深思考人工智能CEO杨志明：多模态语义理解，是机器能否实现智能的关键
介绍一下第一个落地场景，就是智能车联网数字座舱。传统汽车开车的时候就是驾驶室，驾驶室里有各种仪表，目前有很多汽车有大屏，这是传统的。有些厂商做语音识别，有一块屏做交互。在汽车发展过程中，在自动驾驶不断发展，智能车联网不断发展情况下，座舱发生了改变，我们称之为数字座舱。意思就是不再是一个简单的驾驶室，而是成为汽车在驾驶过程中的一个中央多模态信息的汇聚地。比如智能车联网场景下，汽车跟道路基础设施之间、汽车跟汽车之间、汽车跟互联网都能够做信息的连接和交互。汽车本身装了一些系统，通过视觉对车外的环境做感知与理解。很多汽车内部有很多传感器，比如温度传感器、有语音信息输入。在智能车联网有很多模态的信息，有手势的模态、语音的模态、图像的模态。数字化场景下这么多模态信息如何汇聚起来做综合理解，提供给人做互动，我们提供多模态语义理解与人车交互大脑。
我们用在车内，第一能对多模态信息进行理解，第二可以在座舱环境下实现人、车和家庭的连接。在汽车里面，对于一定的商务汽车，可以通过人车对话做智慧办公。另外我们还实现了RPA，传统的人机对话只是实现问答式，我们加入RPA自动软件机器人，不光跟你做人车对话，而且能够自动帮你完成一些事情，比如预定会议室、和家里的设备做联动、执行。在智慧驾驶场景下处理业务、家庭场景下进行健康咨询，也可以融入数字座舱的应用里。
第二个是汽车智慧营销场景。汽车里面，有用户的对话信息、线上咨询信息等等，我们把它综合起来做多模态语义理解。最后对用户进行自动建档、跟踪，以及大数据分析，为主机厂商销售提供闭环的大数据分析，以及助力4S店把车销售得更好。
第三，针对手机场景，跟手机厂商做深度战略合作。比如在智慧出行，用手机订酒店、订车票、饭店。像苹果Siri是一问一答式的，但一些事情不是通过一问一答就能完成，中间可能会穿插不同的场景。目前这块我们已经有一些突破，深思考的人机对话技术，不但能够实现上下文理解，还可以做到切换完场景之后，还可以切换回来，帮你自动完成这个任务。
另外在健康咨询这块，很多健康营养非常重要，比如妇女孕期的健康咨询，不用去医院，可以通过人机交互对话的方式，通过手机作为载体，实现健康里面的多模态语义理解和人机对话。
第四，智能家居人机交互场景。目前的对话体验远远不够，背后缺的就是语义理解，就是它能听见语音指令，但不能理解背后的场景。比如年初有一个媒体披露，我要订餐，不要日本菜，结果出来的都是日本菜。比如有一些厂商发布音箱的时候，无法进行上下文理解。说来一首梅艳芳的歌，然后再说换一首歌，就成了其他人的歌。如果用了多模态，就可以实现上下文的指代，说再换一首歌，出来还是梅艳芳的歌。比如调空调温度，传统的语音识别就是调到28度，它可以识别。但是我说，空调有点热，调到适合的温度，这时候就不能理解了。语义理解就可以起到这个作用，了解你的个性化信息和习惯，能够理解大白话。比如“调高一点”，它可以通过语义理解实现最终的意图。
第五，智慧医疗健康领域。
目前已经实现了大规模医疗早筛。为什么语义理解用在AI早筛呢？举个例子，宫颈癌的筛查，里面的细胞异常。单个细胞来看很难看出阴性、阳性或者病变。但是图像跟周围环境和相邻细胞位置关系、排列组合关系，可以判断出是隐性还是阳性。这就是语义理解，就是我能看懂这句话，这个图像背后的含义。
