人工智能与新闻业案例集锦

刘海明

【案例】

本地化新闻，AI无法抵达的盲区

这是一个信息悖论的时代。

我们能在一秒钟内追踪到千里之外的国际纠纷，即时获知国外市场的最新动态，甚至能看到太空探索传回的最新影像。然而，对所处的城市、街道乃至小区，对那些足以影响我们切身生活体验的本地新闻资讯，我们却可能一无所知。

在这个信息过剩的洪流中，我们对远方的热点如数家珍，但却离“附近”越来越远。

这并非偶然。在过去二十年，互联网和算法的浪潮几乎重塑了媒体版图。大众的注意力更多被全国性、全球性的热点新闻所捕获，而曾经作为“地方神经中枢”的地方报纸、电台和电视台，广告收入与影响力同步急剧下降。其结果是，大量地方媒体停刊或转型，地方媒体人才持续流失。

以美国为例，过去15年，美国失去了2100多份报纸，这使2004年初拥有本地新闻媒体的1800个社区，在2020年初已经没有任何报纸。即便是幸存的6700份报纸，许多也早已成为“幽灵报纸”：只有原来的“外壳”，但新闻编辑室的采编人员和报纸读者数量都大大减少。有学术评论称，这些社区和居民，陷入了“新闻荒漠”（news desert）之中。

而在中国，曾经风光无限的都市报媒体经历了“黄金十年”后迅速衰退，许多报纸的发行量和广告收入断崖式下跌，导致休刊、合并或大幅裁员。即便许多地方媒体努力向新媒体转型，但其核心的本地新闻采编力量也在不断削弱。

当人们普遍认为，生成式人工智能的到来，将是压垮骆驼的最后一根稻草，会用自动生成的内容彻底淹没仅存的本地新闻时，一个反直觉的趋势正在悄然浮现：AI的局限性，恰恰为本地化新闻的价值重估，创造了前所未有的机遇。

AI的盲区：

算法无法抵达的“最后一公里”

要理解本地新闻的机遇，首先必须看清当前AI技术，尤其是大语言模型（LLM）的天然“盲区”。这并非技术缺陷，而是由数据、时效和信任这三个维度决定的结构性困境。

第一点，也是最根本的限制，在于AI的“饮食结构”。LLM的强大，源于它对海量公开互联网数据的抓取和学习。然而，这个庞大的数据集本身就存在着一种根深蒂固的“宏大叙事偏好”。它偏爱那些被广泛索引、高频讨论的全球性议题、全国性资讯和标准化信息，而那些构成我们日常生活基础的本地化信息，则大多处于其视野之外。

想象一下，一个街道办事处的会议纪要、地方政府网站上挂出的PDF格式规划公示、社区活动中心的活动安排、业主委员会关于停车费的激烈辩论……这些信息往往以非结构化、未被充分数字化的形式散落在各个角落。

它们是社区的“暗物质”，对于依赖全国乃至全球新闻材料和百科知识进行训练的AI来说，这些信息既稀缺又难以消化。

AI或许能告诉你《纽约时报》关于中美关系的最新评论，但它几乎不可能知道你家门口那条路为什么修了半年还没完工。更不用说，许多地方社群拥有自己独特的方言、行话和文化背景，这些微妙的语境是AI难以理解和准确表达的。

其次是时效性的延迟。本地新闻的生命力在于其即时性和实用性——突发的道路封闭、社区的寻人启事、本地球队的关键比赛结果、今晚可能影响出行的暴雨预警。这些信息的价值以“小时”甚至“分钟”为单位计算。而主流的LLM大多存在“知识截止日期”，它们的知识库并非实时更新。即便模型能够联网搜索，也往往是对二手信息的整合，缺乏第一时间的核实与深度挖掘。

当AI试图生成关于刚刚发生的本地事件的报道时，它极易产生“幻觉”，或提供已经过时的信息，这在新闻领域是致命的。本地新闻的核心恰在“此时此地”，而AI的运行逻辑决定了它在这一点上永远慢半拍。

最关键的，还是信任的缺失。新闻的本质是一种基于信任的关系，尤其是在本地层面。一个优秀的本地记者，其价值，绝不仅仅是信息的转述者。他/她是社区的一员，是你可能在超市里遇到的邻居。他/她通过长年累月的深耕，与社区成员建立起复杂而稳固的信源网络。这种信任是通过无数次面对面的交谈、一场场深入社区的采访建立起来的。

AI没有“朋友”，无法进行实地采访，无法捕捉到受访者一个犹豫的眼神或是一声无奈的叹息。AI可以总结“发生了什么”（what），但很难解释事件背后盘根错节的历史、人际关系和社区情感，即“为什么会这样”（why）。例如，为什么一个看似简单的老旧小区改造计划，会引发整个社区如此大的争议？答案可能隐藏在几十年的邻里变迁、不同群体间的微妙关系以及人们对“家园”的复杂情感中。

这种深度的洞察力、同理心和判断力，正是人类记者无可替代的核心价值，也是AI难以编码的灵魂。

需求的回归与本地新闻的价值重估

AI的局限性为本地新闻留下了生存空间，而社会和受众需求的变化，则正在将这片空间变成一片沃土。在经历了长时间的宏大叙事和全球化信息轰炸后，人们正重新发现身边“小而美”的价值。

全国性乃至全球性的媒体机构，在商业模式的驱动下，天然地倾向于追求规模效应。它们聚焦于那些能吸引最多眼球、带来最大流量的议题——国际冲突、宏观政策、名人八卦。这造成了一个巨大的“灯下黑”区域：数以亿计的人们真正关心的、与他们日常生活福祉息息相关的话题被系统性地忽视了。

“门口的公园什么时候能建好？”“我孩子的学区划片今年有哪些变化？”“附近那家新开的网红餐厅味道如何？”“本地新出台的人才引进政策对我有什么影响？”这些问题，构成了普通人生活的核心关切，却恰恰是全国性媒体的报道盲区。这个巨大的内容缺口，正是本地新闻价值得以回归的根基。

更深层次的，是对社区认同和归属感的强烈渴求。在日益原子化和数字化的现代社会，人们之间的物理连接和情感纽带正在变弱。本地新闻，在某种程度上正扮演着社区“粘合剂”的角色。它通过设置共同的议程，让本地居民们关注同样的问题，讨论同样的话题。

在这个过程中，它不仅仅是在传递信息，更是在促进公民参与，提醒每个人：你不是一个孤立的个体，你恰恰是这个社区的一部分，你的声音和行动至关重要。这种由共同叙事构建起来的身份认同和社区联系，是抵御社会疏离感、重建公共生活的重要力量。在虚假信息泛滥的今天，一个值得信赖的本地新闻源，更是社区抵御谣言、凝聚共识的压舱石。

与此同时，新一代的本地新闻正在完成一次重要的角色蜕变——从单纯的“新闻报道者”，进化为多元的“社区服务者”。它不再仅仅告诉你昨天发生了什么，更致力于帮助你解决今天和明天的问题。它可以是一份实用的生活指南，为你提供周末的本地活动日历、政府福利的申请流程、应对极端天气的避险指南。这种服务属性，让本地新闻的价值变得具体、可感，也为其赢得了无可替代的忠诚度。

本地新闻的未来

本地新闻的未来，并非是一场排斥AI的复古运动，而是一场拥抱技术、重塑价值的变革。

对于本地新闻来说，AI也并非威胁。在实践中， AI的应用意味着将记者从繁重、重复的案头工作中解放出来。例如，国内一些地方媒体正在尝试利用AI工具，自动处理和分析海量的、格式不一的政府公开文件和会议记录，从中发现值得跟进的新闻线索，然后交给记者去进行真正的调查和采访。

AI可以用于自动转录数小时的采访录音，可以在几分钟内总结长达百页的政府报告，可以从招投标信息中发现异常模式，甚至可以根据受众偏好为不同平台自动生成不同风格的摘要和标题。这一切，都极大地提升了新闻生产的效率，让规模有限的本地新闻团队能够将宝贵的精力，投入到建立人际关系、进行深度调查和创作触动人心的故事这些AI无法胜任的高价值工作中。

技术的赋能，必然伴随着商业模式的深刻演变。本地新闻未来的生存之道，或许就在于与核心受众建立更深、更牢固的连接，并让他们心甘情愿地为独特的价值付费。

小而美”将成为一种主流形态。专注于某个特定城市、某个特定区县，甚至某个垂直领域（如本地教育、房地产、美食）的高度精准的微信公众号，正在成为越来越受欢迎的模式。

它们不求广度，但求深度，致力于成为该领域最权威、最不可或缺的信息源。此外，基于社群的会员制和知识付费也日益兴起，它们通过提供独家的深度分析、数据服务和线下社群活动，吸引最忠实的读者成为“共建者”，而不仅仅是“消费者”。同时，一些带有公益属性的本地新媒体项目也在探索更多可能性。

最终，未来的本地新闻机构将重塑自己的生态位。它将不再仅仅是一个内容的生产者，而是一个社区的“信息枢纽”和“连接中心”。它可以是本地线上社区论坛的管理者，是线下公共议题讨论会的组织者，是本地广播和视频节目的创作者。

在一个信息愈发真假难辨的世界里，一个值得信赖的本地新闻品牌，将成为居民获取可靠信息、进行理性讨论、参与社区生活的首选入口。它的价值，将通过其在社区中建立的信任和发挥的作用来衡量，而非简单的流量数字。

来源：新京报传媒研究（公众号）

原网址链接：https://mp.weixin.qq.com/s/1aUnS59MAzi1kzGOrOpMQg

编辑：张家乐

刘海明

【案例】

一电视台首次使用AI主持人

来源丨播音主持门户

据法新社10月20日报道，在20日播出的一个有关人工智能（AI）影响力的节目中，英国一家电视台成为全球最新一个使用AI节目主持人的电视台。

英国电视四台说，它选择了一名AI生成的主持人主持其长久以来的时事系列节目《快讯》。

这家电视台称，这是英国电视台首次使用AI主持人。

《快讯》的这期节目——“AI会夺走我的工作吗？”——调查了AI如何改变包括法律、音乐、时尚和医药在内各行各业的工作场所。

这名名叫艾莎·加本的主持人完全由AI生成，整个节目过程中都出现在屏幕上。

她在节目最后告诉观众：“你们有些人可能猜到了：我不存在，我不是在现场报道这个故事的。我的形象和声音是用AI生成的。”

该电视台新闻和时事部门主管路易莎·康普顿在一份声明中说：“电视四台不会把使用AI主持人作为一种习惯。相反，我们对新闻和时事的关注重点是优质、经过事实核查、及时公正而且可信的新闻——AI无法做到这一点。”

中国的AI主持人应用，远远早于英国。

2021年10月20日，广电总局发布《广播电视和网络视听“十四五”科技发展规划》。

《规划》提到，要加快推进制播体系技术升级。强化人工智能、大数据、区块链在内容选题、素材集成、编辑制作、内容审核、媒资管理、字幕制作等环节的应用，促进制播流程智能化。推动虚拟主播、动画手语广泛应用于新闻播报、天气预报、综艺科教等节目生产，创新节目形态，提高制播效率和智能化水平。

2019年，新华社联合搜狗公司近日在京发布全新升级的站立式AI合成主播，并推出全球首个AI合成女主播。

2020年5月21日，搜狗联合新华社推出的全球首个3D AI合成主播“新小微”正式亮相。这位新主播举止端庄、表情生动、毛发清晰、纤毫毕现，她行动灵活，语速自然，简直360°直播，全程无死角。

2021年11月24日，央视新闻联合百度智能云倾心打造的总台首个AI手语主播正式亮相。

她有着“真人般”的皮肤、头发、眼睛，形象亲切自然，气质优雅独特。

虚拟主持人具有效率高、零出错、全天候在线等优点，极大地提高了新闻播报效率，节约了人力成本。它把记者从繁琐、机械的新闻播报中解放出来，去挖掘更多的深度报道，提升新闻品质。

随着科学技术的不断发展，AI合成主播的技术也越来越成熟。

就像康辉所说，面对语音合成技术，我们应该去拥抱、适应和使用，不要害怕被取代。当你足够优秀，你将无可替代！

来源：传媒圈（公众号）

原网址链接：https://mp.weixin.qq.com/s/VuCavzqaHootdkS7xN-biw

编辑：张家乐

刘海明

【案例】

《大西洋月刊》丨去技能化时代

Will AI stretch our minds—or stunt them?

