：收集数据、设定目标、应用某一项算法。这一过程需要人工参与，也会花费不少时间，特别是需要监督式训练（supervisedtraining）的早期阶段。持续性学习（CL）将偏重于构建提升自主学习与增量学习的技能，研究者未来还将持续扩展其能力边界。
多任务学习
（MultitaskLearning）
电影《龙威小子（TheKarateKid）》里，园丁宫地先生承诺教男孩Daniel空手道，但Daniel很快厌倦了日复一日的训练。对于Daniel来说，漆栅栏、汽车、无休止的“打蜡、封蜡”……这些事情看起来都毫无用处，肯定不能帮他学会空手道。当然，最后所有的杂务都被证明与空手道有关，这样的训练也帮他成为一名空手道冠军。
提起这部电影，是因为研究者最近就在训练智能系统像Daniel这样学习。当开发者使用机器学习时，他们要尝试用这种方式解决单个特定的问题。他们会监督智能系统微调，且不断修正，直到系统的表现符合预期。但是仅仅聚焦于单个任务，经常会指向无效结果——也许有比研究者发现的机制更好的解决方案呢？于是，新的研究领域，也就是多任务学习就产生了，让系统像Daniel这样，在各种各样的相关任务中寻求联系，探寻如何更好地解决问题。
电影《龙威小子》剧照
对抗性机器学习
（AdversarialMachineLearning）
简而言之，一段对抗性内容（包括图片、视频、音频等），都包含了一个很小的“优化点”，人类通常无法察觉。科学家设计模型，给计算机训练“识别细微差异”的能力。不过，它也可能被黑客利用，用对抗性图像来误导机器学习系统。
对抗性信息可能会被有意或无意地植入到图片、多媒体报道、虚拟现实等内容之中，在假新闻广泛扩散的当今，这一点尤需谨记。对搜索引擎来说，给图像自动标记tag，实现起来也并不容易。
更加重要的环境交互（ABiggerRoleForAmbientInterfaces）
环境交互（AmbientInterfaces）也以“零界面（zero-UIs）”的概念为人所知。现代交互更像是身边环绕的音乐，更少的直接指令，却能做得更多，还能吸引我们的注意力。据悉，在现代社会，成年人平均每天要做多个决定，大到股市投资，小到要不要刷一下手机。新型数字助手（DAs）有望对所有需要决定的事务进行优先级排序，替我们作出委托，甚至自动应答——这一无形的决策制定过程都不需要你直接输入指令。根据梅特卡夫定律（Metcalfe’sLaw），网络的价值将和使用者数量成正比。这就意味着，越多的人加入这一环境交互的信息网络中，这项技术就会越好用。
将来，数字助手会变得无处不在，会搭载于手机、耳机、汽车、冰箱，甚至藏在口袋中。MIT等高校的研究者也在尝试让我们的设备能够“听”和“看”，它们会知道我们去了哪里，见了什么人，我们的习惯喜好，等等。之后，它们就会用这些数据来满足我们的需求。不难想象，营销机构、银行、以及媒体，都会用这些技术来呈现和传递信息。
当然目前最常见的还是这些
创意型人工智能
（AIFortheCreativeProcess）
AI能不能从事创意性工作？过去的几年里，我们已经看到了不少AI系统设计创作的音乐、服装、自行车等等作品。比如，去年罗格斯大学和FacebookAI实验室等机构的研究者就设计了以创作艺术作品为目标的AI系统。结果是，艺术批评人士无法分别AI作品与人类作品之间的区别。这种创意型应用，可以说是从弱人工智能走向强人工智能的关键一步。
机器人
（Bots）
基本意义上的机器人（Bots）是指，为自动完成某一特定任务而设计的软件应用。在媒体领域，机器人可被分为两大类：新闻型机器人（newsbots）和生产力型机器人（productivitybots）。前者可以协助集合新闻信息，并自动为读者推送特定新闻事件；而生产力型机器人，则可以帮助新闻组织自动化他们的日常流程。比如说，推送一则地震警报需要几步？手动登陆美国地质调查局（USGS）的网站，获取信息，再派一位记者撰写一则简讯。或者设计一个机器人，自动抓取与写作。这种自动化可以提高简讯新闻的时效性，并且解放记者生产力，使其能从事到更复杂的任务中去。
而新闻型机器人相关的主要风险是，它们依赖于背后的程序设计，这就使一些居心不良的人可以利用它来散布虚假信息。
还有我们所熟悉的聊天型机器人（chatbots）
AI中的偏见
（OngoingBiasInAI）
研究者发现算法当中出现了预期之外的偏见。这一问题与训练AI的初始数据有关：系统一开始基于有限的数据集训练，而且训练程序由人设计，这就难免会反映出我们身上潜藏的偏见。随着计算机系统越来越擅长制定决策，我们可能会发现自己莫名被打上了某一类群体的标签，被判定为无资格贷款或不能享有某种医疗服务——而理由却潜藏在算法中，不那么容易发现。
AI云
（TheAICloud）
