人工智能时代的舆论引导
良好的舆论环境是国家和社会健康、稳定发展的重要构成要素。中国正处在政治、经济、文化全面改革的新时期，技术的蓬勃发展使得多元的文化、观点乃至价值观的碰撞和冲突不仅发生在现实生活中，更频繁出现在互联网世界里。在互联网环境中，信息扩散速度极快，尤其是在突发性社会事件中，如果官方机构和传统媒体在舆论酝酿阶段未能及时察觉、正确引导，区域性的社会事件便有可能迅速发酵成大型舆情事件，演变成更大范围内的公共危机。
人工智能提升了信息生产和传播的精度、效度、速度和广度，信息获取传感化、信息生产机器化、信息分发个性化、信息交流匿名化、信息反馈智能化[1]等新的信息交换形态的出现，都给舆论生态系统的维护带来新问题。但从另一个角度看，以大数据和算法为依据的人工智能技术的研发和应用，也为革新舆论引导方式、提升舆论引导能力、全面满足新舆论生态下受众对信息的及时性、差异化要求并引导公众更理智地参与议题讨论提供了新的可能。
一、网络时代舆论引导的困境
网络舆情高发在中国迄今已经有十年的历程。有研究者通过梳理2000年-2017年CSSCI来源期刊中已发表的舆情研究相关文献，对网络舆情的发展历程进行了回顾，研究发现，自2009年起，网络舆情影响力不断壮大，并迅速进入高速发展阶段。[2]随着大数据、移动化、智能化技术广泛应用，网络舆情在数量和影响力上又得以跃升。事实上，近年来舆情事件不再是单一的媒介传播，而是多媒体的交织传播。舆情的多源性和舆论呈现出的跨媒介的融合传播，促使舆情发酵速度与热度提高、职业群体立场或利益代言现象多发、网络谣言和舆论反转增多、舆情“邻避效应”和“双重标准”常见等特点和趋势[3]，引发多重社会问题及信任危机。
有文章指出，网络舆情是通过舆情信息了解社情民意的重要窗口。我们可以通过网络了解网民的真实想法，是顺畅民意诉求的一个非常重要的平台，对于缓解和化解社会矛盾有一定的积极作用。网络舆情是公众对政府进行监督的有效手段。它能促进政府公开、透明、公正地解决社会问题，对于提升政府公信力，提升政府和官员形象有着不可替代的作用。因此要以积极的态度来对待网络舆情、开展应对处置与引导工作。
营造积极、正面的舆论环境需要网络媒体、社交媒体和自媒体等新的传播主体与传统媒体的全面配合，蓬勃发展的新媒体虽然传播速度快、受众范围广，但其权威性较低，生产的内容质量参差不齐，在舆论引导层面难以发挥积极作用。不仅如此，一些网络媒体为了吸引用户，增加转发、评论、点击量，不惜大量制造低俗内容、标题党文章和假新闻，引发谣言传播，威胁社会稳定，给权威机构、官方媒体增加了不小的工作量。与此同时，算法决策技术在内容分发环节的应用，不仅造成了同质化信息的大量推送，也助长了低质量信息的进一步传播。
传统媒体曾经是舆论引导工作的主力军。在网络媒体、社交媒体和自媒体等新的传播主体的冲击下，传统媒体公信力和影响力都有所下降，一些突发事件中，传统媒体在信息传播速度、广度上甚至呈现出落后于新媒体的态势。近年来，各政府部门、官方媒体都在微博、微信等主要社交网站平台上创建了账号，积极回应互联网影响下快速、及时的信息传播形势，并初步取得了正面效果。然而，当人工智能技术全面进入信息的生产、传播、消费过程时，一方面，基于互联网大数据的内容生产和技术本身的不确定性使得内容的质量和内容的价值在整体上不断下降；另一方面，被又一次加速了的信息生产、传播、消费又给舆论引导带来了新的问题。这一切都给传统媒体的舆论引导工作提出了新挑战。
二、利用大数据与自然语言识别，预测网络热点及舆情走势
