《经济日报》这篇调查报道“有血有肉”，值得学习借鉴 - 传媒教育网

新闻稿件的长短，就像兵器一样，既有“一寸长一寸强”的优势，也有“一寸短一寸险”的威力。说白了，关键不在长短，而在水平。

今天，我和大家分享一篇《经济日报》2026年10月1日3版的调查报道，《从存量焕新到增量澎湃——来自湖南、福建、山东的消费调查》。

1.主题立得住。稿子开篇即点明“消费一头连着百姓民生，一头连着经济发展”。全文紧扣“消费转型升级”这一重大命题，政治站位高，问题意识强。

2.结构立得稳。三个小标题很讲究，“老街区老厂房‘活’起来”“新产品新场景冒出来”“生态协同长久‘热’起来”，层层递进，从存量到增量再到生态，逻辑闭环严密。

3.案例选得实。益阳明清古巷、东茅街茶馆、漳州龙江岁月、青岛啤酒博物馆、坊茨小镇、菏泽牡丹、平潭“蓝眼泪”、淄博八大局……每一个案例都有具体地名、具体数据、具体人物引语。尤其是2元葱油饼、5元瓜子花生、8元清茶等数字，让报道有了“颗粒度”。

4.引语用得好。全文引用10余位采访对象原话，邹翔、黎江、刘兰强等人，每句引语都服务于主题，有温度、有信息量。

5.时效抓得准。稿件虽然是依托“活力中国调研行”主题进行的采访活动，但记者用的数据都是最新的，体现了调研报道的时效性和现场感。

1.选题要“顶天立地”。“顶天”是紧扣中央决策部署，这篇稿子对标的是“扩大内需、促进消费”这一重大战略。“立地”是扎根基层实践，通讯员离基层最近、离群众最近、离鲜活实践最近。建议大家在选题时，先问自己3个问题：这个问题中央关注吗？基层有典型吗？读者爱看吗？

2.采访要“下马看花”。记者走了湖南、福建、山东3省，进了古巷、茶馆、工厂、海岛、市场。不是隔着玻璃看，而是在现场看。通讯员采访最容易犯的毛病是“电话采访”“材料搬运”。建议大家在采访时做到脚到、眼到、心到。很多细节，坐在办公室打电话是问不出来的。

3.结构要“纲举目张”。写稿子最怕一团乱麻。这篇稿子的办法是先立“纲”，3个小标题就是三根柱子；再举“目”，每个小标题下都有几个案例。建议通讯员在写稿子前先列提纲。

4.案例要“一叶知秋”。这篇稿子选案例的标准是“以小见大”。一个茶馆能说明市井消费的温度，一个“蓝眼泪”IP能说明情绪消费的潜力。通讯员写稿常犯的毛病是“贪大求全”，什么都说，什么都没说透。建议选案例时问自己，这个案例能不能代表一类现象，能不能说明一个道理？

5.引语要“原汁原味”。这篇稿子的引语有两个特点：一是口语化，二是专业化。黎江说“一杯清茶、一碗米粉、三五闲友”，这是口语；钟年节说“工业经济稳中有进、动能升级，是消费市场持续活跃的坚实底气”，这是专业。通讯员采访时一定要记录采访对象的原话，尤其是鲜活的、接地气的话。好的引语本身就是新闻。

6.修改要“千锤百炼”。通讯员写稿子最缺的就是“改”的功夫。建议写完后至少改3遍：第一遍删废话，第二遍调逻辑，第三遍抠字眼。

最后说一句，通讯员的优势在基层、在现场。只要多下基层、多跑现场、多改稿子，一定能写出有思想、有温度、有品质的好稿子。

印刷机能在短时间内复制成千上万份报纸，却不会决定头版写什么。编辑选稿、记者写作，机器负责把定稿送到更多读者手里。后来，新闻机构开始用结构化数据和模板自动写短讯；搜索与推荐系统又把找材料、决定谁先看见的工作交给计算程序。到了生成式AI，系统甚至能在输入框里接过起草这一环：一句要求，换来一段新闻模样的文字。