深思考落地的时候，重点关注AI的三驾马车——算法、算力和数据。在长文本的理解上，比如阅读一本书，传统人机对话技术需要搭建知识图谱和问答对。最新语义理解的技术，可以像人一样，看完一本书以后，问你这本书里面的问题。它对这本书里面的非结构化的文本进行多模态理解以后，可以像人脑理解以后再回答问题。人看完一本书去回答一个问题时，不会先整理出一个问答对或者知识图谱。人是凭着大脑的理解，回复别人问的问题。机器阅读理解的基本原理就是这样，在这方面，深思考是具备突出的技术优势的。
深思考具备了非结构化长文本的机器阅读理解，避免了传统语义理解或者智能客服，用大量的人力物力去构建知识图谱或者问答对。我们直接阅读非结构化文本，就像百度搜出来的文本就是非结构化的，一篇文章、一个网页都是非结构化的。
AI语义理解里面的关键点，实现了AI的落地场景的四个闭环。
第一，业务闭环。很多AI厂商提供一个单一的API接口或者某一块算法。这样很难深入到业务场景。我们深入业务场景，解决业务里面的关键问题，提供一站式解决方案，实现业务闭环。
第二，数据闭环。把业务场景下的数据从流入到流出，流入以后AI如何去学习，如何去整理这些数据，如何用这些数据构建AI模型，以及用AI模型更好地输出AI能力，解决产品落地当中的问题，实现数据闭环。
第三，模型闭环。AI模型闭环，AI模型通过半监督、无监督或者全监督学习，不断在线去训练AI模型。模型会在线训练，训练以后，可以以更强的能力去解决问题，用户会越喜欢用。越喜欢用，这个场景积累的数据会越多，就成一个良性闭环。最终还是打造一个产品闭环。
第四，产品闭环。落地时候不管是AI还是CI，最后还是解决用户场景下的服务问题。
总结一下，语音识别是听见的问题，图像识别是看见的问题，深思考主要聚焦听懂看懂的问题。未来随着5G和物联网的发展、产业互联网的发展，要深植与端和中央智能，成为万物互联里面的语义理解的大脑。未来的设备不光能听到、看到，而且能理解你、听懂你、看懂你，更好地为你服务。处处皆智能，万物可对话。
现在落地了大量的服务，像汽车、医疗、智能家居中一些头部客户的需求已经成功落地。
希望大家多多关注深思考人工智能。谢谢大家！返回搜狐，查看更多
科学网—为行业装上智能语义理解“大脑”
为行业装上智能语义理解“大脑”曹存根研究员（右3）与部分参加“中央企业熠星创新创意大赛”的参赛选手合影
与中国电信四年多的合作给了曹存根一条重要的体会：科研人员与各行业的运营人员好比人脑的两半，只有紧密地合作和高度的协作，才能产生智慧。
■本报记者赵广立
“现在中国电信客服正在走向智能化，用户可以直接跟服务台机器人对话咨询和办理业务，用户体验非常好。实现这一能力的背后，就有我们语义理解和分析技术的支撑。”
在采访中，中科国力智能技术有限公司（以下简称中科国力）战略行业事业部负责人向《中国科学报》介绍道，目前中国电信已经以某些省为试点推出了这种便捷的智能交互服务，下一步将在全国范围推广。
而这位负责人口中的“我们”——中科国力人工智能（AI）科学家团队，是推动中国电信智能客服这一嬗变的主角。
中科国力是以中科院计算所人工智能研究成果为基础成立的为垂直行业提供智慧运营解决方案的人工智能公司。该公司创始人、中科院计算所研究员曹存根是一位低调的探路者。
在接受《中国科学报》专访时，曹存根说得最多的是，“市场对AI有很多需求，但第一步是要将技术跟真实场景结合，把产品或服务做实”。
打造“电信大脑”
“客服话务员不是一个很好的工作，枯燥辛苦、薪资也不高、易引发职业病。”曹存根团队曾对话务员这一职业做过研究，他们发现，这种岗位流动率很高，新的客服人员也不容易招聘。