引导舆论，也需要深入研究、分析舆情因变事项的发生、发展和变化的规律。互联网舆情高发的十年里，不同阶段舆情呈现了不同的特征。人民网的研究报告显示，2018年舆情更多表现为城市居民对民生和安全的关切，不同于之前聚焦困难群体的生存问题、体制机制议题。在2018年的前20件热点舆情事件（话题）中，民生与公共安全领域的问题占据一半；西部地区网络舆情事件（话题）呈现出走高趋势，舆情热度板块出现“下沉”的特征；舆情加速“下沉”到区县级，并更多地聚焦于身边琐细的生活诉求，“幼儿园虐童事件”“高铁霸座、殴打公交司机等乘客霸凌行为话题”等小热点，却酿成大舆情；舆情热点进一步向城市中等收入群体转移，比如各地陆续出台人才引进的优惠政策、个税改革、顺风车乘客遇害系列事件、房地产税等话题，均引发海量关注。医疗、教育、社会公共安全等“老话题”仍凸显，表明社会各阶层对获得感、幸福感、安全感的诉求日益强烈。
舆论引导的前提是对现有舆情的准确把握，预测就是非常重要的前提。预测是大数据治国的核心[4]。庞大的互联网数据库、完备的数据资源的调配及使用模式的构建，有利于帮助传统媒体和官方机构成功预测网络热点及舆情走势，将危机治理的思维模式从事后补救直接转为事前预防，增强传统媒体和官方机构在舆论治理中的主动性，降低治理成本，提高舆论引导效率。
学界和业界就网络舆论的监测和预测的研究已经持续了很多年。GeorgeH.Chen、StanislavNikolov、DevavratShah以Twitter数据为样本，对互联网用户发布信息的时间序列的最近邻类分类的有效性进行研究，以此开发出了一个时间序列的潜在源模型（alatentsourcemodelfortimeseries）[5]，并运用该模型成功预测了Twitter上的哪些新闻主题可能成为舆情热点。实验证明，这一模型能够比Twitter的热门话题榜提前79%的时间检测到潜在的舆情热点，平均早期优势为1小时26分钟，预测有效性高达95%。
因此，数据技术、智能技术在舆论预测中起到了关键性的作用。成功的预测除了成熟的数学模型，还需要大量可靠数据的支持。互联网记录了用户包括信息搜索、浏览、发布、评论在内的所有线上行为，相较最初的数字和文字信息，现在的数据呈现形式已经越来越多样化，除了文字之外，图片、语音、视频也是重要的信息载体。目前语义分析技术和图像识别技术、语音识别技术等自然语言识别技术在实践中已得到了广泛应用，利用上述技术对互联网上的信息进行转化和收集，则可为舆情监测和预测的模型建构提供数据基础。利用自然语言识别技术、语义分析技术，对互联网上的海量数据进行处理，对网络舆论进行实时监测、预测，并通过模型建构，对网络热点和舆情走势进行预测，有利于未雨绸缪，及时就不同的舆论事件准备应对措施。
三、以算法推送改进内容生产及分发模式，优化议程设置
有报告显示，智能分发平台上的短视频在政务公开、宣传引导、社会服务与社会治理中作用不断加强，它们容易增强网民信任感与参与感、推动舆情快速发酵及广泛传播。如去年的“8·27”昆山持刀砍人案、高铁乘客“霸座”事件中短视频平台的影响力非常大。网络媒体、社交媒体和自媒体等新型话语主体的活跃影响了议程设置主体的构成，议程设置主体的多元化又进一步重构了舆论引导的格局。实践证明，新媒体环境中政府、媒体及官方机构的议程设置在突发事件、群体性事件、公共危机中依然发挥着强有力的正面作用。据统计，在政府响应的400起社会舆情事件中，借助政务新媒体作为信息回应渠道的41%，成为舆情响应与信息互动的主要阵地[6]。机器写作与算法推送技术的应用，有利于确保官方机构和主流媒体在舆论引导工作中实现快速反馈、灵活交互、精准匹配的议程设置。