1934年制造的报纸印刷机，2013年拍摄。图片：Science Museum London / Science and Society Picture Library，CC BY-SA 2.0；来源：Wikimedia Commons。

今天新闻后台里的生成文字由模型根据输入和已有参数逐步计算，再经产品界面呈现给读者。任务仍由人提出，材料要有人挑，稿件也要有人修改、发布。改变的是：复制、传输和排序之外，媒介系统现在还可以参与写作。前几期讨论短视频和直播时，拍摄者已经要边生产边看平台反馈；生成工具把这套反馈带进了写作过程本身。

机器没有因此获得人的意图。检索从已有材料里找候选，推荐决定内容的呈现顺序，自动编辑按规则处理原稿，生成模型则依据上下文计算后续符号的概率，并组合出新文本。一个产品界面可以同时使用这些功能。沿媒介史看，问题也逐渐从“怎样把稿子送出去”，扩展为“稿子由什么材料、经过谁的处理，变成读者眼前的样子”。

新闻生产中的自动写作早于聊天窗口。面对财报或体育比分，编辑部可以先规定字段和句式：营收高于去年用“增长”，低于预期就写“不及预期”。天气和选举结果也有类似的重复结构。模板负责把数字放进句子，无法自行补采访背景或判断数据为何变化。

程序员规定变量和分支，编辑决定措辞，数据提供者影响输入，新闻机构仍以自己的名义发布。保留规则和原始数据，就通常能回查某个词为何出现。这种可追溯性来自任务窄、字段固定；面对讽刺、含混或未预先设想的事实，模板往往写不出来。

季报的数字看似最适合自动写作，报表中的“收入”却未必等于记者要写的增长原因。字段可以由财务数据商提供，比较基准、异常值和公司解释仍要分别确认。一条数据若后来被修订，编辑部需要知道稿件使用的是哪一版输入，哪些旧稿已被其他网站转载。模板缩短了例行稿的制作时间，也让数据采购、字段定义和版本记录成为报道质量的一部分。这一点在美联社的规模化计划中尤其重要：公告说明了稿件怎样标注与抽查，并没有说机器能替记者解释企业经营。[9]

另一条早期路径来自对话和故事程序。1966年，麻省理工学院计算机科学家约瑟夫·魏岑鲍姆在论文中介绍ELIZA。程序分析用户输入中的关键词，再按脚本转换和重组句子。最著名的DOCTOR脚本模仿非指令式心理治疗谈话，这种角色恰好允许系统经常把用户的话改成问题。魏岑鲍姆的论文写得很克制：程序在缺乏相应知识时制造了“理解的幻觉”，而且脚本让这种效果变得可能。[1]

ELIZA没有通过海量语料学习世界知识。它展示了另一个与新闻传播有关的变化：用户面对一个会接话的界面，很容易把脚本改写的句子当成对话。后来模型的统计能力远超ELIZA，聊天框仍沿用一问一答的形式；读者看到连贯回答时，未必看得到回答依据。

论文中的DOCTOR脚本并不提供诊断。它能够重复来访者的词、转换人称，或以一般性的问句把话题交回去；这种形式恰好使知识缺口不那么显眼。图中的终端复现摄于2025年，不能当成1966年的使用现场。把复现图和原论文分开，才看得清一项媒介能力的两层历史：程序规则怎样设计，以及后来的观众如何借熟悉的对话界面想象它的能力。[1]

新闻机构把模板写作接入生产系统后，责任分工曾经相当具体。2014年，美联社公布企业季报自动化方案：Zacks Investment Research提供结构化财务数据，Automated Insights的程序读取字段，美联社与技术公司共同设计符合其写作规范的报道结构。公告称，原先每季度由编辑记者完成约300篇季报稿，自动化后计划覆盖最多4400家公司，每篇约150—300词。稿件会标明由系统依据Zacks材料自动生成；上线初期逐篇检查，流程稳定后再转为抽查。公告还提到，美联社的体育数据表此前已自动化多年；新闻自动化在这里依赖稳定字段与重复格式，并不需要开放式对话能力。[9]