过去一年，人工智能生态之中的领导企业，一直在争夺“人工智能云共享（AIcloudshare）”，以期成为值得信赖的AI远程服务提供者。Amazon、微软、IBM和Alphabet都在为开发人员推出新的软件服务，让AI初创公司能更容易地将自己的创意投向市场。不仅仅是提供服务器，每个公司都会提供现成的AI软件。如Amazon的SageMaker能帮开发者训练神经网络（neuralnets），而Rekognition则可以检测并追踪视频中的人、运动和物体。
专有AI语言
(Proprietary,HomegrownAILanguages)
当AI开启了计算机时代的第三纪元，巨头公司都开始竞争市场份额和注意力。上文提到，微软等公司已经为开发者提供软件包，它们同时也为AI应用提供了独特的编程语言。如Uber发布了自家用Python写的编程语言，名为Pyro。这意味着未来AI生态的竞争中将更加分裂多元，而不仅仅类似现在的OSX和Android，或者早期的MAC和PC两大阵营。这提醒新闻机构也该开始为这种多元做准备，为开发者提供训练，提升从业者的能力。
AI芯片组
(AIChipsets)
对我们来说，平常笔记本和手机上搭载的CPU性能已经在不断提升，却满足不了机器学习的要求。它们的问题在于，缺少足够的处理单元，去完成下一个计算机时代所需的连接和计算。这时就需要一组新型处理器，搭载于SoC（系统级芯片）之上。华为、Apple、IBM等企业都在试水新系统的构建和SoCs。简而言之，这意味着芯片已经可以在AI项目中发挥作用，并且有更快的速度和更精确的数据——也不难预料到，几家企业在未来即将开展竞争。
AI算法交易市场
（MarketplaceForAIAlgorithms）
大多数组织都无法组建一个无限期地创造、测试和提升算法的开发者团队，所以，开发者团体会在算法交易市场中提供他们的算法。Algorithmia是现今最大的算法公共交易市场，在这里，开发者可以将他们的算法上传至云，其他人付费获取。Amazon、微软、谷歌等巨头公司也在将自家的框架和服务提供至算法交易市场。
Algorithmia网站首页
AI生态中的更多整合
（MoreConsolidationinAI）
AI生态中现在不乏这样的担忧：未来方向即将被掌握在少数几家公司手中。AI版图已被九家巨头占据：Alphabet、Amazon、Microsoft、IBM、Facebook和Apple，以及中国的腾讯、百度和阿里巴巴。投资方面，则由IntelCapital、GoogleVentures、GEVentures、SamsungVentures、腾讯和In-Q-Tel等引领。对于任何技术领域来说，当少数几家公司主宰时，他们会倾向于垄断自身的创意和知识产权，也会视情况和他方展开合作。谈及AI的未来，我们应当思考整合会带来更好的前景，还是如电信和有线电视领域一样，可能带来一定的垄断和阻碍。
AI构筑无处不在的深度链接
(AIForDeepLinkingEverywhere)
移动深度链接已经随着智能手机的普及而普及，通过手机应用搜索和分享数据都变得更加容易。深度链接分为三种：传统、延迟和场景。传统深度链接能够实现你从一个应用或网站直接跳转至另一个已安装应用；延迟深度链接则导向应用商店，安装链接导向但本机尚未安装的应用；情景深度链接提供更为强大的信息，实现网站向应用、应用向网站、应用向应用的跳转，并且可以提供个性化功能。比如说，当你下飞机时，你可能会发现你的航程应用为你推送了一条导向Uber的链接。随着机器学习的发展，基于独立用户习惯的应用链接应用的体验会更普及。
AI为自己代言
(MakingAIExplainItself)
有人质疑AI正在成为“黑箱”，除了领域内的研究者之外，没有人知道最新系统是怎么运作的。这不完全正确，但却呼应了一些计算机与认知科学家、记者和法律学家现在的主张：AI系统不应该如此神秘。接下来，我们会争论AI是否应当能够解释自身决策过程，并且提供更多的透明度。这一主张的障碍在于，这样的揭示可能会泄露商业机密，以及不断停下来解释，可能会影响AI工作的速度和质量。
责任与信任
(AccountabilityandTrust)
很快，我们会到达一个无法判断数据集是否被干预过（无论有意无意）的阶段。如果我们不再信任AI系统输出的结果，那么数十年的技术进展都将付之东流。政府、商业还是非营利组织的领导者，都必须对自己所使用的数据和算法有自信。构建信任需要展示算法工作的流程，但这又与组织希望数据保密矛盾。
建立信任的方式包括，承诺机制的透明性，不必然损害个人数据；另外，请一位伦理学家来和经理人以及开发者一起工作，也可以减少算法中可能出现的偏见。
AI的中国式繁荣
（China’sAIBoom）
现今，中国正成为无可置疑的AI强国。中国的AI初创公司现在已经占据了领域内全球投资的48%，中国研究者拥有的AI研究专利数量也是美国研究者的5倍，人口优势则为科技创新提供了足够的未来需求，BAT几家引领性科技公司也在不断加大对AI领域的投入。同时，中国所能获取的丰富数据，也为应用与从教育到零售制造业等各行各业的AI的训练提供了数据基础。