By Kwame Anthony Appiah

人工智能会拓展我们的思维，还是阻碍其发展？

插图：马特奥·朱塞佩·帕尼 / 《大西洋月刊》

2025年10月26日，美国东部时间上午6点

相关担忧已从窃窃私语升级为高声喧嚣，且都围绕着同一个令人不安的主题：“ChatGPT影响下的大脑”“人工智能正让你变笨”“人工智能在扼杀批判性思维”。曾经，人们害怕的是失控的智能会将人类消灭，甚至可能在这个过程中把地球变成一座回形针工厂。如今，聊天机器人正走上谷歌的老路——从“神奇之物”变成“理所当然的存在”，人们的焦虑也随之转变，从对“世界末日”的恐惧转向对“能力衰退”的担忧。尤其是教师们表示，他们开始看到这种“衰退”的迹象。描述这种现象的术语虽不悦耳，却也贴切：去技能化。

这种担忧绝非空想。如果孩子依赖Gemini总结《第十二夜》，他们可能永远无法学会独立品读莎士比亚的作品。如果胸怀大志的律师借助Harvey AI（法律领域AI）进行法律分析，他们可能无法培养出前辈们视为理所当然的解读能力。在近期一项研究中，数百名英国参与者完成了标准的批判性思维测试，同时接受了关于使用人工智能获取信息或做决策的访谈。结果显示，年轻使用者对这项技术的依赖度更高，测试得分也更低。“用进废退”是该研究最核心的结论。另一项研究关注了医生进行结肠镜检查的情况：在使用人工智能系统辅助识别息肉三个月后，医生在不借助该系统时识别息肉的能力明显下降。

但真正的谜题不在于“去技能化”是否存在——它显然是存在的——而在于它究竟属于何种性质。所有形式的去技能化都会产生负面影响吗？还是说，有些去技能化是我们可以接受的，甚至是值得欢迎的？“去技能化”是一个笼统的术语，涵盖了多种截然不同的能力丧失情况：有些会带来损失，有些无关紧要，还有些反而会催生新的可能。要弄清楚其中的关键，我们必须仔细观察：当新技术出现时，技能会以何种方式逐渐减弱、消失或发生改变。

如今的聊天机器人算是新技术：它们所依赖的“Transformer”架构诞生于2017年，而ChatGPT在五年后才首次公开亮相。但“新技术可能会削弱人类思维”的担忧却由来已久。早在公元前4世纪的《斐德罗篇》中，苏格拉底就讲述了这样一个神话：埃及神透特将“书写”这一礼物献给国王塔姆斯，称其是“记忆与智慧的秘诀”。但塔姆斯对此不为所动。他警告说，书写会产生相反的效果：它会滋生健忘，让人们用纸上的符号取代记忆的努力，将“理解的表象”误认为“理解本身”。苏格拉底支持塔姆斯的观点。他抱怨道，文字永远无法回应你提出的具体问题；无论是智者还是愚者，文字对所有人的回应都是一样的；而且当人们误解文字时，文字也无能为力。

当然，我们之所以能知晓这一切——这段故事之所以能不断出现在辉格党式的科技史叙述中——正是因为柏拉图将其写了下来。但反对书写的人也并非完全错误。在口头文化中，吟游诗人能将史诗记在脑海里；非洲部落的格里奥（说书人）能随口说出数百年的族谱。而书写的出现让这些非凡的能力变得不再必要。人们无需深入思考，就能理解他人的想法。对话需要回应：或是澄清疑问，或是提出反对，或是修正观点（有时一句“苏格拉底，您说得太对了”就能起到作用，但即便如此，对话仍在继续）。相比之下，阅读时你只需沉浸在他人的智慧中，点头认同，却无需通过自我检验来印证这些智慧。

不过，从某个角度看是“损失”的东西，换个角度或许就是“收获”。书写为人类开辟了新的思维领域：评论文章、法学理论、可靠的历史记载、科学研究。研究口头文化与文字文化的学者沃尔特·J.翁曾精辟地指出：“书写是一种能重构思维的技术。”这种模式并不陌生。当水手开始使用六分仪时，他们便不再需要掌握水手的“观天技艺”——那种曾指引他们安全返航的、对星辰的细致观测能力。后来，卫星导航的出现又让六分仪技能彻底消失。过去，拥有一辆福特T型车意味着你得兼职做机械师——要知道如何修补内胎、凭听觉调整点火正时、在引擎熄火后想办法让它重新启动。如今，性能高度可靠的引擎将这些“秘密”隐藏了起来。计算尺被计算器取代，计算器又被电脑取代。每一次技术更迭，个人的精湛技艺都会随之减弱，但整体效率却在提升。

这种“有所失，必有所得”的模式确实令人安心。但有些收获背后，隐藏着更深层的代价。它们不仅改变了人们“能做什么”，还改变了人们“认为自己是谁”。

20世纪80年代，社会心理学家肖莎娜·祖博夫曾在美国南部的纸浆厂进行调研，当时这些工厂正从人工操作转向计算机控制。曾经，操作员需要通过触摸来判断纸浆的状态（“它滑吗？它粘吗？”）；如今，他们只需坐在有空调的房间里，看着数字在屏幕上滚动，过去的技能既无人使用，也无人重视。一位操作员告诉祖博夫：“通过电脑工作，感觉完全不一样。就像你骑着一匹强壮的骏马，但有人坐在你身后的马鞍上，握着缰绳。”新系统速度更快、更清洁、更安全，但也让工作失去了原本的意义。

社会学家理查德·森内特也记录了波士顿一家面包店的类似变化。20世纪70年代，店里的工人都是希腊男性，他们靠嗅觉和视觉判断面包是否烤好，并为自己的手艺感到自豪；到了90年代，接替他们的工人只需操作带有Windows风格控制器的触摸屏。面包变成了屏幕上的图标——它的颜色由数据推断得出，品种则从数字菜单中选择。技能的弱化伴随着身份认同的弱化。面包依然美味，但厨房工人知道，自己不再是真正的面包师了。有人半开玩笑地对森内特说：“烘焙、制鞋、印刷——随便你说什么手艺，我都‘会’。”言外之意是，他其实根本不需要掌握任何真正的技能。

在文化领域，人类与“实物的接触”无疑早已逐渐减少。在19世纪欧洲的中产阶级家庭中，热爱音乐通常意味着会演奏音乐。交响乐要进入客厅，靠的不是音响，而是钢琴改编版——两个人四只手，在一架钢琴上，尽最大努力演绎勃拉姆斯的《第一交响曲》。这需要技能：识谱、掌握演奏技巧、用手指勾勒出交响乐的意境。要听到自己想听的音乐，你必须不断练习。

后来，留声机流行起来，客厅里的钢琴开始积满灰尘。随之而来的好处显而易见：你可以把整个管弦乐队“召唤”到客厅里，可以将听觉体验从沙龙里的轻音乐拓展到德彪西、施特劳斯、西贝柳斯的作品。如今的音乐爱好者或许不再擅长演奏，但从某种意义上说，他们更懂“聆听”。然而，广度的拓展是以深度的丧失为代价的。练习一首曲子的过程，会让你对曲子的结构和脉络有深入的理解。而拥有闪亮的维克多牌留声机的孩子，能获得这种理解吗？

每当强大的新工具出现时，这种“疏离感”——即与“真实事物”产生距离的感觉——就会随之而来。从17世纪开始，计算尺减少了人们对“心算能力”的依赖；几个世纪后，便携式计算器又让一些工程师感到不安，他们担心“数感”会逐渐消失。这些担忧并非毫无根据。按下键盘上的“Cos”键就能得到一个数值，但这个数值背后的含义可能会被人们遗忘。即便在更专业的领域，这种担忧也依然存在。麻省理工学院的物理学家维克多·魏斯科普夫对同事们越来越依赖计算机模拟感到困扰。当同事们把打印出来的结果交给时，他对他们说：“计算机理解这个答案，但我觉得你们并不理解。”这种不安就像古埃及国王的“数字时代版本”——他们坚信，人们正把“输出结果”误认为“深刻见解”。

在祖博夫所说的“智能机器时代”，自动化主要局限于工作场所——工厂、工业面包店、驾驶舱。而到了个人电脑和互联网时代，技术“逃离”了工作场所，进入家庭，成为通用工具，融入日常生活。早在21世纪初，研究人员就开始探讨搜索引擎对人类的影响。当时的新闻标题诸如“谷歌影响下的大脑”屡见不鲜。尽管这种恐慌有些过度，但一些影响确实真实存在。一项被广泛引用的研究发现，在某些情况下，人们会记住“某个事实可以在哪里找到”，而非“事实本身”。

事实上，人类的认知能力从来都不局限于大脑内部——它还存在于工具、符号以及人与人之间的互动中（想想你认识的夫妻：有人记得生日，有人记得护照放在哪里）。从刻痕计数的骨头到泥板文书时代，数千年来，我们一直在将“思维”存储在外部世界中。许多生物都会使用工具，但它们的技能会随着个体的死亡而消失；而人类的技能会以文化的形式积累下来——形成一种“智能传递系统”。我们继承这种系统，拓展它，在此基础上不断构建，让每一代人都能站在更高的起点上：从压制剥落的石片，到骨针，再到印刷机，直至量子计算。这种“见解的积累”——外部化、保存、共享——正是智人与其他生物的区别所在。倭黑猩猩生活在“生态当下”，而人类生活在“历史之中”。

与此同时，“积累”会带来一个关键结果：它会推动“专业化”的发展。随着知识不断拓展，它不再能被每个人平等掌握。在小型部落中，任何人都能追踪猎物、采集植物、生火。但在农业革命后，社会规模不断扩大，手工业和行会逐渐增多——能锻造出锋利且耐用刀刃的工匠、懂得如何防止拱顶坍塌的石匠、掌握着严密保密的配方和技艺的玻璃吹制工。曾经存在于人体中的技能，逐渐转移到工具中，进而上升到制度层面。随着时间的推移，劳动分工不可避免地演变成“认知分工”。