美联社的季报稿和今天的开放式生成文本并非前后淘汰的关系。季报程序依据固定字段、句型和异常条件，出错时可以沿数据和规则回查；对话模型接受的任务更宽，生成句子却通常难以对应某一条训练材料。对新闻机构来说，差别会直接落在核稿桌上：能否找到输入、解释改写、标注自动生成部分，并追到需要更正的版本。

与逐条编写模板不同，统计语言模型从语料中估计词语相接的可能性。经典n元语法只参考前面有限数量的词：“今天北京的天气”后面，“预报”比“香蕉”更常见。程序无需预先写好每一句，但它预测的是文本中出现的规律，并没有去采访当天的天气。

少写规则的代价，是训练材料中的分布也进入了输出。常见表达更容易重现，罕见语言和边缘群体的经验可能不足；历史偏见也会影响后续文本。训练材料对参数的作用不像图书馆目录，无法凭生成的一句话逐页查回原书。产品若不另附来源，读者通常不知道句子依据什么写成。

神经网络语言模型进一步用向量表示词和上下文，较长距离的关系可以被压入连续数值。模型训练时反复做预测：遮住一个位置，或者给出前文，让系统猜下一项，再依据误差调整参数。训练完成后，生成阶段从提示开始，一次选择一个后续符号，把刚生成的内容再放回上下文，循环进行。温度、采样范围等设置会改变候选分布，但不会把概率预测变成事实核验。

模型优化的是后续符号的预测，通常不会在每句话后面自动附上可追溯出处。不存在的书名、日期或引语，也可能被写得语法完备。搜索界面若把这段话摆在答案位置，而不展示支撑它的原文，读者就得自己补做核查。

以一则选举消息为例，“候选人领先”至少要交代统计截至何时、开票范围多大、领先的是票数还是已报道选区。模型可以把句子写得像快讯，但它若只读到部分材料，遗漏分母也会生成顺畅的标题。这是核稿时的示意场景，不指向某次真实选举。编辑不能仅凭一句话是否通顺决定刊发；先确定待核字段、把候选句与原始记录逐项对照，才有办法区分语言加工和事实判断。

2017年，谷歌研究团队发表《Attention Is All You Need》，提出以注意力机制为基础的Transformer架构。论文最初集中于机器翻译：编码器处理输入，解码器逐步生成输出；自注意力允许每个位置直接计算与其他位置的关系，并能比循环网络更充分地并行训练。[2] 这项工作后来成为大型语言模型的重要技术基础，但它不是一篇宣布“通用人工智能诞生”的宣言。

自注意力计算文本位置之间的权重，让不同上下文表示以不同比例参与下一层运算。“河岸”里的“岸”可以与“河”建立联系，较远处的限定词也可以进入当前表示。这个机制处理的是位置关系，不能据此推断模型理解了作者意图。[2]

原论文解决的是序列表示和机器翻译中的计算问题。注意力使不同位置的表示能够建立关系，训练时又能利用并行计算；这与新闻编辑面对的“哪一份材料可信”不在同一层。后来把这一架构用于更广泛文本任务，需要另外训练模型、设置产品接口并安排人的复核。把架构论文直接写成新闻业变革的起点，会省掉中间这些决定，也容易把技术可行性误写成机构已经采用。[2]

Transformer适合并行训练，模型规模、语料规模和算力随后一起增长。2020年的GPT-3论文报告了1750亿参数的自回归语言模型，并测试了只通过文字提示完成翻译、问答和填空等任务的能力；论文也记录了算术、方法设计和网络语料带来的问题。[3] 大模型在少量示例甚至零示例下改变任务的能力，使“写一个专门程序”逐渐让位于“在同一界面里说明你要什么”。

图2：作者制作的机制示意。训练语料影响模型参数；提示与已有上下文限定下一符号的概率分布；采样形成输出。图中箭头不表示模型拥有意图。

模型走出研究论文，靠的是产品接入。API让办公软件、搜索页、剪辑工具和内容管理系统在原有界面里调用生成服务。读者不一定知道用了哪个模型、检索了哪些资料；编辑也未必看得到后台保存了多久的输入。技术能力必须经过按钮、默认值和机构流程，才成为一次实际的传播行为。