2013年，中国电信在调研了多家科技企业和机构之后，向曹存根团队伸出了橄榄枝。他们希望团队基于智能语义理解等先进的技术，搭建适应中国电信的智能客服云平台。
“通信行业作为信息化、数字化发展的领先行业，注定与人工智能有着天然的联系。”曹存根对记者说，他一直致力于带领团队将中科院在智能语义理解、知识管理、智能搜索、自动推理以及深度学习等领域的领先技术应用于场景化的产品落地，中国电信提出的需求代表了一类AI的主战场，也是个很好的技术实验场。
电信运营商有着庞大的客服运营体系。除了传统的营业厅、电话语音和短信服务，逐步拓展到微信、微博、APP、小程序等渠道，客户互动需求剧增。而受传统技术条件的制约，客服服务渠道彼此独立，前后台信息没有进行有效整合，客户从不同渠道获得的服务无法一致。与此同时，各类信息也因无法有效共享而难以发掘价值。
基于自主的语义理解和推理算法和深厚的积累，曹存根团队于2015年底交付了第一版智能客服平台解决方案。借助该平台的技术和开放能力，中国电信总部与各省级运营商先后在各个客服渠道开通了智能语音与交互应用。2016年5月，服务交互机器人“电信小知”上线；2017年，120多个互联网渠道机器人上线；2018年底，31省份互联网渠道机器人服务量突破5.4亿；2019年上半年，18省份上线“10000号电话机器人”。
“与智能语音不同，智能语义、意图理解和推理是AI的进阶。”上述事业部负责人认为，智能语义技术之所以可以如此充分地得到应用，就在于语义理解是认知层面的AI。“不同于听觉和视觉感知，后者扮演的是‘大脑’。”
曹存根告诉记者，团队的终极目标是为大型企业装备智慧“大脑”，使其不仅仅为企业客户提供高品质的服务，还能提升企业的科学决策水平，增强内部员工的学习能力，不断提升企业的运行效率。
借“鸡”下“蛋”
“智能客服云平台，构建了支持多渠道的智能交互方式，解决了大量简单重复的用户咨询和查询，不断分流服务压力。”曹存根介绍说，不仅如此，该平台还被用于客服人员的上岗培训及岗中培训，并拓展了“营服一体化”业务模式。
“客服成本很高。”曹存根告诉记者，运营商每通客服电话的综合成本在1.6元左右。对于运营商而言，客服量越大成本越高。如何节约成本？中国电信率先开展了“营服一体化”的试点。
“营服一体化”，顾名思义，就是在提供资讯服务中发现业务线索。要在客服电话中发现商机，背后提供支撑的，仍然是语义理解与分析、知识管理、智能搜索等AI技术。
这还不算，运营商甚至以此技术为基础，向政府、银行等客户提供“傻瓜式客服”服务。“那些在银行、政府机构上班的话务员可以不必再去死记硬背一些条条框框、新规新程式，基于语义理解，智能客服语义云平台会把与用户问题最相关的内容排序，话务员只须点选即可答复。”曹存根说，这一下解决了相关部门招人难、岗位流动率高、培训难等种种难题。
“积累多、算法强是我们的强项，在实践中，多轮交互的核心技术应用能力、多算法保障的智能语义识别准确率也在不断提高。”曹存根告诉记者，从电信行业切入，保险、银行、政府等都存在着类似的需求。目前他们也在将多渠道接入的智能语义能力平台等产品方案用于其他行业的标杆性客户，以AI技术赋能企业智慧运营。
做“实”不易
从接到需求到形成服务产品看似顺风顺水，但曹存根直言，从实验室技术到市场应用这条路，并不容易。
曹存根向《中国科学报》吐露心声：尽管他在中科院计算所带着不少学生，但整个项目，几乎没有学生参与——毕业后，他们才逐渐凭借兴趣加入到团队中。