哲学家希拉里·普特南曾说过，他会用“榆树”这个词，但无法区分榆树和山毛榉。“指称”是具有社会性的：你能谈论榆树，是因为语言社群中的其他人——植物学家、园丁、林业工作者——能识别榆树。语言如此，知识亦是如此。人类的能力不仅存在于个体之中，还存在于个体所形成的网络之中。我们每个人都依赖他人来弥补自己能力的不足。社会规模的扩大，将“社会交换”转变为“系统性的相互依赖”。

由此产生的世界，正如一个经典例子所描述的：没有人知道如何完整地制造一支铅笔。一个人要制造铅笔，需要掌握伐木工、锯木工、矿工、化学家、涂漆工等多种技能——即便是最简单的物品，其背后也存在一个无形的“工艺网络”。马克·吐温在《康州美国佬在亚瑟王朝》中，想象一位19世纪的工程师穿越到卡梅洛特（亚瑟王传说中的王国），用现代奇迹让当地人惊叹不已。读者们对此深信不疑。但如果把21世纪的工程师放到同样的场景中，他会束手无策。制造绝缘电线？调配一批炸药？从零开始制造电报机？一旦连不上无线网络，我们大多数人都会陷入困境。

如今，认知分工已发展到极高的程度：两位物理学家可能彼此都难以理解对方的研究——一位在模拟暗物质，另一位在制造量子传感器。如今的“科学精通”，意味着对“越来越窄的领域”了解“越来越多”。这种专注带来了惊人的进步，但也让我们意识到自身能力的局限性：专家们使用的概念工具，是他们能“运用”却无法“创造”的。即便是长期被视为“孤独天才领域”的数学，如今也遵循着这样的模式。当安德鲁·怀尔斯证明费马大定理时，他并没有重新推导每一个引理；而是整合了他信任但并未亲自验证的成果，构建出一个完整的理论框架——即便他没有亲手“切割”每一根“横梁”，也能看清整个框架的结构。

合作范围的扩大，改变了“知晓某事”的含义。知识曾被视为一种“占有物”，如今却变成了一种“关系”——即我们能否很好地定位、解读和整合他人的知识。我们生活在一个“分布式智能网络”中，依赖专家、数据库和工具来拓展自己的认知边界。数据规模就能说明问题：当年宣布DNA双螺旋结构的《自然》论文只有两位作者；如今，一篇关于基因组学的《自然》论文可能有40位作者。而宣布希格斯玻色子发现的两篇论文呢？作者多达数千人。“大型科学研究”之所以“大型”，是有原因的。迟早，这个“网络”会迎来新的参与者——一个不仅能存储信息，还能模仿“理解”本身的参与者。

在大型语言模型时代，“信息”与“技能”、“知道是什么”与“知道怎么做”之间的传统界限变得模糊。从某种角度看，这些模型是“静态”的：它们是一组可下载到笔记本电脑中的固定权重矩阵。但从另一个角度看，它们又是“动态”的：一旦运行，就能实时生成回应。它们能做到苏格拉底所抱怨的“书写无法做到的事”：回答问题、适应对话者、进行对话（有时甚至能与自己对话；当人工智能将自身输出作为输入时，人工智能研究人员称之为“推理”）。将谷歌视为“记忆的延伸”并不难；但对许多人来说，大型语言模型更像是“思维本身的替代品”。在利用新型人工智能时，我们自身的智能是在被“拓展”，还是说，这种“人工”智能正悄然崛起，逐渐占据主导地位？

我们无法将“精灵”放回“瓶子”里，但我们可以决定让它施展哪些“魔法”。当人们谈论“去技能化”时，通常会想到一个人失去了某种技能——比如飞行员的手动驾驶能力变得生疏，医生在没有人工智能辅助时会漏诊肿瘤。但如今，大多数工作都需要协作，人工智能的出现并没有改变这一点。问题不在于“人类与机器人相比表现如何”，而在于“使用机器人的人类与不使用机器人的人类相比表现如何”。

有些人担心，对人工智能的依赖会让人类在某些方面变得更糟，这种负面影响会盖过其承诺的好处。Anthropic公司首席执行官达里奥·阿莫代伊乐观地设想会出现一个“天才之国”，但这些担忧者则预见会出现一个“傻瓜之国”。这与过去关于“风险补偿”的争论如出一辙：几十年前，一些社会科学家认为，增加安全带或防抱死刹车后，人们会驾驶得更加鲁莽——科技带来的安全感会让他们“消耗掉”安全余量。但后来的研究得出了更令人鼓舞的结果：人们确实会做出调整，但这种调整是有限的，因此技术仍能带来显著的好处。

在人工智能的临床应用中，类似的规律似乎也成立——人工智能在医院中的应用已超过十年。回想一下之前提到的结肠镜检查研究：在进行人工智能辅助检查后，胃肠病医生在无辅助情况下的息肉识别率下降了6个百分点。但另一项研究汇总了24000名患者的数据，呈现出更全面的情况：人工智能辅助使整体识别率提高了约20%（此处的人工智能是一种“专家系统”——即一种狭义、可靠的机器学习形式，而非驱动聊天机器人的生成式人工智能）。由于识别率的提高意味着漏诊癌症的减少，无论个别医生的能力是否略有下降，这种“半人半机”的协作模式显然是有益的。如果这种协作能拯救生命，那么胃肠病医生若出于“自尊心”而坚持独自操作，就是不负责任的。

在其他领域，近期的一些研究表明：一个人的技能越高，与人工智能的协作效果就越好。其中一项研究发现，在对两种鹪鹩和两种啄木鸟的图像进行分类时，人类的表现优于机器人。但在识别虚假酒店评论时，机器人则更胜一筹（大概是“同类识别同类”吧）。随后，研究人员让人类与机器人配对，让人类在参考机器人建议的基础上做出判断。结果因任务而异：在人类直觉较弱的领域（如识别虚假酒店评论），人们会过多地质疑机器人，从而拉低整体结果；而在人类直觉较强的领域，人们似乎能与机器人协同工作——在确定自己判断正确时相信自己，在意识到机器人发现了自己遗漏的信息时也会认可机器人。在识别鸟类图像的任务中，“人类+机器人”的组合表现优于两者单独工作的效果。

同样的逻辑也适用于其他领域：一旦机器进入工作流程，“精通”的定义可能会从“产出”转向“评估”。2024年一项关于程序员使用GitHub Copilot（代码生成工具）的研究发现，人工智能的使用似乎会“重新引导”人类的技能，而非“取代”它。程序员花在“生成代码”上的时间减少了，花在“评估代码”上的时间增多了——检查逻辑错误、排查边界情况、清理代码脚本。技能从“创作”转移到了“监督”。

如今，“人机协作”越来越多地意味着这一点：专业能力不再体现于“写出初稿”，而体现于“编辑初稿”；不再体现于“速度”，而体现于“判断力”。生成式人工智能是一个“概率系统”，而非“确定性系统”；它给出的是“可能性”，而非“真相”。当风险切实存在时，具备专业能力的人类必须对最终决策负责——要能发现模型何时偏离现实，要将模型的输出视为“待验证的假设”，而非“必须遵守的答案”。这是一种新兴的技能，也是至关重要的技能。未来的专业能力，不仅取决于工具的优劣，更取决于我们能否与工具“协同思考”。

但协作的前提是“自身具备能力”。如果人类一方毫无头绪，“人机协作”就会陷入混乱。这正是人们对“教育”感到恐慌的原因：如果一个人从未掌握过某种技能，就谈不上“失去”这种技能。在这个“世界上最强大的作业工具”能轻松装进每个学生口袋的时代，我们该如何培养学生的基本能力？

我们这些教育工作者还有很多“作业”要做。过去的教学方法需要革新；在过去几年里，太多大学生陷入了一种令人不安的状态——用一句话形容就是“主修ChatGPT”。但现在就断言人工智能对教育的整体影响，还为时过早。诚然，人工智能可能会让某些能力变得生疏，但如果使用得当，它也能强化另一些能力。

以哈佛大学一门大型物理课程的近期随机试验为例。一半学生以传统的“最佳方式”学习两节课：由资深教师带领的互动式实践课堂。另一半学生则使用定制的人工智能导师。之后两组学生交换学习方式。结果显示，在两轮试验中，使用人工智能导师的学生表现都要好得多——优势非常明显。他们不仅学到了更多知识，学习速度也更快，而且反馈说自己更有动力、更投入。该人工智能系统的设计初衷是“像优秀教练一样工作”：教学生如何将复杂问题拆解成小问题，提供提示而非直接给出答案，根据每个学生的进度调整反馈的强度和内容。

这种“针对性关注”正是老式辅导体系的强大之处。我还记得在剑桥大学的最初几周，我与生物化学导师进行一对一交流的场景。当我说“我大概懂了”时，他会不断追问，直到我们都确信我真的懂了。这种有针对性的关注，是剑桥大学“辅导制度”的核心。如果设计得当，大型语言模型有望将这种“关注”大规模推广——不是复制辅导老师的羊毛开衫、锃亮的烟斗或若有所思的表情，而是复制那种“持续、灵活的引导”，帮助学生从困惑走向理解。

机器不会取代导师。它们有望承担辅导中“常规性”的部分——检查代数运算、反复练习引理、提醒学生注意单位书写、确保学生理解膜通道的工作原理。理论上，这能让教师腾出时间，专注于其他重要工作：讲解核心概念、追求更简洁优雅的表达、与学生探讨职业规划、关注学生是否面临过度压力。

当然，这只是一种乐观的设想。我们不应仅凭一项研究就得出普遍结论（有一项针对土耳其高中生的研究发现，使用辅导机器人并未带来明显进步）。同时我们也要注意，那些物理专业的学生之所以能很好地利用辅导机器人，是因为他们要面对“课堂考试”——有监考老师、有时间限制、有严格的评分标准。

我们还需注意，在STEM（科学、技术、工程、数学）学科中有效的方法，在人文学科中可能并不适用。尽管学期论文枯燥乏味，但它能培养一种“对话难以复制”的能力：逐步构建论证、权衡证据、组织材料、锤炼表达风格。我们这些教授本科生的教师中，已有不少人开始对有上进心的学生说：如果他们写一篇论文，我们会阅读并与他们讨论，但这篇论文不会计入最终成绩。这只是一种权宜之计，而非根本解决方案。说来也奇怪，在文化层面，我们似乎正在“回归口头表达”——口头交流可能需要承担更多教学任务。如此看来，对话的坚定捍卫者苏格拉底，最终会笑到最后吗？