给模型一份报告、指定读者和篇幅，再要求保留原文页码，通常比只写“帮我写一篇新闻”更能限定输出。追加问题会把上一轮的文本带入下一轮。使用者省下逐句起草的时间，却要承担选材、比较版本和核对页码的工作；提示写得详细，也不能保证事实正确。

人类反馈还可以进入训练。OpenAI团队2022年的InstructGPT研究先用标注者示范做监督微调，再让标注者比较多个输出，由比较数据训练奖励模型，最后用强化学习调整模型。论文报告，在其测试分布上，较小的InstructGPT输出可以比更大的基础GPT-3更受评估者偏好；作者同时承认系统仍会犯简单错误。[4] 偏好反馈改变了输出倾向，却不等于建立了一个随时可查的事实数据库。

评估者给出偏好时，比较的是一组具体提示下的候选回答。对“措辞得体”和“数字有出处”的判断可以同时出现，却不是同一个指标；论文报告的偏好结果也有测试分布的边界。新闻工作若把“更容易被选中”理解成“已经核实”，就把模型训练时的评价误当成编辑部的查证。需要检查引语出处的任务，还得打开原文；需要判断当事人说法的任务，还得交叉采访。反馈改善了交互，不替代这些取证步骤。[4]

2022年11月发布的ChatGPT把这种流程放进连续对话界面。官方说明列出监督微调、输出排序和强化学习，也直接承认系统会给出听起来可信却错误的回答，对提示措辞敏感，并可能猜测含混问题。[5] 官方发布页已经记录这些限制，它们伴随对话式生成产品进入公众使用。

点赞、踩、复制、停留、二次编辑和举报可能被平台记录，用于评估或改进，具体用途取决于服务规则。聊天框还可能接上检索、内容过滤和外部工具。一次看似单纯的对话，实际经过产品设计、平台规则与用户操作；有错误时，不能只问模型为什么“这么说”。

检索系统在索引或数据库中找已有文档，返回链接和片段。即使用了语义匹配，它也没有写出被检索的原文。读者可以打开链接核对，但能找到哪些材料，仍取决于收录范围、更新频率、排序和权限。

推荐系统排列已有内容，让不同用户先看到不同的视频或新闻；它改变可见性，通常不写视频本身。自动编辑处理已有材料，例如转写语音、生成字幕、裁掉静音。某些编辑工具也调用生成模型补画或改写，但“自动完成”并不能告诉我们新内容是按规则修改，还是由模型合成。

生成模型写出新的符号组合，也可以先检索，再组织回答。2020年的检索增强生成研究让模型调用可查询的材料，用维基百科段落辅助知识密集型任务；更新知识和提供来源都是研究者要解决的问题。[6] 读一段带链接的生成摘要，要分别看搜索找到了什么、摘要怎样转述。链接是真的，也不代表转述准确。

检索增强生成的研究把可查询的文档与生成模型结合：系统先选出相关段落，再用它们帮助构造回答。被选中并非已经证明段落正确；没有被召回的材料也无法参与当前回答。对于新闻读者，可靠引用至少包含可打开的文档、对应的具体段落、适用的日期和与摘要相符的措辞。只在段末堆几条链接，既看不出哪句由哪份材料支持，也难以在原文更正后找到需要更新的摘要。这是检索覆盖和转述忠实两个不同的审核环节。[6]

检索找旧材料，推荐调整可见顺序，自动编辑处理已有内容，生成模型写出新组合；同一产品可以同时使用多种功能。

2024年，Google在美国推广AI Overviews，把生成摘要放到搜索结果页上方，链接仍供读者打开。Google介绍了搜索系统与定制模型怎样配合，并公布公司内部对使用和点击的观察。[7] 这些资料说明产品怎么设计，不是独立的准确率评估。过去在结果页先看到多个来源，如今先看到系统整理的一段话；是否点开出处，成了阅读的下一步。新闻机构若要让报道被引用，还得考虑标题、摘要和原文怎样在这一层呈现。