个中原因就在于，“面向市场的技术跟实验室成果不一样”。
“我国研究所、大学很多，许多科研人员在实验室做的技术很‘完美’，效果、识别率都不错，但真的进入实际场景，有时差得不是一点半点。”曹存根说。
他举了几个例子。如果有客户跟交互机器人问：“明天广州下不下雨？”在实验室，回答“下雨”或“不下雨”，都是合格的；但是如果只做到这一步，是不足以满足市场需求的。“‘广州有40℃高温，天气炎热注意防暑’这个信息要不要告诉客户？要的。用户问出一句话，他想得到的信息比这句话的直接答案多得多。”
又如，几乎每个人都会写错别字，包括语音识别，错别字很多。“如果系统不能容忍甚至分辨出错别字，几乎寸步难行。”曹存根告诉记者，有统计显示，每100条消息中就有7~9条中含有错别字。在实验室做的系统不识别错别字，尚且情有可原，但是在市场服务中，客户会说，“错别字都搞不定，这个系统太傻了。”
“此外还有全称、简称、缩略写等情况，非常复杂。”曹存根说，表面上看这都是小事，但是这是用户习惯，是很影响体验的大问题。
也正因如此，做好语义理解与分析、提高识别准确率并非易事。用曹存根的话说，这就需要技术和业务场景的“磨合”。“一般需要两到三年的时间去打磨，很多创业公司就在磨合的过程中，死掉了。”
此外，曹存根对记者说，要“做实”，还要处理一些非技术因素。
起初，在中国电信调研建设智能客服平台阶段，有些省级运营商有强烈的顾虑。原因是各省份业务特点不一样，管理方式不一样。担心会被“统死”。
“后来电信业务人员和我们想出一招：统一建设、分省领养。”曹存根说，智能客服平台的建设好比造船，运载什么服务，各省级公司可以自行发挥。“先建设共性技术平台，然后根据各省份的特点拓展个性化平台，这种做法为每个省节约了很多钱——这也是技术跟真实业务深入对接的一种体现。”
“与中国电信四年多的合作给了我们一条重要的体会，科研人员与各行业的运营人员好比人脑的两半，只有紧密地合作和高度的协作，才能产生智慧。科研院所的先进技术也才能在国民经济主战场得到充分的应用和不断的改进。”曹存根最后补充说。
《中国科学报》(2019-07-11第7版信息技术)人工智能为媒体赋能
原标题：人工智能为媒体赋能人工智能有望改变媒体，重塑媒体的整个流程。未来，人工智能将融入到媒体运作的各个环节，但在媒体行业的落地，需要更复杂、更全面的架构。无论是人工智能本身还是其在传媒领域的应用，距离成熟都还有很长的路要走。当下，应基于媒体行业自身的数据构建具有针对性的人工智能系统，提升媒体与人工智能结合的成熟度。
人工智能媒体融合应用场景未来发展
媒体行业正处于融合发展的深水期和战略转型期，亟须找到媒体产业升级的新思路和新方向。随着人工智能应用的逐渐普及以及人工智能在媒体行业中一个个新的实际应用成果的诞生，我们越来越清晰地看到人工智能在推动媒体融合发展中的作用。人工智能给媒体行业带来的影响是深远的，推动着媒体运作流程中每个环节的变革，人工智能正成为媒体纵深融合的关键着力点，为媒体向智能化发展赋能。
人工智能+媒体：应用场景多元
大数据时代为媒体带来了前所未有的丰富数据资源和先进数据科学技术，但同时媒介环境变化也给行业的态势带来深度的影响。如今，受众呈现出分散化、复杂化的特征，信息量指数式增加，传统的内容生产、分发的方式及传受关系已不能满足时代的需要。媒体和媒体人正试图探索人工智能给智能媒体变革带来的新机遇，并积极寻求人工智能在传媒领域的落地。