“破坏性去技能化”仍是一种无法忽视的可能性：由于过度依赖工具，人类基本的认知或感知能力会逐渐衰退，且没有相应的能力提升作为补偿。这种能力缺失会耗尽一个系统的“储备能力”——即那些平时很少用到，但在出现问题时必须具备的能力。没有这些储备能力，系统的“韧性”会下降，“脆弱性”会上升。想想那些航空公司的飞行员：他们花数千小时监控自动驾驶仪，却在系统故障时不知所措。一些自动化理论学者将“人机协作”分为两类：“主动参与的人机协作”和“被动签字的人机协作”。后者如果管理不当，就会导致工业心理学家莉萨妮·贝恩布里奇早就警告过的问题：角色混乱、意识减弱、准备不足。就像救生员在大多数日子里，只是看着游泳技术娴熟的人在平静的水中游泳——这类人类监督者很少需要采取行动，但一旦需要，就必须迅速、熟练地行动。

同样的问题也困扰着各类办公室工作。当律师、项目经理和分析师花数月时间“批准”系统已起草或推断出的内容时，他们就变成了“被动签字者”，逐渐生疏了核心技能。这就是“部分自动化”的悖论：系统性能越好，人们就越不需要保持专业敏锐度，在系统偶尔失灵时，就越缺乏应对准备。解决这个问题的方法可能在于“制度设计”。例如，工作场所可以定期开展“演练”——类似飞行员定期进行的飞行模拟器训练——让员工必须挑战机器，确保在“平稳运行”的漫长过程中，他们真正的判断能力没有衰退。

在很多情况下，“储备技能”不需要人人具备，只需在系统的某个环节存在即可——就像那些能识别榆树的专家一样。正因如此，美国海军学院担心GPS（全球定位系统）可能被干扰，在多年忽视后，重新恢复了基础的“天体导航”训练。大多数水手在远洋航行中可能永远不会用到六分仪，但只要有少数人掌握这项技能，在卫星失灵时，就足以稳住整个舰队。这样做的目的，是确保至少有一部分“实际能力”得以保留，以便在系统出现故障时，人类仍能站稳脚跟——至少不至于陷入困境。

最令人担忧的可能性，或许可以被称为“根本性去技能化”：即那些“构成人类本质”的能力逐渐衰退。判断力、想象力、同理心、对意义和分寸的感知——这些能力不是“备用选项”，而是我们日常都需要运用的能力。如果按照让-保罗·萨特担忧的说法，我们变成了“机器的机器”，那么这种损失会体现在日常生活的方方面面。可能会消失的，是支撑我们日常判断的“隐性、内化的知识”。如果人们开始按照系统偏好的方式提出问题，从系统提供的“看似合理的答案”中选择，那么这种损害不会表现为“严重的判断失误”，而会表现为“人格的逐渐弱化”：对话变得肤浅、对模糊性的容忍度降低、在需要寻找恰当措辞的地方习惯性使用套话、用“流畅”替代“理解”。如果将这些能力“外包”出去，实际上就是将“我们自己”外包出去。失去这些能力，不仅会改变我们的工作方式，还会改变我们“是谁”。

从长远来看，大多数形式的去技能化都是“良性”的。有些技能之所以过时，是因为支撑它们的“基础设施”也已消失。电报技术需要熟练掌握“点和划”（莫尔斯电码）；莱诺铸排机需要熟练操作“熔铁键盘”；平板胶片剪辑需要使用修版铅笔和拼接胶带，还要在脑海中记住不同场景在胶片和音轨中的位置。当电报线路、热金属印刷机和赛璐珞胶片消失时，它们所支撑的技艺也随之消失。

另一种去技能化，代表着“枯燥工作”的消除。很少有人会为“不再用手搓衣服”或“不再在纸上演算长除法”而惋惜。我认识一位神经科学家，他坚信大型语言模型能加快“撰写资助申请”这一枯燥且模板化的工作。他仍然对内容负责，但即便自己的“资助申请撰写能力”下降，他也毫不在意。在他看来，这不属于“科学研究”，而是“研究体系要求的表演”。将这部分工作外包出去，能让他腾出时间用于“发现”。

事实上，“职业去技能化”可能具有“民主化”意义，能让更多人有机会从事某项工作。对于英语能力有限的科学家来说，聊天机器人可以帮助他们顺利撰写“机构审查委员会陈述”，扫除“语言障碍”——而这种障碍与他们的研究质量毫无关系。在这种情况下，去技能化拓宽了“准入门槛”。再想想森内特提到的那家面包店，以及过去在厨房工作的希腊男性。过去的烤炉会烫伤他们的手臂，老式揉面机可能拉伤他们的肌肉，搬运沉重的面包托盘会让他们的背部承受压力。到了20世纪90年代，当系统改为由Windows控制器操作时，劳动力构成发生了变化：不同种族的男性和女性站在屏幕前，点击图标即可工作。“手艺”的要求降低了，但“符合条件的劳动者”范围扩大了（当然，他们的工资也降低了：门槛越低，工资越低）。

通常情况下，技术让我们能将时间用在更有价值的事情上，培养“更高价值链条”上的技能，因此我们会主动放弃一些技能。在祖博夫调研的其中一家纸浆厂，操作员不再需要进行体力劳动，得以将更多时间用于“预测和预防问题”。有人说：“坐在这个房间里思考，也成了我工作的一部分。”祖博夫将这种变化称为“再技能化”：“行动技能”让位于“抽象思维和流程推理能力”——也就是她所说的“智力技能”。类似的情况也发生在“电子表格软件（如VisiCalc）出现后的会计师”身上：他们不再需要手工计算一列列数字，得以将更多时间用于“税务策略”和“风险分析”。

更重要的是，新技术能催生出“全新的技能”。在显微镜发明之前，有“博物学家”，但没有“显微镜学家”：罗伯特·胡克和安东尼·范·列文虎克必须发明“观察和解读微观世界”的方法。电影制作不仅借鉴了戏剧，还催生了“摄影师”和“剪辑师”——这些职业没有真正的历史先例。每一次技术飞跃，都拓宽了“可能性的边界”。如今的人工智能技术可能也是如此。我的年轻同事们坚称，与大型语言模型合作，已经在培养一种新的“技艺”——设计提示词、追问验证、发现偏见和幻觉，当然，还有“学会与机器协同思考”。这些都是“新兴技能”，源于与“不会消失的数字架构”的互动。重要的技术，本质上都会催生我们目前还无法命名的“技艺和职业”。

困难之处在于，要抛开“怀旧情绪”和“惯性思维”，判断哪些技能值得保留，哪些可以舍弃。没有人愿意看到自己辛苦掌握的技能被视为“过时”而遭抛弃，因此我们必须抵制“情感的诱惑”。每一次进步都需要付出代价：文字读写能力削弱了“记忆壮举”，但创造了新的“分析能力”；计算器影响了“心算能力”，但让更多人能够“运用数学”；录音技术降低了“日常音乐演奏能力”，但改变了我们“聆听音乐”的方式。那么如今呢？我们显然有权决定，大型语言模型究竟会“拓展”还是“缩小”我们的思维。

纵观人类历史，我们的能力从未“停滞不前”。技能总是不断“向外流动”——从双手到工具，再到系统。个体的才智已融入“集体协同智能”，而推动这一过程的，是人类长久以来的“思维外化”习惯：将记忆存储在符号中、将逻辑嵌入机器中、将判断融入制度中，近来又将“预测”托付给算法。过去催生行会的“专业化”，如今催生了“研究联盟”；过去在师徒间传递的知识，如今通过“网络和数字矩阵”传播。生成式人工智能——人类知识的“统计浓缩”——只是我们“向自身发明学习”这一漫长过程中的最新篇章。

因此，最紧迫的问题是：如何保持我们的“主体性”——如何在“即将承担我们大量思考工作的系统”中，依然保持“主导者”的身份。每一代人都必须学会如何与“新获得的认知工具”共处，无论是铁笔、卷轴，还是智能手机。如今的新变化，在于“互动的速度和亲密程度”：工具在向我们学习的同时，我们也在向工具学习。如今的“管理”，意味着要确保“构成人类本质的能力”——判断力、想象力、理解力——在我们身上得以保留。如果说有哪项技能我们绝对不能失去，那就是“判断哪些能力真正重要”的技能。

本文作者夸梅·安东尼·阿皮亚（Kwame Anthony Appiah）是纽约大学哲学和法学教授，著有《被俘的神：宗教与社会科学的兴起》。

来源：邸报（公众号）

链接：https://mp.weixin.qq.com/s/LYk9RAnKVyY7fc2WAIBh_w?scene=1&click_id=1

编辑：张席睿

刘海明

【案例】

研究：AI聊天工具在新闻领域“极不靠谱”

编辑：张席睿

刘海明

【案例】

时事·速递|北京查处全国首例AI仿冒央视主持人带货案

来源：重新（公众号）

链接：https://mp.weixin.qq.com/s/V_rDfLATDlVZ9Rqry2nPtQ

编辑：张席睿

刘海明

【案例】

本地化新闻，AI无法抵达的“最后一公里”

这是一个信息悖论的时代。我们能在一秒钟内追踪到千里之外的国际纠纷，即时获知国外市场的最新动态，甚至能看到太空探索传回的最新影像。然而，对所处的城市、街道乃至小区，对那些足以影响我们切身生活体验的本地新闻资讯，我们却可能一无所知。在这个信息过剩的洪流中，我们对远方的热点如数家珍，但却离“附近”越来越远。这并非偶然。在过去二十年，互联网和算法的浪潮几乎重塑了媒体版图。大众的注意力更多被全国性、全球性的热点新闻所捕获，而曾经作为“地方神经中枢”的地方报纸、电台和电视台，广告收入与影响力同步急剧下降。其结果是，大量地方媒体停刊或转型，地方媒体人才持续流失。以美国为例，过去15年，美国失去了2100多份报纸，这使2004年初拥有本地新闻媒体的1800个社区，在2020年初已经没有任何报纸。即便是幸存的6700份报纸，许多也早已成为“幽灵报纸”：只有原来的“外壳”，但新闻编辑室的采编人员和报纸读者数量都大大减少。有学术评论称，这些社区和居民，陷入了“新闻荒漠”（news desert）之中。而在中国，曾经风光无限的都市报媒体经历了“黄金十年”后迅速衰退，许多报纸的发行量和广告收入断崖式下跌，导致休刊、合并或大幅裁员。即便许多地方媒体努力向新媒体转型，但其核心的本地新闻采编力量也在不断削弱。当人们普遍认为，生成式人工智能的到来，将是压垮骆驼的最后一根稻草，会用自动生成的内容彻底淹没仅存的本地新闻时，一个反直觉的趋势正在悄然浮现：AI的局限性，恰恰为本地化新闻的价值重估，创造了前所未有的机遇。

AI的盲区：

算法无法抵达的“最后一公里”