算法数据特种部队
（I-TeamsForAlgorithmsandData）
随着数据和算法应用于我们的日常生活，媒体中一支用来调查AI的特别行动小组出现了。《纽约时报》、《华尔街日报》、Publica和《华盛顿邮报》都开始应用采访的核心技能来调查算法。技术越发展，AI系统的不透明度就越高。且不论AI最终的结果是如何输出的，仅仅理解信息从哪里来、如何传播、以及它具有什么影响，就都需要一定特殊的技巧。
对于算法的调查，其结果的紧迫性前所未有。路透新闻研究所的报告表明，在美国，41%的被调查者认为政府应该努力抵抗在线假新闻，英国和法国则是61%，而西班牙则超过了70%。
趋势二：计算新闻学
数据和算法怎样加持新闻业？
计算机摄影
（ComputationalPhotography）
计算机摄影是计算机视觉、计算机图形学、网络和摄影等技术的融合产物。不仅是单单依赖于光学过程，它同时应用了数字图像采集和生成技术，来捕捉真实生活。每一个智能手机用户现在都可以体验到计算机摄影。比如iPhone就使用计算机摄影来实现浅景深效果（人像模式）。
计算机摄影接下来还有许多可实现的功能：实时调节构图，产出多个角度的摄影作品；在图片中增减特定元素，调节光影效果；与此同时，MIT人工智能实验室和Google还联合开发了修饰照片和增强手机拍摄效果的自动功能。显然这会给记者带来一些伦理问题：多大程度上的修正是被允许的？而对应的，新闻从业者也应该开发一种技术，在将一张图片应用于报道之前，先看看它经过了多少修改。
一个处理过程的图示
计算新闻学
（ComputationalJournalism）
计算机辅助报道（CAR）是一项调查新闻应用的技术。记者寻找、清洗和挖掘公共记录与文件，处理数据并发现潜在的报道线索。在机器学习算法和AI的协助下，计算新闻学就是进化版的计算机辅助报道。
计算机新闻学技术包括多语言索引、自动写作、算法可视化、对于数据集的多维度分析和灵活的数据抓取，这些都可以帮助记者综合在数据中的发现，然后在事实、概念、关键词之间发现联系，从而找到人或组织之间的潜在关系。
此外，还包括一类技术叫做“众学”（crowdlearning）。这项技术可以从我们无意之间产生的数据当中，比如线上活动、定位和健康记录等，来挖掘到一些新的事实。初创公司Neura就是应用这项技术的一个范例。
Neura网站
脸部标记
（Faceprints）
系统现在可以根据我们面部的独特特征——骨架结构、肤色甚至毛细血管——来识别出我们是谁。“脸部标记”现在相当于指纹。比如去年，Apple就在iPhoneX中引进了人脸识别技术。英国的研究者还尝试在脸部识别时应用热感因素，日本的研究者也在用3D扫描来提升人脸识别——预期这项技术能够应用于年的奥运会。而这一项技术也面临着法律挑战，在获取用户的面部信息之前，应当在何种程度上得到他们的许可。
声音标记
（Voiceprints）
你的声音由许多独特特性集合而成，这种特性就是声音标记。新型机器学习技术能够通过听我们说话时的微小特征，来协助研究者识别我们是谁。这项技术可以帮助智能语音助手，为家里的每个成员定制对应的交互风格。卡内基梅隆大学的研究者甚至还发现了，如何只根据声音标记，建立起一个人面部的3D模型。
趋势三：区块链技术
区块链代表一种在一个分布式系统上分享和储存信息的方式，在这里身份和交易都被加密。它从比特币开始进化，从数字货币的边缘脱身成为主流。尽管这项技术还在发展中，它的广泛应用已经足以影响许多产业。因此，我们需要了解它与新闻业相关的关键主题。
代币经济
（Tokenomics）
区块链技术使商业公司能够创造代币（token），Token是指商业公司创造出来，以实现机构自我运作、激励用户和对所有利益相关者进行利益分配的价值单位。代币经济能够为媒体公司变现和分配的方式带来革命性的变化。
通常媒体都是依赖于广告与订阅两者结合的盈利模式——当然报纸也证明了这种模式能多迅速地被数字竞争者冲击。区块链可以实现零交易成本的小额支付，或者能允许用户降低月度订阅费用，却可以消费更多媒体内容。
适用于智能版税和自由职业者的代币
（TokensForSmartRoyaltiesandFreelancers）
以Ethereum为代表的平台，能够实现对新闻或音乐等内容版权的小额支付——通过自动生效的智能合约。比如说，每当一首歌已经播放了一段时间，它就会从听众那里给歌手拨过去一小笔钱。
类似的平台的创建有两个重点：给内容创作者以最大限度的所有权，和奖励创作内容。内容创作者会很快采用这一模式，因为这能让他们得到大多数收入，而不是要把大多数收入给分发平台。同时，创作者能让自己的版权更多地控制在自己手里，且能直接与受众互动。报告预测，新闻平台会迅速跟进这一模式，但会努力激励读者转向新的平台——毕竟单个记者缺乏足够的市场影响力和
本文编辑：佚名
转载请注明出地址 http://www.smartcarf.com/smartcarxn/7268.html