在信息总量大、变化速度快的互联网海量数据面前，机器写作通过准确、快速的数据抓取和处理，能够充分满足移动阅读环境下受众对信息内容的即时性需求。利用机器写作技术快速、精确处理庞大数据的优势，对传统媒体原本就很完整、成熟的采编、写作系统进行优化，既能够加快内容生产的速度，配合信息发布的时效性，又能够帮助官方机构和主流媒体针对不同网络平台各自的内容呈现形式，配合不同的互联网用户群体进行与其阅读兴趣相符的内容生产。
算法推送技术能够通过用户反馈的浏览、转发、评论、点赞等数据完成对“用户兴趣”的画像，并依据上述“画像”对用户进行精准的内容推送。从某种程度上说，算法推送技术决定了用户接收信息的内容和形式，从而影响着用户对特定议题的认知与态度。换言之，这项技术本身就带有议程设置的属性。算法推送技术在实践中一直面临着营造回音室效应的质疑，转换技术使用思路，将这一技术应用于舆论引导，反而可以通过在技术使用环节中人工干预的加入，打破片面基于用户兴趣的信息供给而形成的信息茧房。利用算法推送技术进行议程设置，根据用户的习惯和偏好，完成内容精准推送，有利于强化内容传播的针对性，促进信息的有效传播。
面对信息快速传播、网民实时互动的舆论环境，舆论引导工作也应在及时性、差异化、互动性层面做出相应调整，从“单向设置媒体议程”转向“主动回应公众议程”，从“表层情绪控制”转向“潜在情绪引导”，从“运动式意见治理”转向“对话式凝聚共识”[7]。在已经搭建好政务新媒体平台的前提下，人工智能技术的引入有利于改进内容生产及分发模式，并有针对性地展开引导舆论，组织网民之间和网民与政府、官媒及其他官方机构之间理性、有序、良性的互动。
人工智能技术在提升舆论引导能力的同时，也对这项工作提出了更高要求。从革新舆论引导形式的角度看，技术的开发和应用诚然令人欣喜，然而也应该看到这项技术本身存在的弊端。目前，人工智能技术的发展尚处于“弱人工智能”阶段，内容的生产、分发等各个环节的人工智能技术应用大都还是依赖互联网大数据的基础性功能。在实际应用过程中，除了不法分子开发恶意误导舆论的“机器人水军”之外，即便在良性应用的情况下，人工智能技术本身也引发了诸如回音室效应、隐私侵犯、技术透明度等伦理问题与争议。因此，在利用人工智能技术提升舆论引导能力的同时，也应结合智能时代的特点，塑造正确的信息价值观，加强在人工智能技术应用过程中的人工干预，发挥“把关人”的作用，全面筛选并及时删除不实信息，优先推送有质量的权威信息、深度报道，矫正人工智能技术在实际应用中的负面效应，全面优化舆论引导工作。（作者林嘉琳系清华大学新闻与传播学院博士生；陈昌凤系清华大学新闻与传播学院教授，常务副院长。本文为清华大学2018自主科研计划成果）
【注释】
[1]李丹珉,谢耘耕,李静.人工智能时代新技术对舆论生态的影响及治理研究[J].新媒体与社会,2018（03）:37-49.
[2]林育曼,黄佳丹,饶浩.基于CSSCI的国内舆情应对策略研究可视化分析[J].传媒,2019（01）:85-88.
[3]刘鹏飞.从近年案例看舆情引导规律[J].新闻与写作,2017（03）:9-12.
[4]唐皇凤,陶建武.大数据时代的中国国家治理能力建设[J].探索与争鸣,2014（10）:54-58.
[5]ChenGH,NikolovS,ShahD.ALatentSourceModelforNonparametricTimeSeriesClassification[J].AdvancesinNeuralInformationProcessingSystems,2013:1088-1096.
[6]刘鹏飞.从近年案例看舆情引导规律[J].新闻与写作,2017（03）:9-12.
[7]张志安,曹艳辉.大数据、网络舆论与国家治理[J].社会科学,2016（08）:3-12.