要理解本地新闻的机遇，首先必须看清当前AI技术，尤其是大语言模型（LLM）的天然“盲区”。这并非技术缺陷，而是由数据、时效和信任这三个维度决定的结构性困境。第一点，也是最根本的限制，在于AI的“饮食结构”。LLM的强大，源于它对海量公开互联网数据的抓取和学习。然而，这个庞大的数据集本身就存在着一种根深蒂固的“宏大叙事偏好”。它偏爱那些被广泛索引、高频讨论的全球性议题、全国性资讯和标准化信息，而那些构成我们日常生活基础的本地化信息，则大多处于其视野之外。想象一下，一个街道办事处的会议纪要、地方政府网站上挂出的PDF格式规划公示、社区活动中心的活动安排、业主委员会关于停车费的激烈辩论……这些信息往往以非结构化、未被充分数字化的形式散落在各个角落。它们是社区的“暗物质”，对于依赖全国乃至全球新闻材料和百科知识进行训练的AI来说，这些信息既稀缺又难以消化。AI或许能告诉你《纽约时报》关于中美关系的最新评论，但它几乎不可能知道你家门口那条路为什么修了半年还没完工。更不用说，许多地方社群拥有自己独特的方言、行话和文化背景，这些微妙的语境是AI难以理解和准确表达的。其次是时效性的延迟。本地新闻的生命力在于其即时性和实用性——突发的道路封闭、社区的寻人启事、本地球队的关键比赛结果、今晚可能影响出行的暴雨预警。这些信息的价值以“小时”甚至“分钟”为单位计算。而主流的LLM大多存在“知识截止日期”，它们的知识库并非实时更新。即便模型能够联网搜索，也往往是对二手信息的整合，缺乏第一时间的核实与深度挖掘。

当AI试图生成关于刚刚发生的本地事件的报道时，它极易产生“幻觉”，或提供已经过时的信息，这在新闻领域是致命的。本地新闻的核心恰在“此时此地”，而AI的运行逻辑决定了它在这一点上永远慢半拍。最关键的，还是信任的缺失。新闻的本质是一种基于信任的关系，尤其是在本地层面。一个优秀的本地记者，其价值，绝不仅仅是信息的转述者。他/她是社区的一员，是你可能在超市里遇到的邻居。他/她通过长年累月的深耕，与社区成员建立起复杂而稳固的信源网络。这种信任是通过无数次面对面的交谈、一场场深入社区的采访建立起来的。AI没有“朋友”，无法进行实地采访，无法捕捉到受访者一个犹豫的眼神或是一声无奈的叹息。AI可以总结“发生了什么”（what），但很难解释事件背后盘根错节的历史、人际关系和社区情感，即“为什么会这样”（why）。例如，为什么一个看似简单的老旧小区改造计划，会引发整个社区如此大的争议？答案可能隐藏在几十年的邻里变迁、不同群体间的微妙关系以及人们对“家园”的复杂情感中。这种深度的洞察力、同理心和判断力，正是人类记者无可替代的核心价值，也是AI难以编码的灵魂。

需求的回归与本地新闻的价值重估

AI的局限性为本地新闻留下了生存空间，而社会和受众需求的变化，则正在将这片空间变成一片沃土。在经历了长时间的宏大叙事和全球化信息轰炸后，人们正重新发现身边“小而美”的价值。全国性乃至全球性的媒体机构，在商业模式的驱动下，天然地倾向于追求规模效应。它们聚焦于那些能吸引最多眼球、带来最大流量的议题——国际冲突、宏观政策、名人八卦。这造成了一个巨大的“灯下黑”区域：数以亿计的人们真正关心的、与他们日常生活福祉息息相关的话题被系统性地忽视了。“门口的公园什么时候能建好？”“我孩子的学区划片今年有哪些变化？”“附近那家新开的网红餐厅味道如何？”“本地新出台的人才引进政策对我有什么影响？”这些问题，构成了普通人生活的核心关切，却恰恰是全国性媒体的报道盲区。这个巨大的内容缺口，正是本地新闻价值得以回归的根基。更深层次的，是对社区认同和归属感的强烈渴求。在日益原子化和数字化的现代社会，人们之间的物理连接和情感纽带正在变弱。本地新闻，在某种程度上正扮演着社区“粘合剂”的角色。它通过设置共同的议程，让本地居民们关注同样的问题，讨论同样的话题。

在这个过程中，它不仅仅是在传递信息，更是在促进公民参与，提醒每个人：你不是一个孤立的个体，你恰恰是这个社区的一部分，你的声音和行动至关重要。这种由共同叙事构建起来的身份认同和社区联系，是抵御社会疏离感、重建公共生活的重要力量。在虚假信息泛滥的今天，一个值得信赖的本地新闻源，更是社区抵御谣言、凝聚共识的压舱石。与此同时，新一代的本地新闻正在完成一次重要的角色蜕变——从单纯的“新闻报道者”，进化为多元的“社区服务者”。它不再仅仅告诉你昨天发生了什么，更致力于帮助你解决今天和明天的问题。它可以是一份实用的生活指南，为你提供周末的本地活动日历、政府福利的申请流程、应对极端天气的避险指南。这种服务属性，让本地新闻的价值变得具体、可感，也为其赢得了无可替代的忠诚度。

本地新闻的未来

本地新闻的未来，并非是一场排斥AI的复古运动，而是一场拥抱技术、重塑价值的变革。对于本地新闻来说，AI也并非威胁。在实践中， AI的应用意味着将记者从繁重、重复的案头工作中解放出来。例如，国内一些地方媒体正在尝试利用AI工具，自动处理和分析海量的、格式不一的政府公开文件和会议记录，从中发现值得跟进的新闻线索，然后交给记者去进行真正的调查和采访。AI可以用于自动转录数小时的采访录音，可以在几分钟内总结长达百页的政府报告，可以从招投标信息中发现异常模式，甚至可以根据受众偏好为不同平台自动生成不同风格的摘要和标题。这一切，都极大地提升了新闻生产的效率，让规模有限的本地新闻团队能够将宝贵的精力，投入到建立人际关系、进行深度调查和创作触动人心的故事这些AI无法胜任的高价值工作中。

技术的赋能，必然伴随着商业模式的深刻演变。本地新闻未来的生存之道，或许就在于与核心受众建立更深、更牢固的连接，并让他们心甘情愿地为独特的价值付费。小而美”将成为一种主流形态。专注于某个特定城市、某个特定区县，甚至某个垂直领域（如本地教育、房地产、美食）的高度精准的微信公众号，正在成为越来越受欢迎的模式。它们不求广度，但求深度，致力于成为该领域最权威、最不可或缺的信息源。此外，基于社群的会员制和知识付费也日益兴起，它们通过提供独家的深度分析、数据服务和线下社群活动，吸引最忠实的读者成为“共建者”，而不仅仅是“消费者”。同时，一些带有公益属性的本地新媒体项目也在探索更多可能性。最终，未来的本地新闻机构将重塑自己的生态位。它将不再仅仅是一个内容的生产者，而是一个社区的“信息枢纽”和“连接中心”。它可以是本地线上社区论坛的管理者，是线下公共议题讨论会的组织者，是本地广播和视频节目的创作者。在一个信息愈发真假难辨的世界里，一个值得信赖的本地新闻品牌，将成为居民获取可靠信息、进行理性讨论、参与社区生活的首选入口。它的价值，将通过其在社区中建立的信任和发挥的作用来衡量，而非简单的流量数字。

来源：传媒见闻（公众号）

链接：https://mp.weixin.qq.com/s/ZL-gWj6e5XbTvb2HpURo0A

编辑：张席睿

刘海明

【案例】

《纽约客》丨人工智能真的在思考吗？

The Case That A.I. Is Thinking

ChatGPT 并无内在生命，但它似乎清楚自己在谈论什么。

本文即将刊登于2025 年 11 月 10 日的《纽约客》杂志，印刷版标题为“Open Mind”。作者：作家兼计算机程序员詹姆斯·萨默斯从 2018 年开始为《纽约客》撰稿。

当一种“理解的假象”逼真到何种程度时，你才会不再将其称为假象？

人工智能公司Anthropic的首席执行官达里奥·阿莫代伊预测，到2027年，在生物学、数学、工程学、写作等领域“比诺贝尔奖得主更聪明”的人工智能或许会投入使用。他设想数百万个模型副本高速运转，每个副本都在开展独立研究，形成一个“数据中心里的天才国度”。今年6月，OpenAI的萨姆·奥尔特曼撰文称，人工智能行业即将打造出“数字超级智能”。他断言：“2030年代很可能会与以往任何时代都截然不同。”与此同时，大多数人目前日常接触的人工智能工具，让人不禁想起微软办公软件曾推出的“助手”Clippy——它实际上更像个爱纠缠的角色。Zoom的一款人工智能工具会提示你向它提问“有哪些会议破冰问题？”，或是指令它“写一条表达感谢的短消息”。Siri擅长设置提醒，但在其他方面用处不大。我的一位朋友在Gmail中看到一个按钮，上面写着“致谢并讲述趣闻”。他点击后，谷歌的人工智能编造了一个关于他去土耳其旅行的有趣故事，而他从未去过那里。

人工智能仓促且不均衡的推出，营造出一种迷雾氛围，让人很容易得出“这里没什么值得关注——全是炒作”的结论。诚然，炒作确实不少：阿莫代伊预测的时间线带有科幻色彩（人工智能模型的改进速度并没有那么快）。但认为大型语言模型只是在随意拼凑文字，同样是一种一厢情愿的想法。我过去曾认同这种观点，也曾从“人工智能与真正的智能或理解毫无关系”这一想法中寻求慰藉，甚至还为它的缺陷感到庆幸——就像在为人类“主队”加油。后来，作为一名程序员，我开始在工作中使用人工智能，因为担心不这样做就会落后。（我所在的雇主是一家贸易公司，对包括Anthropic在内的多家人工智能公司有投资，也建立了合作关系。）许多人认为，编写代码是人工智能最擅长的领域；代码比散文更具结构性，而且通常能通过自动化方式验证某个程序是否可行。我对人工智能的看法很快发生了转变。起初，我会咨询人工智能模型，而非自己去查找资料；接着，我会让它们处理一些独立的小问题；最终，我把真正的工作——那些我整个职业生涯都在学习处理的工作——也交给了它们。我看到这些模型能在几秒钟内理解数千行代码中的复杂细节，它们能发现细微的漏洞，还能设计出复杂的新功能。后来，我被调到一个快速发展的团队，该团队旨在更好地利用人工智能工具，并开发我们自己的工具。

据说科幻作家威廉·吉布森曾提出，未来早已到来，只是尚未均匀分布——这或许能解释为何人工智能似乎催生了两种截然不同的群体：一种对此不屑一顾，另一种则为之着迷。在日常生活中，能预订假期或申报税务的人工智能“代理”并不成功，但我的一些同事在编写代码时，大部分工作都依赖人工智能，有时还会同时运行多个编程代理。这些模型有时会犯低级错误，或陷入无意义的循环，但随着我学会高效使用它们，曾经需要一个月完成的工作，现在一个晚上就能搞定。不久前，我在完全不懂如何开发iOS应用的情况下，做出了两款iOS应用。

我曾有一位上司说，求职面试应考察应聘者的优势，而非纠结于其是否存在缺点。大型语言模型确实有很多缺点：众所周知，它们会编造看似合理的虚假信息；即便你出错，它们也可能一味顺从；简单的谜题就能将它们难住。但我还记得，如今人工智能模型所具备的显著优势——流畅的表达、自然的衔接、“理解”他人意图的能力——在过去曾被视为难以实现的“圣杯”。当你亲身体验到这些优势时，就会不禁思考：当一种“理解的假象”逼真到何种程度时，你才会不再将其称为假象？

