人工智能将对媒体业带来哪些变革
内容分发是沟通内容生产与消费的枢纽所在，是内容产业运行的核心机制。为了提升内容分发效率，人类一直在不断创新和优化内容分发方式。
在大众媒体时期，内容分发主要依靠职业编辑人员的手工操作来完成。在互联网产生初期，新闻网站和门户网站也延续了这种内容分发方式。这种依靠编辑手工操作的内容分发方式，不仅分发效率低，而且难以满足个性化需求。此外，这种分发方式发挥作用的前提是有限的内容供给，一旦内容供给海量化，这种分发方式将难以成立。
互联网的产生打破了内容供给的时空限制，使得网上内容走向海量化。这对以网络编辑为主体的内容分发方式形成了挑战，从而导致内容供给的“堰塞湖”问题，用户越来越难以高效率获取其所需要的内容。
为了解决这一问题，搜索引擎把人工智能率先引入了内容分发领域，试图通过机器算法为每一个问题提供最精准的答案。凭借人工智能的精准匹配，搜索引擎在固定互联网时期构建了第一个全网的内容产业生态体系。
内容分发效率的提升，也反过来推动了各类内容的互联网化。搜索引擎所构建的这种内容分发方式也并不完美，其精准匹配建立的前提是用户能够提出相对明确的需求，但是用户有时候对自己的需求并不明确，这需要用户在浏览信息中不断明确自己的需求。
在SNS、微博、微信等社交平台兴起以后，“社交分发”成为新的内容分发方式。社交分发的核心是激活用户的参与行为，通过用户的转发、共享、点赞、评论等方式，扩大内容的传播范围和影响深度。社交分发是建立在用户认同的基础上，利用用户的社会关系网络和个人品牌背书而产生的传播方式。
用户认同是社交分发的前提和基础，如果产生强迫分发行为，不仅会引发用户的集体反感，而且会破坏个人品牌及其社交关系，甚至损害社交平台的品牌形象。虽然个人的社会关系维度是多元化和多层次的，但是在社交分发中却缺少对这些影响因素的考量，同一化分发的长期结果则是降低用户的活跃度，甚至让用户逐渐远离社交平台，使其逐渐成为功能单一化的社交工具。
为了满足用户的个性化需求，智能推荐在固定互联网时期就已经出现。虽然固定互联网时期的智能推荐与移动互联网时期的智能推荐在工作原理方面相似，但是智能推荐在固定互联网时期并未成为主流的内容分发方式，直到移动互联网时期才成为主流的内容分发方式。其原因有两点：
第一，移动互联网时期智能推荐的数据维度更加丰富，不仅对用户刻画的维度从IP层次提升到ID层次，而且还可以加入使用场景、社交关系等多维数据。
第二，在移动互联网时期，用户接触内容的场景更加丰富、内容消费时间更长，可以更好地记录与刻画用户的内容偏好。
因此，由于用户内容消费数据的丰富，以“今日头条”为代表的智能推荐集合了网络编辑分发、搜索引擎分发、社交分发等分发方式的优点，可以更好地满足用户的个性化和个人化需求，从而增强用户对智能推荐平台的黏性，使得智能推荐成为主流的内容分发方式。
内容生产：人工智能将丰富内容生产方式
在大众媒体时期，虽然在“言论自由、出版自由”的制度框架下每个人在理论上都可以成为内容生产者，但是并不是每个人生产的内容都可以从大众媒体分发出去。
这是因为大众媒体产业在发展过程中形成了“许可证制度”或“垄断性市场竞争”，这种市场格局使得内容生产成为具有一定门槛的专业化领域，大众媒体的内容主要由专业人士和专业机构来提供。而普通人生产的内容则需要经过专业人士的编选，才有可能获得在大众媒体上曝光的机会。
在互联网产生初期，虽然互联网产业延续了大众媒体的内容生产方式，要么自建专业内容生产队伍，要么免费或付费转载传统媒体的专业化内容，但是互联网与大众媒体的差异化逐渐凸显出来，互联网上的专业生产内容（PGC）已经不能像大众媒体一样专享用户的注意力资源，而是被互联网上的游戏、社交、论坛等占用了大量用户注意力资源。
为了获取更多的用户注意力资源，降低内容生产成本和满足用户的多样化需求，用户生产内容成为互联网新的内容来源。但用户生产内容的水平参差不齐、难以进行人工审核、缺少持久创作机制等问题，也让用户生产内容难以获得互联网平台的青睐。因此，互联网平台也一直渴望引入新的内容生产方式，包括把人工智能引入内容生产领域。
首先，人工智能对内容生产的改变体现在数据来源方面。
在人工智能产生之前，内容生产所采用的数据主要是文字、图片、音频、视频等人类可以识别与处理的结构化数据，所有的内容都是基于这些数据组合的基础上生产出来的。而人工智能所能识别和处理的数据已经不再局限于这些结构化数据，还包括各类人类无法直接识别的非结构化数据。
虽然人类对于这些非结构化数据的认识和利用才刚刚开始，但是这些数据所展示的潜在价值远远超出人类想象。随着各类物联网感知设备的普及，人类将获取越来越多的结构化数据和非结构化数据，这将为内容生产带来丰富的数据资源。
其次，人工智能对内容生产的改变体现在生产的模块化方面。