人工智能整体技术体系和国内外发展情况
尽管在目前获得了一定的成功，但机器学习算法的机理仍然是统计拟合、暴力计算，并不具备真正的基于理解的学习、推理和决策能力，因此在应用中仍具有极大的局限性。部分专家甚至认为机器学习算法无法真正解决自然语言翻译、全自主自动驾驶等热点问题。当前比较明确的面向未来的前沿算法基础理论中，高级机器学习仍然无法突破机器学习的框架；量子计算主要是配合高级机器学习的发展；类脑智能计算则被许多专家视为新一代人工智能技术的突破口。近期美、日、德、法、欧盟和以色列等主要国家和地区都开展了脑科学与人工智能的联合研究，但众多现有类脑智能研究都主要以利用人工智能工具研究脑科学为主，对人工智能研究的推动不足。将两方面研究紧密结合的机构仅有麻省理工学院、卡内基·梅隆大学和加州大学伯克利分校等少数高校。整体而言，新一代人工智能的基础算法研究仍然任重道远。
2人工智能芯片：多路线竞争，分领域发展
目前的人工智能芯片根据技术路线可分类三类。首先是通用型的CPU及GPU芯片。CPU的架构和指令集对神经网络计算的兼容度不够，性价比和运算效率偏低。但英特尔、ARM在新的CPU产品XeonPhi和DynamIQ中强化了对神经网络计算的支持。GPU的架构比CPU更有利于相关算法的运行。传统的GPU厂商英伟达和AMD分别推出了TeslaV100和RadeonInstinctMI25来开拓人工智能芯片的市场空间。英特尔也通过收购的方式推出了Nervana以进入GPU领域。
第二类是FPGA芯片。FPGA具有可定制的特点，使用者可以对芯片进行二次开发使其更加适宜特定的运算环境。由于牺牲了通用性，FPGA芯片的价格相对CPU和GPU而言较为便宜。目前Xilinx、Altera、Microsemi、Lattice等少数厂商基本垄断了FPGA的生产。英特尔通过收购Altera也进入了FPGA芯片的生产环节。基于外购芯片，微软、百度等领先企业均具有较强的二次开发能力。百度已经推出了基于FPGA的百度大脑芯片。
第三类是ASIC芯片。此类芯片是彻底的专用芯片，也不具备编辑功能。设计新ASIC芯片的前期投入较高，但大规模生产后能够实现极低廉的成本。ASIC芯片对特定计算的运行效率极高，但也仅能应用于特定计算。目前ASIC芯片分两个技术方向。（1）脉冲神经网络芯片，以IBM的TureNorth为代表，以脉冲长短模拟大脑神经元间的交流活动。（2）机器学习芯片，以谷歌TPU和我国寒武纪为代表，以概率变化模拟大脑神经元间的交流活动。比较而言，后者直接针对机器学习算法的需要，目前在商业化应用竞争中占据优势，高通的Zeroth即是从早期的脉冲神经网络芯片转为现今的机器学习芯片方向。前者仍需忆阻器等基本原件的进一步发展，但对于类脑算法研究而言有着长远的意义。
整体而言，三类人工智能芯片各有特点，都具有对应的潜在细分市场空间。不同场合下对通用性、成本、性能的不同要求会产生不同的解决方案。苹果A11、华为麒麟970中的人工智能模块以及谷歌TPU都只是用于配合CPU完成特定运算。
3系统平台：多方混战，抢占地盘
实际应用中，可能被用到的大量不同基础算法需要整合成为集成化、高度兼容的软件工具来发挥作用。较完备的工具软件包形成了稳定的系统环境。围绕一些开源系统往往还会形成全球共享的研究成果交流平台。在系统平台领域抢占话语权，就能在人工智能时代形成类似PC时代Windows系统或手机时代安卓系统的优势市场地位。当前人工智能系统平台处于活跃发展、普遍竞争的状态，尚未产生稳定格局。Facebook、IBM等大公司和许多创业型小公司都推出了自己的开源项目。苹果通过收购Turi公司涉足了这一领域。我国的百度也在近期推出了自己的开源平台PaddlePaddle。谷歌则完全基于其TensorFlow平台设计出了TPU芯片，在战略层面打通了软硬件市场的布局。
三智能应用技术：感知、决策、执行集成化
智能应用技术是核心共性技术基础上的具体应用研究，主要是解决了某种特定类型问题的解决方案。某项专项技术可能用于许多不同的应用场景；特定应用场景也往往包含了多项专项技术。
智能传感器方面，目前国际一流传感器的市场基本被外国公司所垄断，我国的产业和研发实力明显处于劣势。模式识别在广义上既包括一些共性理论，也包括在语音、图像、自然语言分析等方面的具体识别技术，在此分别表述为模式识别理论和感知与理解技术。智能决策分析则主要侧重数据挖掘方向的专项应用。机器人、无人机、自动驾驶汽车也开始大量应用基于机器学习的智能控制技术。此外，人机交互也是当前的重点之一。