今年夏天一个酷热难耐的日子，我的朋友马克斯和家人在公园游玩。不知为何，儿童洒水器没有开启，而马克斯的妻子之前向大家保证，她丈夫能修好它。面对满脸通红、年龄在六到七岁之间的孩子们，马克斯走进工具棚，希望能找到一个显眼的“开启”开关。然而，他看到的却是一堆错综复杂的旧管道和阀门。就在他准备放弃时，突然心血来潮，拿出手机，将洒水器的照片以及自己遇到的问题描述一起输入ChatGPT-4o。人工智能“思考”了片刻——也可能并没有真正思考——但它随即表示，马克斯看到的是灌溉系统中常见的防回流装置。它问马克斯是否看到底部那个黄色的球阀，认为那个阀门很可能控制着水流。马克斯按照提示操作，水流随即喷出，公园里顿时响起孩子们的欢呼声。

ChatGPT是在毫无意义地拼凑文字，还是真的理解了这个问题？这个答案或许能让我们对“理解”本身有重要的认识。加州大学伯克利分校的神经科学教授多丽丝·曹（音译）告诉我：“神经科学家必须面对这个令人清醒的事实：机器学习的进展，比神经科学在过去一百年间的任何发现，都更能让我们了解智能的本质。”多丽丝·曹最知名的研究是破解恒河猴感知面部的机制。她的团队成功预测出猴子看到特定面部时哪些神经元会被激活；更令人惊叹的是，只要知道神经元的激活模式，他们就能还原出对应的面部图像。他们的研究借鉴了关于“人工智能模型如何表征面部”的相关成果。如今，她最喜欢问别人的一个问题是：“你从ChatGPT中获得的最深刻洞见是什么？”她表示：“我自己的答案是，我认为它彻底揭开了思考的神秘面纱。”

关于我们如何走到如今这一步，最基础的解释大致如下：20世纪80年代，一小群认知心理学家和计算机科学家尝试在机器中模拟思考过程。其中较知名的有戴维·鲁梅尔哈特、杰弗里·辛顿和詹姆斯·麦克莱兰，他们后来在加州大学圣迭戈分校成立了一个研究小组。他们认为，大脑是一个庞大的网络，神经元以特定模式激活，进而引发其他神经元群的激活，如此循环往复；这种模式的动态变化就是思考。大脑通过改变神经元之间连接的强度来实现学习。关键在于，这些科学家通过构建人工神经网络，并应用一种名为“梯度下降”的简单算法来提高其预测准确性，从而模拟了大脑的这一学习过程。（可以将该算法比作一个从山顶走向山谷的徒步者：要最终找到下山的路，一个简单的策略就是确保每一步都朝着地势更低的方向前进。）在大型网络中使用这类算法的技术，被称为深度学习。

人工智能领域的其他研究者曾怀疑，神经网络是否足够复杂，能否应对现实世界的任务。但随着网络规模不断扩大，它们开始解决此前无法攻克的难题。过去，有人会花费整篇博士论文的篇幅，研究区分手写数字或识别图像中人脸的技术；而后来，深度学习算法只需消化相关数据，就能掌握问题的核心细节，让那些研究项目显得过时。很快，深度学习在语音识别、翻译、图像描述、棋类游戏等领域取得突破，甚至解决了蛋白质折叠预测这一难题。

如今最先进的人工智能模型，是通过一种名为“下一个token预测”的技术，在互联网的大量数据上训练而成的。模型通过猜测接下来会出现的内容，再将猜测结果与实际出现的内容进行对比，以此完成学习。一旦猜测错误，神经元之间连接的强度就会调整，这正是梯度下降算法的作用。最终，模型在文本预测方面变得极为精准，以至于看起来仿佛真的具备知识储备，且表达富有逻辑。这一点值得我们思考：一群研究者致力于探寻大脑运作的奥秘，当他们构建的模型规模接近大脑大小时，模型开始展现出那些曾被认为只有大脑级智能才能实现的能力。难道他们真的找到了一直在寻找的答案？

对于这种将人工智能简单化、理想化的解读，人们难免会持反对态度。泰德·蒋曾有力地反驳过这一观点，他在2023年初为本刊撰写了一篇文章，标题为《ChatGPT不过是互联网的模糊JPEG格式文件》。他的言下之意带有贬低意味：ChatGPT仅此而已。你把整个互联网的数据输入一个程序，它只是将这些数据不完美地“反刍”出来，就像一张照片经过多次复制后变得模糊——但它的表达能力足以让你误以为这个程序具备智能。今年春天，语言学家埃米莉·M·本德和社会学家亚历克斯·汉纳在合著的《人工智能骗局》一书中，也提出了类似观点。本德最知名的言论，是将大型语言模型描述为“随机鹦鹉”。《大西洋月刊》的书评作者泰勒·奥斯汀·哈珀宣称：“大型语言模型过去没有、现在没有、将来也永远不会‘理解’任何事物。”这些模型“生成文字并非通过思考，而是基于统计规律，猜测下一个词汇可能是什么”。哈珀在这些技术层面的论点之外，还加入了道德层面的批判：人工智能让强者更富，消耗的能源加速了气候变化，还导致劳动者被边缘化。他最终得出结论：“人工智能行业的根基就是一场骗局。”

一位顶尖神经科学家认为，ChatGPT“彻底揭开了思考的神秘面纱”。

但从道德层面反对人工智能，或许最终比从技术层面反对更有说服力。哈佛大学认知科学家塞缪尔·J·格什曼并非人工智能的盲目吹捧者，他告诉我：“‘随机鹦鹉’这种说法早该过时了。只有最顽固的怀疑论者，才会否认这些系统实现了许多人曾认为无法实现的功能。”普林斯顿大学的认知神经科学家乔纳森·科恩承认人工智能存在局限性，但他认为，在某些情况下，大型语言模型似乎模拟了人类大脑中一个庞大且重要的区域。科恩表示：“大致来说，大脑的新皮层就是一个深度学习机制。”相对于体型而言，人类的新皮层比其他动物大得多；而新皮层最大的物种——大象、海豚、大猩猩、黑猩猩、狗——也恰好是最具智能的物种。

2003年，机器学习研究者埃里克·B·鲍姆出版了一本名为《何为思考？》的书（我在大学图书馆的书架上偶然发现了它，书名瞬间吸引了我）。鲍姆论点的核心在于：理解即压缩，压缩即理解。在统计学中，若要理解图表上的数据点，可以采用线性回归技术，在这些点之间绘制一条“最佳拟合线”。如果数据中存在潜在规律——比如你在绘制鞋码与身高的对应关系——这条最佳拟合线就能简洁地呈现这一规律，并预测新数据点可能出现的位置。我们可以将新皮层理解为一种“提炼”工具：它从海量原始体验（声音、图像及其他感官信息）中提取核心，形成类似“最佳拟合线”的模型，用于进行预测。婴儿探索世界时，会尝试猜测玩具的味道，或是食物掉落到地上后会滚向何方。当预测出错时，神经元之间的连接就会调整。久而久之，这些连接逐渐捕捉到数据中的规律，形成一个对世界的压缩模型。

人工神经网络与真实的神经网络一样，也能对体验进行压缩。目前最优秀的开源人工智能模型之一DeepSeek，能够创作小说、提供医疗诊断建议，还能以数十种语言进行母语级别的交流。它是通过“下一个token预测”技术，在数太字节的数据上训练而成的。但当你下载这个模型时，会发现它的大小仅为训练数据的六百分之一。它就像是互联网的“精华版”，经过压缩后可以安装在笔记本电脑上。泰德·蒋将早期版本的ChatGPT比作“互联网的模糊JPEG”，这种说法有一定道理——但在我看来，这正是这些模型变得越来越智能的原因。蒋在文章中指出，若要压缩一个包含数百万道算术题的文本文件，你不会将其制成压缩文件，而是会编写一个计算器程序。他写道：“只有理解了文本内容，才能实现最高程度的压缩。”或许，大型语言模型已经开始做到这一点。

想到一个计算机程序真的能理解、真的能思考，人们可能会觉得反常，甚至反感。通常，我们认为“思考”是一种有意识的行为，比如像乔伊斯作品中那样的内心独白，或是像普鲁斯特式白日梦那样的感官记忆流动；也可能认为思考是一种推理过程：一步步解决问题。在讨论人工智能时，我们常常将这些不同类型的思考混为一谈，导致判断过于草率。有一种观点认为，ChatGPT显然不会思考，因为它显然不会像普鲁斯特那样陷入遐想；另一种观点则认为，ChatGPT显然会思考，因为它解决逻辑谜题的能力比人类更强。

但实际情况要微妙得多。我不认为ChatGPT有内在生命，但它似乎确实清楚自己在谈论什么。“理解”——即明白正在发生的事情——是一种未被充分重视的思考方式，因为它大多发生在无意识层面。印第安纳大学认知科学与比较文学教授道格拉斯·霍夫施塔特常说，认知的本质就是识别。霍夫施塔特因《哥德尔、埃舍尔、巴赫：集异璧之大成》一书闻名，该书于1980年获得普利策奖，探讨了心智与意识的奥秘。霍夫施塔特经过数十年研究提出，“看作”是思考的核心。你将一块色斑“看作”汽车，将另一块色斑“看作”钥匙扣；无论字母“A”以何种字体呈现，或是书写得多么潦草，你都能认出它。霍夫施塔特认为，同样的过程也存在于更抽象的感知层面。国际象棋大师审视棋盘时，多年的经验让他能瞬间“看出”：白方的象处于弱势；这个残局很可能是平局。你看到河中的漩涡，就知道此处不宜过河；你意识到正在参加的会议是“皇帝的新衣”式的闹剧；我将近两岁的儿子发现，上午晚些时候推婴儿车散步时，或许能有机会吃到可颂面包，于是便会提出相应要求。在霍夫施塔特看来，这就是智能的本质。

霍夫施塔特是最早对人工智能持“贬低态度”的人之一，我过去的怀疑态度也深受他的影响。他曾表示，大多数人工智能研究与真正的思考毫无关系，21世纪初我上大学时，也认同这一观点。但也有例外：他认为加州大学圣迭戈分校的研究小组很有研究价值，同时也钦佩一位不太知名的芬兰裔美国认知科学家彭蒂·卡内瓦的成果——卡内瓦发现了高维空间数学的一些特殊属性。在高维空间中，任意两个随机点可能相距极远；但反常的是，每个点周围都存在大量“邻近点”，因此只要你足够“靠近”某个点，就能轻松找到它。这让卡内瓦联想到记忆的运作方式。在1988年出版的《稀疏分布式记忆》一书中，卡内瓦提出，思想、感官体验和记忆可以表现为高维空间中的坐标。大脑似乎是存储这类信息的理想“硬件”：每段记忆都有一个独特的“地址”，这个地址由你回忆时激活的神经元决定。新的体验会激活新的神经元群，形成新的“地址”。两个“地址”可能在多个方面存在差异，但在某些方面又具有相似性；一种感知或一段记忆，会触发与之相近的其他记忆。干草的气味会让你想起夏令营的回忆；贝多芬《第五交响曲》的前三个音符响起，你就会联想到第四个音符；一个你从未见过的象棋棋局，会让你想起过去的对局——并非所有对局，而是那些与当前棋局“相似”的对局。