人工智能在媒体有着巨大的应用空间，事实上，人工智能与媒体实际应用的结合已经有许多成功的案例并且在许多方面有着出色的表现，媒体行业对于人工智能技术直接或间接的运用正在不断发展,并将推广到更广泛的新场景。
高级文本分析技术
基于自然语言处理技术的文本分析技术是人工智能重要技术领域。自然语言处理（NLP）可以分析语言模式，从文本中提取出表达意义，其终极目标是使计算机能像人类一样“理解”语言。基于内容理解和NLP的写作机器人为记者赋能，可以模拟人的智能和认知行为，实现机器的“创造力”，经过对大量数据的分析和学习，形成“创作”的模板，用人机结合的方式来强化记者的写作能力。国内的媒体积极地将这一技术作为媒体内容生产方式的创新，如新华社的“快笔小新”，南方报业的“小南”等。百度人工智能开放平台推出的NLP产品“新闻摘要”，其技术原理是基于语义分析和深度学习模型，进行新闻内容的语义分析，自动抽取新闻内容中的关键信息，并生成指定长度的新闻摘要，可用于热点新闻聚合、新闻推荐、语音播报等场景。
图像和视频识别技术
图像和视频识别可以基于深度学习进行大规模数据训练，实现对图片、视频中物体的类别、位置等信息的识别。图像主体检测可以识别图像的场景、图像中主体的位置、物体的标签等。人工智能视频技术则能够提供视频内容分析的能力，对于视频中的物体和场景进行识别并能够输出结构化标签。
图像和视频技术在媒体中应用十分广泛，如内容分析、质量检测、内容提取、内容审核等方面。以媒体内容监测为例，有了人工智能图像视频技术的加持，使得非结构化媒体数据采用机器审核成为可能，通过数据集的训练建立用于审核的模型，针对画面中的元素进行追踪，对于图像及视频中的不恰当、有争议或违法内容、敏感内容、低俗内容等进行识别检测，进行标注和报警，以进行过滤和处理，可以大大减少人力的投入。
语音技术
人工智能语音技术主要包括语音识别和语音合成，它是一种“感知”的智能。自动语音识别（ASR/AVR）是基于训练的自动语音识别系统，将物理概念上的音频信息转换为机器可以识别并进行处理的目标信息，如文本。语音合成技术是通过深度学习框架进行数据训练，从而使得机器能够仿真发声。一些智能语音开放平台也提供了智能语音服务。以科大讯飞构建的智能语音开放平台为例，科大讯飞的语音输入法准确率已经能达到98%，并且输入的速度提高到了每分钟400字。越来越多的媒体开始使用科大讯飞的语音技术。
随着语音转换技术的日渐成熟，“语音-文本”双向转换技术在媒体中的应用成为可能。例如将语音识别技术在采编环节中使用，生成文本稿件并进行二次编辑。运用人工智能智能语音编译系统，将现场的语音报道生成文字版，大大提升了编辑人员原本耗时的整理工作的效率。将媒体的视音频内容转化成为文本素材，提升了媒体稿件、节目素材管理的效率。由于需要应对媒体音频和视频文件声源的复杂性和不可控性，虽然目前生成的文字稿件并不完美，但也在不断地提升和改善。
语音合成技术可以基于深度学习模型，把媒体报道的文章从文字版转换成语音版，并且接近于逼真的人声。甚至可以根据不同受众群体的需求，针对性地生成特定的声音供用户收听，打造更贴切、更有亲和力的语音体验。
人脸与人体识别技术