以往在机器人及自动化领域的研究中，经常依照感知、决策、执行三个环节来分析其技术体系，人工智能的发展则逐步模糊了三者的边界。例如机器视觉既包含基于视觉传感器的感知环节，也是对视觉信号进行分析处理和判断的决策环节。人机交互则同时涉及了以人为对象的感知和执行两个环节。未来人工智能技术将进一步推动感知、决策、执行的集成化水平。
四典型应用场景：热点集中，各显神通以新增企业的业务方向为标准，近年人工智能产业关注度最集中的细分领域为机器视觉、自然语言处理和自动驾驶。这三类专项智能技术所派生的应用场景也是当前人工智能市场的主要热点。例如机器视觉技术发展出的网络图像审核、人脸识别、虹膜识别、设备登录验证、金融身份验证、安防监控等应用；自然语言处理技术发展出的语音输入、机器翻译、拟人交流、智能客服等应用。
这些焦点应用中，比较成熟的自然语言处理、机器视觉及图像识别、语音识别等基本都局限在信息产业之内。能够同实体经济挂钩的自动驾驶虽然获得广泛关注但短期内尚难以突破。目前寻找能够对接传统制造和服务业的应用点是人工智能产业发展的重要任务，也是人工智能“通用型”应用的必然需要。
目前对新应用领域的探索主要分为三种情况。（1）龙头引领，即领先企业的战略意志推动新应用市场的开辟，并利用技术、资金、影响力等方面的优势而暂时处于无人竞争的状态。例如IBM基于沃森所提供的医疗诊断、法律咨询等服务，以及阿里巴巴所提出的城市大脑。（2）主动吸收，即一些专业性较强的行业主动吸收人工智能方法改善自身产品水平，主导者是业内原有的成熟主体而非新兴的人工智能企业。这也是最能体现人工智能“通用型”的应用类型。例如财务分析、科研辅助、交融交易分析等。（3）有待开拓，即相关领域理论上存在应用人工智能的可能，但尚缺乏实用性强、市场空间大的成熟产品。例如防灾减灾、基础设施维护、智能制造、智能教育等。
http://www.aibbt.com/a/27559.html返回搜狐，查看更多
人工智能产业背景和发展趋势
目前，苹果、谷歌、微软、亚马逊和Facebook这五大巨头无一例外都投入了越来越多的资源，来抢占人工智能市场，甚至将自己整体转型为人工智能驱动型的公司。国内互联网领军者“BAT”也将人工智能作为重点战略，凭借自身优势，积极布局人工智能领域。
现今中国人工智能行业的创业公司发展领域各色各异，计算机视觉领域拥有最多创业公司，其次就是服务机器人领域，而排名第三的是语音及自然语言处理领域，智能医疗、机器学习、智能驾驶等也是相比比较热门的领域之一。计算机视觉技术是人工智能的重要核心技术之一，可应用到安防、金融、硬件、营销、驾驶、医疗等领域，而目前我国计算机视觉技术水平已达到全球领先水平，广泛的商业化渠道和技术基础是其成为最热门领域的主要原因。
人工智能产业链可以分为基础设施层、应用技术层和行业应用层。基础层：主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商；技术层：主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商；应用层：主要是把人工智能相关技术集成到自己的产品和服务中，然后切入特定场景。目前来看，自动驾驶、医疗、安防、金融、营销等领域是业内人士普遍比较看好方向。
人工智能未来趋势
人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。机器人是人工智能的一种形式，它是能模仿人的某些活动的一种自动机械。一般能实现行走和操作生产工具等动作，可用在人所不能适应的环境下代替人工作。现代机器人都配装电子计算机，通过编排程序，能具有一定程度的人工智能，如识别语言和图像，并作出适当的反应等。
过去的科技进步主要是指提升执行指定任务的能力。而当今的人工智能则是赋予机器反应和适应能力以优化产出。通过与物联网、机器人等技术的结合，人工智能能够构造出一个整合的信息物理世界。当今人工智能发展势头正猛，未来有望在全球多个行业和场景下得到广泛运用，尤其是我们将会看到大量的人类工作被机器取代。当然，技术可行性只是影响自动化速度及程度的一个因素，还有其他因素需要考虑，包括研发和应用成本、劳动力市场供需、经济效益，以及社会和政府监管部门的接受度。
展望未来，人工智能可成为应对一些社会核心挑战的强大工具。在医疗领域，人工智能将极大提升我们分析人类基因组和为患者开发个性化治疗方案的能力，甚至大大加快治愈癌症、阿茲海默症和其他疾病的进程。
在环保领域，人工智能能够分析气候特征并大规模降低能耗，帮助人类更好地监控和应对气候变化问题。人工智能甚至可以在地球以外地区发挥作用，他日或助力人类探索火星及外太空。返回搜狐，查看更多