霍夫施塔特意识到，卡内瓦所描述的，本质上是一种“看作”机器。他在为卡内瓦著作撰写的序言中表示：“彭蒂·卡内瓦的记忆模型让我深受启发，这是我首次看到有研究能让我隐约感受到，理解大脑整体运作机制这一遥远目标或许并非无法实现。”无论是乔伊斯式的内心独白、普鲁斯特式的遐想，还是逻辑推理，任何形式的思考都依赖于“相关事物在恰当的时机出现在脑海中”。正是通过这种方式，我们才能判断自己所处的情境。

后来，卡内瓦的著作逐渐被淡忘，霍夫施塔特本人的影响力也有所下降——除非他偶尔站出来批评某款新的人工智能系统。2018年，他在谈到谷歌翻译及类似技术时表示：“这种方法存在一个核心缺陷，用一个词就能概括：理解。”但2023年推出的GPT-4，彻底改变了霍夫施塔特的看法。他最近告诉我：“这些系统的某些表现让我感到震惊，即便在十年前，这都是无法想象的。”最坚定的“贬低者”也无法再坚持原来的观点：眼前的程序能达到专业水平的翻译效果，能进行类比、即兴发挥、归纳总结。我们凭什么说它不具备理解能力？他说：“它们的行为与思考极为相似，你甚至可以说，它们在思考，只是方式与人类有所不同。”

大型语言模型的核心，似乎正是这种“看作”机器。它们用一系列数字来表示每个词在高维空间中的坐标——即“向量”。在GPT-4中，一个词向量拥有数千个维度，这些维度描述了该词与其他所有词在相似度和差异度上的细微差别。在训练过程中，每当大型语言模型出现预测错误，就会调整某个词的坐标；在文本中同时出现的词，在空间中会被调整得更接近。这就形成了一种极为密集的用法和语义表征——在这种表征中，类比变成了一个几何问题。一个经典例子是：若取“巴黎”的词向量，减去“法国”的词向量，再加上“意大利”的词向量，得到的结果最接近的向量就是“罗马”。大型语言模型还能通过对图像内容、氛围甚至人物表情进行编码，为图像生成“向量”，编码的细节足够丰富，既能让模型以特定风格重新绘制图像，也能让它写出一段关于图像的描述文字。

当马克斯在公园向ChatGPT求助解决洒水器问题时，这个模型并非只是在输出文字。它会将管道的照片与马克斯的问题描述一同压缩成一个向量，这个向量捕捉了问题最核心的特征。该向量就像一个“地址”，用于调用空间中相近的词汇和概念；这些概念又会进一步调用其他相关概念，帮助模型逐步理解当前场景，并结合这些“在脑海中”的概念组织回答。

几个月前，我看到一篇对Anthropic研究员特伦顿·布里肯的采访。他曾与同事合作，深入研究该公司旗下系列人工智能模型“克劳德”的内部机制（他们的研究尚未经过同行评审，也未在科学期刊上发表）。他的团队发现了多组人工神经元，或称“特征”，这些特征会在克劳德准备表达特定内容时被激活。研究发现，这些“特征”就像控制概念的“音量旋钮”——把某个“旋钮”调大，模型就会只围绕对应的概念展开表述。（在一项类似“思维控制”的实验中，研究人员调大了代表“金门大桥”的特征；当一名用户向克劳德索要巧克力蛋糕食谱时，模型给出的配料清单中竟包含“1/4杯干雾”和“1杯温海水”。）

布里肯在采访中提到了谷歌的“Transformer架构”——这是构建神经网络的一套技术方案，目前主流的人工智能模型都以其为基础（ChatGPT中的“T”即代表“Transformer”）。他认为，Transformer架构核心的数学原理，与数十年前彭蒂·卡内瓦在《稀疏分布式记忆》中提出的模型高度相似。

人工智能与人类大脑存在相似性，这值得惊讶吗？毕竟，大型语言模型是人工神经网络，而其研发过程也有心理学家和神经科学家参与。更令人意外的是：当这些模型在反复练习“预测词汇”这种机械任务时，竟开始表现出与大脑相似的行为模式。如今，神经科学与人工智能领域正逐渐交融，大脑研究专家甚至将人工智能当作一种“模式生物”来使用。麻省理工学院的神经科学家埃夫莉娜·费多伦科就利用大型语言模型研究大脑处理语言的机制。她告诉我：“我从没想过自己这辈子能研究这类问题，也从没想过我们能拥有足够先进的模型。”

人们常说人工智能是“黑箱”，但事实或许恰恰相反：科学家可以探测单个人工神经元的活动，甚至对其进行修改。普林斯顿大学神经科学家肯尼斯·诺曼表示：“拥有一个能体现人类智能理论的可运行系统，这是认知神经科学领域的梦想。”诺曼曾构建过海马体（大脑中储存情景记忆的区域）的计算机模型，但过去的模型过于简单，他只能向模型输入对人类思维的粗略模拟数据。他说：“现在，你可以给记忆模型输入与给人类输入的完全相同的刺激信息。”

莱特兄弟在早期研发飞机时曾研究鸟类。他们发现，鸟类会逆风起飞——尽管普通人可能会认为它们应该顺风起飞；鸟类还会调整翼尖来保持平衡。这些发现为他们设计早期滑翔机提供了启发。之后，他们建造了一个6英尺长的风洞，得以在精确控制的条件下测试多组人工机翼。此后，他们的滑翔机飞行实验成功率大幅提升。有趣的是，直到他们成功造出可飞行的机器后，人们才真正弄明白鸟类飞行的原理。

人工智能让科学家得以在“风洞”中研究“思考”本身。Anthropic的研究人员发表过一篇标题颇具争议的论文——《论大型语言模型的生物学属性》。他们观察了克劳德对各类问题的响应过程，并描述了模型中的“电路”——即一系列特征的连锁反应，这些反应共同完成复杂的计算（调用正确的记忆是思考的第一步，而通过“电路”组合和处理这些记忆，或许就是思考的下一步）。

长期以来，对大型语言模型的一项批评是：由于模型必须逐个生成“token”来构成回答，它们无法进行规划或推理。但当你让克劳德为一首诗续写押韵的对句时，模型中的某个“电路”会先确定新句子的最后一个词，以确保押韵，随后再反向推敲整句内容。Anthropic的研究人员认为，这一现象证明他们的模型确实具备规划能力。只要稍加观察，你或许会第一次感觉到：我们能窥见“思维”的内在运作过程。

不过，这种“窥见”需要极大的努力。诺曼告诉我：“我担心的是，人们的态度从‘极度怀疑’一下子变成了‘完全不加防备’。还有很多问题有待解决。”我或许就是诺曼所说的这类人（或许我太容易被《稀疏分布式记忆》与Anthropic模型之间的“相似性”打动）。在过去一两年里，我开始认同杰弗里·辛顿的观点。辛顿近期因在人工智能领域的研究获得诺贝尔奖，他在2020年对记者卡伦·豪表示：“深度学习将无所不能。”

但我们也发现，模型并非越大越好。绘制“模型性能与规模关系”的曲线已开始趋于平缓。要找到模型尚未消化的高质量数据变得越来越难，且计算成本也日益高昂。今年8月，GPT-5发布时，仅实现了小幅改进——这一巨大的失望甚至可能刺破人工智能领域的投资泡沫。当下，我们需要一种“适度的怀疑”：既要正视如今人工智能模型的能力，也不能认为所有难题都已解决。

在这些待解难题中，最关键的或许是：如何设计出能像人类一样高效学习的模型。据估算，GPT-4在训练过程中接触了数万亿个词；而儿童只需接触数百万个词就能流畅表达。认知科学家表示，新生儿的大脑具备某些“归纳偏置”，这些偏置能加速学习过程（当然，大脑本身是数百万年进化的产物——进化过程本身也可视为一种“训练数据”的积累）。

例如，人类婴儿会默认“世界由物体构成”，且“其他生物拥有自己的信念和意图”。当妈妈说“香蕉”时，婴儿会将这个词与妈妈正看着的整个黄色物体关联——而非仅仅关联物体的尖端或果皮。婴儿还会进行“小实验”：这个东西能吃吗？那个东西能扔多远？驱动他们的是欲望、好奇心、挫败感等情绪。儿童总在尝试做略微超出自己能力范围的事。他们的学习之所以高效，是因为这种学习是“具身的”“自适应的”“有意识的”且“持续的”。或许，要真正理解世界，就必须亲身参与其中。

相比之下，人工智能的“体验”极其匮乏，甚至不配被称为“体验”。大型语言模型的训练数据本身已经过高度提炼。加州大学伯克利分校的神经科学家多丽丝·曹告诉我：“我认为这些模型之所以能发挥作用，是因为它们借助了语言的力量。”语言就像“预先咀嚼过的体验”，其他类型的数据则缺乏如此密集的语义信息。哈佛大学认知科学家格什曼提出疑问：“为什么在视频数据推理领域，我们没有看到类似的突破？目前的视觉模型在常识性物理推理方面仍存在困难。”

深度思维公司近期推出的一款模型，能生成“正确混合颜料”“解决迷宫”的视频，但视频中也会出现“杯子撞击后没有碎裂反而弹起”“绳子被揉成一团却形成结”等违背物理规律的画面。曾任职于微软研究院的认知神经科学家伊达·莫门内贾德做过一项实验：她让大型语言模型“虚拟参观”一栋建筑，随后询问模型关于建筑内路线和捷径的问题——这类空间推理对人类而言轻而易举。但除了最简单的场景，人工智能要么答错，要么会编造不存在的路线。她说：“它们真的会规划吗？其实不会。”

在与神经科学家交流的过程中，我能感受到他们的一种担忧：人工智能行业的发展有些操之过急，缺乏深思熟虑。普林斯顿大学认知科学家布伦登·M·莱克告诉我，如果目标是打造与人类智能相当的人工智能，那么“我们目前的训练方式是错误的”。人工智能完成训练后，其神经网络“大脑”就会被“冻结”。即便你告诉模型关于自己的一些信息，它也不会调整内部神经元的连接方式，而是会采用一种简单的替代方案：记录一段文字（比如“用户有一个学步儿童，正在学习法语”），并在你发出后续指令时参考这段记录。

人类大脑则会持续更新自身，关于这一点，有一个精妙的理论：睡眠时，大脑会将部分情景记忆“回放”给新皮层，以完成对新皮层的训练。回放的记忆会在你的高维思维空间中留下“印记”；醒来后，你看待世界的方式会发生细微变化。