人脸识别是人工智能的应用中最为人所熟知的，它属于计算机视觉领域（CV）。目前人脸识别技术的主要应用包括人脸检测与属性分析、人脸对比、人脸搜索、活体检测、视频流人脸采集等方面。谷歌、苹果、Facebook、亚马逊和微软等互联网巨头争相在这一领域的技术和应用方面抢夺先机，纷纷推出相关的技术应用并不断突破创新。2018年5月的媒体报道称，亚马逊积极推广名为Rekognition的人脸识别服务，该解决方案可以在单个图像中识别多达100个人，并且可以对包含数千万个面部的数据库执行面部匹配。Facebook使用简单的人脸检测算法来分析图像中人脸的像素，并将其与相关用户进行比较，为上传到平台上的每张图片提供了自动生成的标记建议，取代了手动图像标记。
个性化推荐技术
传媒领域的大部分产品如电影、新闻、书籍、音乐、广告、文化活动等都致力于吸引受众阅读，聆听和观看媒体生产的内容。发现目标群体并把内容传播给该群体是能否达成媒体传播效果的关键一环，而个性化推荐技术解决了这一难题。这是目前在媒体中应用较为成功的人工智能技术，在媒体的内容分发过程中，个性化推荐技术为用户提供个性化体验，针对每个特定用户量身定制推荐内容，减少搜索相关内容所花费的时间。与此同时，对于人们所担忧的，由于算法主导的精准分发过程只推荐感兴趣的内容，会导致用户陷于信息茧房的问题，研究人员目前也在试图改进算法，开发“戳破气泡”的应用技术。例如BuzzFeed推出的“OutsideYourBubble”、瑞士报纸NZZ开发的“theCompanion”程序、Google的“EscapeYourBubble”等。
预测技术
现在已经开发出来的一些强大的基于人工智能的预测技术，让我们可以“预知未来”。通过时间序列（TS）建模来处理基于时间的数据，以获得时间数据中的隐含信息并作出判断。按照一定时间间隔点来收集数据，再对这些数据点的集合进行分析以确定长期趋势，以便预测未来或进行相应的分析。
当拥有时间相关数据时，时间序列模型将派上用场。例如，可以使用时间序列数据来分析某一家媒体下一年的用户数量、网站流量、影响力排名等，从而在广告投放方面作出合理决策。另外，如何及时地抓住社会热点是新闻机构所面临的重要问题，人工智能预测技术通过对海量的热点内容的模型进行训练和分析，建立热点模型，可以实现对于热点趋势的预测。
媒体需要思考的问题
人们越来越清晰地看到人工智能给媒体带来的意义与价值。在融合的时代背景下，媒体迫切需要人工智能带来推动媒体变革的潜力。与此同时，我们也不能认为人工智能可以解决媒体变革中的一切问题，技术并不是一块现成的、可以直接拿来享用的蛋糕，在媒体应用人工智能时，还需要着手考虑许多问题。
数据的完备性
媒介体系内部和外部都会产生大量的数据碎片，虽然目前数据量庞大，看似拥有海量的数据资源，但是生产的数据与可以用于人工智能的培训数据之间的匹配度还有待提升。在深度学习算法中，需要用大量的数据训练算法才能产生有意义的结果，数据的不完整性会导致准确性的下降，而准备这样的数据集的成本很高。为了实现大量的用户行为数据的积累，提高数据的完善程度，媒体需要构建大规模的数据体系和战略。为了实现人工智能在媒体中的进一步部署，媒体需要具备完备的数据源和处理更为庞大的数据系统的能力。
深度融合的方式
目前，人工智能技术还停留在初步应用层面，其深度还需要挖掘、广度还需要扩展，融合的方式也需要深入地进行探索。人工智能在媒体领域的大部分应用只是将现有的研究成果迁移到媒体行业，如果媒体想要更深入地参与到人工智能潮流中，就要积极地投入到算法的开发中，在人工智能领域中开辟出自己的空间，如此，才能使人工智能在媒体行业应用更加成熟。
数据安全与隐私