写作者用生成工具列提纲、改标题，剪辑者借它做字幕或配音。软件可以一次给出多个版本，人再选择、修改。有些工作由逐字制作变成了筛选候选，核查来源和决定能否发布的工作却留在编辑桌上。

成品可能经过素材作者、模型开发者、提示者、编辑和发布平台之手。训练材料的使用许可、输出与已有作品的相似性、新闻事实和合成标注，不能用“AI写的”一句话打包处理。署名者和发布机构仍需交代自己使用了哪些材料、做了哪些核对。

美联社的季报模板处理预先确认过的字段；突发新闻的输入却可能是一段未经核实的视频或帖子。记者可以让系统转写采访、比较文件、列待问问题，署名报道仍要回到录音、文件和当事人。新闻发布的速度可以提高，不能靠生成过程填补尚未查清的地点、身份或因果。

一篇稿件用了生成工具，编辑部至少要能找回原始材料、提示和所用检索源，知道谁核过人名数字和引语、谁批准上线。美国国家标准与技术研究院2024年的生成式AI风险管理框架把风险管理延伸到设计、开发、使用和评估环节，要求组织采取相应措施。[8] 对新闻机构而言，留下记录的意义很实际：报道出错后能够定位哪一步需要更正。

这里的记录不要求把模型训练过程复刻一遍。以一篇使用指定文件起草的报道为例，编辑可以留存获准使用的文件版本、检索返回的片段、重要提示、人工改动以及最终批准人。若读者指出数字错误，就先在原始文件中找对应表格，再对照生成的段落和编辑修改；若错误来自文件本身，则另需注明原始资料的更正。NIST框架着眼于组织在设计、使用和评估各环节管理风险，具体新闻工作仍要把责任落实到可回查的稿件记录。[8]

报纸有版面和署名，网页有链接，直播可以留下回放。语言模型的参数却不是读者可浏览的来源目录。训练材料经过清洗和优化后影响参数，单个输出句子通常无法直接逆推到某篇原文。接入检索也不够：摘要可能混用多个片段和模型已有的表达。

段落写得完整，只说明语言连贯。读者打开链接，还要核对它是否支持摘要旁边的主张，日期、版本和引语是否相符。界面不给出处，就把一部分查证工作推给接收者；给了链接而不对应原文，也没有解决问题。

生成服务还使用作者、编辑、摄影者、论坛参与者与机构档案留下的作品；清洗、标注和安全评测也需要人。界面的“输入—输出”隐藏了这些劳动。媒介史不能只列模型参数，还应看这些作品如何进入训练材料，创作者能否获知、异议或退出。

对于一个生成摘要，权利与证据也不能合并为同一道选择题。网页可供公众阅读，不必然表示可不受限制地进入训练集；模型可以合法处理某类文本，也不说明由它写出的新闻事实已经得到证实。反过来，记者逐句核实了摘要，仍须处理使用素材、图片和录音的许可。采访资料的保密要求又不同于公开网页：把未发表的记录上传到外部工具之前，编辑部先要确认获授权的处理范围和留存规则。

新闻机构仍要用数据库、采访、档案和专业编辑核实信息。高风险任务往往适合限制系统只处理指定材料、只给候选、不直接发布。工具越擅长补写，越需要明确何处必须停下来查原件。

“海量数据”无法说明模型读到了什么。从哪里收集，按什么语言和时期取样，哪些网页被排除，重复文本怎样处理，个人信息与受版权保护的作品是否保留，都会影响训练材料的构成。新闻写作里，谁留下的文字容易被模型学到，谁的经验缺席，是媒介获得新生产能力时一并带来的问题。

同一种语言内部也有落差。机构官网和公开论坛比较容易出现在可获取的网页中；未数字化档案和私下流传的地方口述不一定进入语料。高频句式更容易生成，小规模社群的经验则可能需要用户主动提供材料。模型能写得像一篇报道，不代表它收集到了报道所需的所有声音。