在内容生产过程中，已经积累了丰富的生产经验，也形成了各类内容的标准化模板。在人工智能产生之前，内容生产的标准化模板只是隐藏在生产人员的个人经验和生产流程的标准化过程之中，这种标准化模板的实现对人的依赖性比较大。
在人工智能引入内容生产之后，这种标准化模板可以被人工智能所学习，从而为内容生产提供各类辅助性工具，这就可以实现内容生产的模块化，甚至是部分内容的自动化生产。
因此，在人工智能产生之前，内容产业是一个劳动密集型产业，内容生产主要依靠人工操作来实现。人工智能产生之后，可以取代标准化的体力劳动和智力劳动，进入内容生产领域。这将丰富内容产业的生产方式，提高内容生产效率，降低内容生产成本。
媒介形态：人工智能将成为“个人生活智能助理”
在大众媒体时期，根据媒介的物理属性不同，纸质媒介形成了空间性的媒介形态，而电子媒介则形成了时间性的媒介形态。而到了互联网时期，互联网打破了时间性媒介和空间性媒介之间的界限，再加上互动性等新技术特征，创造了更多的媒介形态。
在已有的媒介形态中，无论是用户的被动接受还是主动获取，用户是内容消费的主体，所有的内容生产都指向于用户的理解、记忆、遗忘等自然能力。在人工智能产生之后，人工智能将成为内容生产者与用户之间新的媒介形态，将以“个人智能生活助理”的形式为用户提供服务。
未来在VR/MR/AR技术的支撑下，人工智能甚至可以以拟人化形象向用户提供服务。人工智能可以提供两种服务：
一种是代替用户筛选各类内容，满足用户的个性化消费需求，这种服务并不改变用户的消费主体地位。另一种则是代替用户成为部分内容的生活主体，负责处理与用户相关的各种生活和工作信息，并向用户提供各类生活和工作建议，甚至代替用户自动化处理。
在第二种情形下，内容生产的对象不再面向用户，而是面向人工智能，这将改变内容生产的原有形式和内容。比如广告信息，已经不能再以简单的广告语来说服人工智能，可能需要提供多维化的产品信息，由人工智能进行产品与用户的智能化匹配。
您可能感兴趣的是返回搜狐，查看更多
人工智能分类浅谈
文章目录前言一、什么是人工智能？二、人工智能的分类1.按学派分类2.按能力分类3.按业务领域分类4.按学习方式分类5.按实时分类6.按学习步骤来分7.按学习技巧来分8.按学习轮次来分9.按模型种类来分10.按任务来分11.按模型来分前言本文将粗略介绍人工智能的分类
一、什么是人工智能？通过学习掌握了某种技能的机器，我们认为他具备了人工智能。
二、人工智能的分类1.按学派分类符号主义：又被称为逻辑主义，心理学派，专家系统。该学派认为人工智能是源于数学逻辑的，该学派认为人类认知和思维的基本单元为符号，把这种符号输入到能处理符号的计算机中，从而模拟人的认知过程来实现人工智能。
连接主义：又被称为仿生学。该学派是基于神经网络及网络间的连接学习算法的智能模拟方法。
行为主义：又被称为进化主义或控制论学派。研究的是一个群体的行为。
2.按能力分类弱人工智能：只能处理单一的问题，该模型如果被训练为识别猫狗分类，那么他就只能够处理这个问题。
强人工智能：在各个方面都能够和人类相比。
超人工智能：在各个方面的远超人类。
3.按业务领域分类信号领域
图像领域：识别/侦测，跟踪，切割，生成
语音领域:
自然语义
自动化
4.按学习方式分类有监督：每条数据都有对应的标签。如在训练手写数字识别的时候我会告诉网络传入的图片所对应的数字。高效但成本高
无监督：在训练网络的时候，只给网络对应的数据没有标签，不告诉网络图片对应的数字。成本低而且泛化性能较好但效率低
半监督：输入网络的数据只有部分数据有标签。（少量包含标签的大量无标签的）
自监督
5.按实时分类在线学习：推理和学习是同时进行的。
离线学习：学习完成之后在使用。
6.按学习步骤来分非端到端学习：数据在输入模型之前需要认为进行特征提取。传入模型的不是原始数据，而是经过处理之后的特征。特征提取比较难，对最终的结果影响大。
端到端学习：数据直接输入模型得到输出，特征提取是由模型自己提取的。当任务比较复杂的时候学习起来比较困难。
7.按学习技巧来分迁移学习：在已经训练好的基础上继续学习新的任务。如某个模型已经学会了识别猫狗，我们在这个基础上继续学习识别飞机，船等。
元学习：元学习学习的数据的本质特征
级联学习：将任务进行分解来进行学习
递增学习：逐级增加学习的难度
对抗学习：两个网络相互竞争从而来进行学习
合作学习：分工合作学习
8.按学习轮次来分N-shot/Few-shot
one-shot
zero-shot
9.按模型种类来分判别模型
生成模型
10.按任务来分回归/拟合/函数逼近：当模型的输出为一个具体的数值时为回归任务如预测物体的所在的坐标点时。
分类
聚类：聚类和分类本质上都是把数据分开，区别时聚类为无监督学习。我不知道这堆数据里面有几个类别也不知道哪些是具体的哪一类的数据。
特征提取/降维/主成分分析
生成创作
评估与规划
决策
11.按模型来分统计：传统的机器学习，非端到端学习
仿生：神经网络