当人工智能应用飞速发展，人们很容易忽略在人工智能应用中的安全问题。2018年Facebook的数据泄漏事件折射出的数据安全漏洞引起社会关注，再一次提醒我们要严肃对待数据安全及隐私等问题。用户在媒介接触的过程中，用户数据和个人资料越来越多地交付给媒体，媒体在使用这些数据为用户提供更好服务的同时，需要权衡智能化用户体验和用户数据安全之间的关系。欧盟发布的通用数据保护条例（GDPR）于2018年5月25日正式生效，根据其条款，组织不仅必须确保在合法和严格的条件下收集个人数据，而且收集和管理个人数据的组织将有义务保护其免遭滥用和泄漏，并尊重数据所有者的权利，旨在确保人们可以掌控其个人数据。
坚守媒体的价值观和底线，保障数据安全，尊重用户隐私十分重要，媒体应思考在保护用户数据方面是否存在漏洞以及如何落实相应的人工智能安全策略。
人才培养
媒体领域对于人工智能人才的需求量还很大。要走出人才窘境，一方面要完善人才引进和培养规划，提升媒体从业人员的大数据和人工智能技能和素养，补齐人才短板。特别是要引进掌握坚实的传播理论基础，既懂媒体传播规律又懂大数据、人工智能的复合型人才，逐步形成与智能化媒体业务形态相适应的人才布局。另一方面要优化原有人才结构。当智能机器人取代部分人力成为可能，智媒时代的媒体人要在行业的巨变之中找准自己的定位，提升自己的知识技能。无处不在的“共享”和“开源”的知识使我们学习和了解人工智能行业前沿技术，例如Google发布的机器学习工具AutoML，用户无需掌握深度学习或人工智能知识即可轻松培训高性能深度网络来处理数据。
媒体和媒体人要拥抱媒体智能化的时代，破除对于新技术的“恐慌”，加快知识体系更新，使专业素养和工作能力跟上智能时代的节拍。
智能媒体：未来无限可能
虽然智能机器距离接近人类学习、思考和解决问题的能力还很遥远，但是机器取代人力是大趋势。人工智能将不断地从媒体生产链条向内容创建生产环节突破，从而帮助媒体进行内容升级和用户体验升级。
内容生产是未来人工智能在媒体行业实现新突破的重要方面，虽然人工智能目前不能超越人类的创造力，但可以承担起一部分信息收集、数据整理和内容创作的工作，将媒体人从一些重复性的繁冗工作中解放出来，从而节省出时间用于创作和创造性工作。媒体也应积极探索新的与人工智能结合的工作方式，使得工作更高效智能。
此外，人工智能将通过多种方式增强并带来更好的用户体验。通过学习用户行为，了解受众偏好从而使用户获取到感兴趣的内容，并根据用户画像定制个性化的内容。运用人工智能技术捕获处理数据，精准理解用户需求，可帮助媒体实现更加精细化的用户划分和用户分析，提供更加人性化的服务。人机交互使得用户体验更加立体化和场景化。
人工智能有望改变媒体的一切，重塑媒体的整个流程。预计未来人工智能将融入到媒体运作的各个环节。但无论是人工智能本身还是其在传媒领域的应用，距离成熟都还有很长的路要走。人工智能在媒体行业的落地，需要更复杂、更全面的架构。构建以大数据和人工智能为核心的技术生态体系，基于媒体行业自身的数据构建具有针对性的人工智能系统，提升媒体与人工智能结合的成熟度。目前人工智能技术在媒体行业的应用并不完善，但并不阻碍我们对于其发展前景的期待。
如何充分地发掘人工智能的潜力是媒体和媒体人面临的大命题，我们应思考人工智能如何更好地与媒介进行结合，尝试在融合发展面临的问题中加入人工智能解决方案。未来，机器与人的共生将成为媒体常态，我们期待人工智能为媒体带来更好的未来，在技术的助力下走向真正的智媒时代。
（作者沈浩系中国传媒大学新闻学院教授、博士生导师；杨莹莹系该院新闻与传播专业媒介市场调查方向硕士生）
(责编：赵光霞、宋心蕊)分享让更多人看到