数据规模并不能替代数据说明。用户至少需要知道材料的大类、时间边界、主要语言、清洗原则和已知排除项，研究者还会关心可重复性与测试污染。训练集若包含后来用于考试的题目，模型在基准上的高分可能混入记忆；来源时间较旧，回答又会把过期状态写成现在时。产品没有公开这些信息时，外部观察者只能通过系统卡片、评测和受控实验估计边界，不能凭输出风格推断模型“读过什么”。

语料问题也延伸到生成图片、声音和视频。图像模型学习画面与文字标注的对应，声音模型依赖录音和说话者特征，视频生成还要处理镜头运动与时间连续性。不同媒介使用不同数据形态，却共享一个治理难题：作品进入训练后，其贡献很难在单次输出中被逐项标明。仅在成品角落写“AI生成”，可以提醒读者图像并非现场记录，却没有回答训练许可、相似性、署名和补偿。

训练材料、这次检索到的网页和用户刚上传的报告，是三种不同来源。系统说“根据你提供的报告”，也可能在组织句子时补入报告之外的内容。新闻编辑需要能够区分这些来源，引用定位和逐句核原文比“有链接”更有用。

同一个模型放进聊天框、搜索页和新闻后台，读者遇到它的方式不同。聊天框让输出像连续对话，搜索页把摘要摆在链接前，新闻后台则可能让一段生成文字直接混进待发稿。界面决定它何时出现、来源是否展开，以及人有没有机会在发布前比较原文。

按钮上的“回答”和“起草”给用户的预期也不同：前者看起来像现成结论，后者提醒人还要编辑。“查看来源”是否显眼，会影响读者会不会走出摘要核对报道。产品设计在分配工作：系统先做什么，用户还能看到什么。

一段生成文字若自动填入发送框，用户需要主动删掉；若留在候选栏，必须主动接受。新闻后台也可以给生成段落做可见标记，保存提示与修改版本。两种设计使用同样的模型，出错后能追查到的信息却大不一样。

接口还管理反馈。用户点击赞或踩，平台得到的是一个简化信号，未必知道评价针对事实、语气、立场还是格式。大量偏好数据可以改善常见任务体验，也可能把多数人的表达习惯变成默认标准。少数语言、专业场景和需要谨慎回答的问题，不一定从总体偏好中获益。反馈机制必须说明采集目的，并给专业用户保留可表达具体错误的渠道。

传播研究可以从这些具体设置入手：谁能按生成按钮，谁看得到出处，谁有权修改，错误又由谁接受申诉。服务商、应用开发者和新闻机构各掌握一部分设置；受众通常只能看到最后一个界面。

以一份数十页的公共报告为例。记者可以先让工具列出主要数字和所在页，再打开原文，核对时间范围、分母和例外情形；编辑要看标题是否把相关写成因果。原报告的版本、工具生成的摘要和最终稿要能相互对照。节省的主要是查找与起草时间，新闻判断仍由具体的人完成。

突发视频更容易出错。系统可以转写声音、翻译字幕或列出线索，不能仅凭画面风格确认地点与拍摄时间。记者还要核原始上传者、地标和其他独立材料。模型猜出的城市名可以留在待核线索里，不能直接写进报道。

创作场景也有相似原则。设计者让模型扩展海报背景，编辑应保存原图、提示和生成区域；配音使用合成声音，要确认授权范围并让受众知道声音并非现场录制；人物照片经过补画，不应继续作为事件证据使用。标注维护不同图像用途之间的界线，也不妨碍创作。宣传图可以合成，证件、新闻现场和科研记录则需要更强的真实性约束。

报道发出以后，更正同样是新闻生产的一部分。编辑部能否查到所用模型版本、原始材料和修改记录？已经转发错误摘要的人能否看见更正？报纸的更正栏、网页的版本记录和撤稿制度，到了生成工具时代仍需要执行；没有日志，错误从哪里进入稿件也难以说清。

个人转发生成摘要也面对类似选择。陌生引语先找原文，公共事件先核日期和出处；把他人文件交给第三方工具前，确认是否有权上传。生成文字看似完整，发布到群聊或账号后，依然会有人按真消息来读。

批量生成会放大核稿量。一次出一百条描述，逐条写作的时间少了，版权、误导和歧视表达的检查却可能增加。新闻生产衡量效率，不能只计算按钮按下到文字出现的几秒，还要算复核与更正。

可以把工具放在报道链条的不同位置测试：采访前列出待核问题，采访后协助检索已获授权的录音，发稿前比较数字和引语。前两处输出留在记者的工作材料里，第三处则必须接受逐项核对，不能因系统已经处理过一次便省去编辑审核。同样是节约时间，任务不同，允许自动完成的边界也不同。报纸排版、模板快讯和聊天摘要都把某些动作交给机器，但机器接近发布按钮时，来源、版本和更正通道反而要更清楚。

回看报纸印刷、模板新闻和生成式摘要，机器做的事越来越靠近稿件内容。印刷机复制已定好的版面；模板根据结构化数据写固定格式；语言模型能接过一段开放式起草，搜索页甚至替多个来源先写摘要。新闻机构仍要决定稿件能否公开，读者也仍需要知道消息从哪里来。

一段生成新闻的形成过程，可以沿稿件追到三个位置：谁提供材料并确定报道问题，谁选择、修改生成的候选，谁用机构名称或个人署名发布。模型参与了写句子，不能替编辑部接听投诉电话，也不会替记者向当事人核对引语。责任的边界要由发布流程和记录来划，而不能由文字是否流畅来决定。

把模型说成“作者”，容易漏掉语料筛选、检索排序和界面默认值；只说它是工具，又会把平台做出的选择藏起来。具体到一篇报道，查材料、看修改记录、核发布和更正人，比猜测机器“相信”什么有用。

短视频和直播让受众反馈更快地返回制作现场；生成式AI又让提示、修改和再次发布连成一轮轮更短的循环。新闻传播因此多了几个必须在稿件旁边回答的问题：引用的是哪份材料，哪些画面或声音经过合成，读者在哪里看原文，出错后更正怎样到达已经看过的人。印刷时代留下的版面、署名和更正机制，在生成时代需要换一种形式继续可见。

[1] Weizenbaum, J. (1966). ELIZA—A Computer Program for the Study of Natural Language Communication Between Man and Machine. Communications of the ACM, 9(1), 36–45. https://doi.org/10.1145/365153.365168 （用于核验ELIZA的关键词转换、脚本结构与“理解幻觉”边界。）

[2] Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30. https://arxiv.org/abs/1706.03762 （用于解释Transformer、自注意力和并行训练的原始技术语境。）

[3] Brown, T. B., et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems 33. https://arxiv.org/abs/2005.14165 （用于核验GPT-3规模、提示式任务与论文自述局限。）

[4] Ouyang, L., et al. (2022). Training Language Models to Follow Instructions with Human Feedback. Advances in Neural Information Processing Systems 35. https://arxiv.org/abs/2203.02155 （用于解释示范、排序、奖励模型与强化学习反馈。）

[5] OpenAI. (2022). Introducing ChatGPT. https://openai.com/index/chatgpt/ （用于核验ChatGPT发布、训练流程与官方公开限制。）

[6] Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33. https://arxiv.org/abs/2005.11401 （用于区分检索、参数记忆与生成，并说明来源问题。）

[7] Google. (2024). Generative AI in Search: Let Google do the searching for you. https://blog.google/products-and ... le-search-may-2024/ （用于核验AI Overviews的产品界面与公司自述，非独立效果评估。）

[8] Autio, C., et al. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. https://doi.org/10.6028/NIST.AI.600-1 （用于说明生成式AI风险的生命周期与组织治理框架。）

[9] Associated Press. (2014). A Leap Forward in Quarterly Earnings Stories. https://www.ap.org/the-definitiv ... y-earnings-stories/ （用于核验季报自动化的数据来源、报道规模、稿件长度、标注和人工检查流程。）