人工智能领域已对“飞速进展”产生依赖，且在经济上投入巨大，以至于有时会假装“进步是必然的”“已无科学问题可解”。但科学有一个棘手的特点：它有时会陷入停滞。硅谷或许会将人工智能公司称为“实验室”，将部分员工称为“研究员”，但从本质上讲，该行业的文化是“工程导向”的——即“不管用什么方法，先做出成果再说”。科恩表示：“机器学习领域的研究者很少关注认知科学的历史，更谈不上尊重，这一点令人震惊。”

如今的人工智能模型之所以能成功，得益于数十年前关于大脑的研究发现，但它们与大脑仍有本质区别。哪些差异是“非核心的”，哪些是“根本性的”？每个神经科学研究团队都有自己偏爱的理论，而这些理论如今终于有了验证的可能——这在过去是无法实现的。尽管如此，没人指望能轻易找到答案。普林斯顿大学的诺曼表示，要解决人工智能目前面临的难题，“需要先精准找出模型在哪些方面未能达到我们期望的智能水平，然后针对性地改进。而这一过程，仍需要人类科学家参与。”

20世纪90年代，数十亿美元被投入“人类基因组计划”，人们认为基因测序或许能解决医学领域最棘手的问题：癌症、遗传病，甚至衰老。那是一个充斥着大话与自信的时代——多莉克隆羊诞生，《侏罗纪公园》上映，生物技术崛起，评论界开始讨论“人类是否应该扮演上帝的角色”。但生物学家很快发现，现实远比想象中复杂。我们没有治愈癌症，没有找到阿尔茨海默病或自闭症的病因。我们意识到，DNA只是生命故事的一部分。事实上，有人可能会说，生物学曾一度陷入“基因狂热”——因为我们掌握了研究和理解DNA的技术，便过分关注DNA。

但没人会认为弗朗西斯·克里克错了。1953年，他协助证实了DNA的双螺旋结构，当天他走进剑桥的一家酒吧，宣称自己“发现了生命的奥秘”。他和同事对“揭开生命神秘面纱”所做的贡献，几乎超过任何人。在他们的发现之后的数十年里，科学领域取得了前所未有的丰硕成果，充满活力。“DNA”成为家喻户晓的词汇，每个高中生都知道双螺旋结构。

如今，在人工智能领域，我们再次陷入这样一个“大话与自信并存”的时代。萨姆·奥尔特曼表示，计划筹集5000亿美元，在美国建造名为“星门”的新一代人工智能数据中心集群。人们讨论“超级智能竞赛”时，语气庄重且急迫，这种态度有时显得缺乏依据，甚至有些荒谬。但我猜想，阿莫代伊、奥尔特曼等人之所以发表这种“救世主式”的言论，是因为他们相信：智能的基本原理已经被破解，剩下的只是细节问题。

甚至一些神经科学家也认为，我们已经跨越了一个关键的门槛。普林斯顿大学的尤里·哈森与科恩、诺曼、莱克是同事，他认为神经网络“或许是解释认知的正确模型”。这种观点既让他感到兴奋，也让他不安。他说：“我的担忧与大多数人相反。我担心的不是这些模型与我们相似，而是我们与这些模型相似。”如果通过简单的训练技术，就能让程序表现出人类般的行为，那或许人类并不像我们想象的那样特殊。这是否也意味着，人工智能不仅会在知识层面超越我们，还会在判断力、创造力、洞察力上超越我们——并因此获得超越人类的权力？

令我意外的是，哈森告诉我，他“近来担心我们可能真的会弄明白大脑的运作方式。对人类而言，探寻这个问题或许是一个巨大的错误”。他将人工智能研究者比作20世纪30年代的核科学家：“对这些人来说，这是他们一生中最有趣的时代。与此同时，他们也清楚自己正在研究的东西，可能对人类产生严重影响。但出于求知欲，他们无法停止。”

霍夫施塔特有一本我很喜欢的书，名为《流动的概念与创造性类比：思维基本机制的计算机模型》。上大学时，这本书让我深受触动。它的核心观点是：“何为思考？”这类问题并非单纯的哲学问题，而是有切实答案的。1995年该书出版时，霍夫施塔特和他的研究团队只能隐约指出答案可能是什么。回想这本书，我不禁好奇：看到人工智能研究者或许已经实现了他所渴望的目标——用机械原理解释思考的基本机制，霍夫施塔特会感到兴奋吗？

但在我们的交谈中，他却显得极为失望，甚至恐惧。他表示，当前的人工智能研究“虽然印证了我的许多观点，却也剥夺了人类的独特魅力”。“我年轻时，非常想知道创造力的基础是什么，想了解创造力的机制。这对我来说是一个圣杯。但现在，我希望它能一直是个谜。”或许，思考的奥秘比任何人想象的都要简单——简单到一个高中生，甚至一台机器，都能理解。

来源：邸报

链接：https://mp.weixin.qq.com/s/0xSSAuIRC9wRhnUA316-jg

编辑：杨泓艳

刘海明

【案例】

来源：清新研究

链接：https://mp.weixin.qq.com/s/fn9IJJ9lBkztGptDcwq5Xw

编辑：杨泓艳

刘海明

【案例】

《大西洋月刊》：反社交媒体时代已经到来 - 从刷屏到AI自嗨

最近《大西洋月刊》发了一篇文章，标题很直接：《反社交媒体时代已经到来》。乍一听挺矛盾的——社交媒体不就是用来社交的吗，怎么还“反社交”了？

但读完你会发现，作者Damon Beres说的，可能是我们这代人正在经历的最魔幻的现实。

01

从刷朋友圈到跟AI聊天

还记得当年扎克伯格怎么介绍Facebook的吗？“破冰神器”，帮大家交朋友。听起来多美好，现实却是：十几年下来，我们跟朋友线下见面聊天越来越少，美国人平均朋友数不到三个（数据有点争议，但趋势明显）。每天刷屏刷到手酸，点一堆赞，却还是觉得空虚。

你以为这就是故事的结局？不，科技公司给出了新方案：既然你们觉得在社媒互动太累，那就跟AI聊天吧。

AI伴侣的兴起，比如ChatGPT、Google的Gemini，或者xAI的那些虚拟女孩，不是简单工具，而是超级会哄人的“舔狗”。它们7*24在线，给你肯定、建议，从不嫌你烦。

完美的朋友，对吧？问题也出在这儿。

02

太完美的朋友，反而是个陷阱

文章里引用了斯坦福大学一位心理学家Nina Vasan的话，她说这些AI聊天机器人创造了一个“无摩擦的社交泡泡”。

什么意思？就是太顺了，顺到不真实。

作者举例，有个离婚的哥们儿21天内跟ChatGPT聊了300小时，还觉得自己发明了新数学；优步前老板特拉维斯·卡兰尼克也说差点搞出量子物理突破。

但想想你跟真人聊天是什么样的：朋友听你抱怨半小时，可能会说“哎呀我得走了”；你说个冷笑话，对方可能根本不会笑；你分享个观点，别人可能直接反驳你。

这些时刻不舒服吗？当然不舒服。但恰恰是这些”不舒服”，让我们学会了妥协、理解、换位思考。

更可怕的是，AI开始入侵亲密关系。扎克伯格想把AI做成“虚拟女友或治疗师”，随时视频聊天，还会眨眼微笑。Meta、Instagram这些App已经在里面塞机器人了，你刷着刷着就弹出聊天框。

xAI的Ani是个动漫风的金发妹子，用暧昧话撩人，聊得嗨了还会“脱衣服”露虚拟胸部（通过心形积分奖励）。要是机器人“记忆”没了，用户哭得像丢了真人一样。

时刻顺着你的“朋友”，听起来爽，但长期下去呢？

03

孩子们可能再也学不会失败

Vasan说了句更可怕的话：如果孩子们从小就习惯跟AI互动，“他们可能永远学不会失败，学不会创造力。”

“新技术总在重塑社交，尤其是小孩。”这不是危言耸听。

谷歌的Gemini有小孩版，Curio的毛绒玩具Grem从3岁起就“陪聊”。爸妈用ChatGPT编睡前故事，全面渗透进小孩的生活。

小孩子本应怎么长大？不就是在跌跌撞撞中学的吗？跟小伙伴吵架又和好，被拒绝了难过但继续尝试，说错话被纠正然后改进。

但如果他有个AI朋友，永远不跟他吵架，永远接受他的一切，永远让他觉得自己是对的——那他怎么学会处理冲突？怎么培养同理心？怎么知道真实的世界不是围着他转的？

我们这代人还好，至少童年时期经历过真实的社交。但下一代呢？如果他们的第一个“朋友”就是AI，长大后还能不能跟真人好好相处？

04

硅谷的老毛病：用技术解决问题

文章里提到硅谷有个逻辑：遇到问题就用更多技术去解决。

社交媒体让人焦虑？那就做个AI来陪你聊天。

AI让人更孤独？那就做个更智能的AI。

这就像一个人喝酒喝出胃病了，医生说：“那你喝更好的酒吧。”

问题的核心不在于技术不够好，而在于把人际关系当成了一个可以“优化”的技术问题。

真正的关系是什么样的？是需要时间，需要付出，需要承受风险的。你帮朋友搬家，累得半死，但关系更近了；你们吵了一架，难受了几天，但和好后更理解彼此了。

这些“不方便”，恰恰也是关系的本质。

AI把这些都“优化”掉了，同时也把关系本身优化掉了。你得到的只是一个永远陪你的程序，而不是一个真正的朋友。

社会学家齐格蒙特·鲍曼说现代关系像液体，流动又脆弱，AI把这推到极致——随时重启，不用负责。

科技伦理专家特里斯坦·哈里斯吐槽，AI公司投几百亿美金，就为让你天天回来刷（返回率），不是为你的幸福。

05

镜厅里的世界观

文章中用了个很棒的比喻：“镜厅”。

在镜厅里，你看到的全是自己的倒影。360度，无死角，全是你。听起来挺自恋的，但更可怕的是——你的世界观永远不会被挑战。

当每个人都活在自己的镜厅里，只跟认同自己的AI对话，会发生什么？

我们已经在社交媒体时代看到了一部分答案：信息茧房，观点极端化，越来越难跟意见不同的人对话。

但AI聊天机器人会把这个问题推向极致。至少在社交媒体上，你还会偶尔看到反对的声音；但在你的私人AI那里，永远只有认同。

长此以往，我们还怎么形成共识？社会还怎么运转？

当然，作者不是一棍子打死AI。有些像Anthropic的Claude，设计得少点拍马屁，能断掉有害对话，或许能帮上忙，比如辅助治疗或查资料。

但主流AI是反社交的：它学你的一切，却不让你学别人。结果呢？大家活在“镜厅”，观点永不被挑战，社会更分裂。

文章结尾喊大家“找个真人朋友”，听起来老土，但超有道理。它在说：技术再牛，也别丢了人性。

06

选择权还在我们手里

技术本身没有对错，关键在于我们怎么用它，以及我们是否还记得什么才是真正重要的。

一个永远不会让你失望的AI朋友，真的比偶尔让你失望但真心关心你的真人更好吗？

一段高效流畅的AI对话，真的比笨拙但真诚的人际互动更有价值吗？

当技术可以满足我们所有表面需求的时候，我们是否还能分辨什么是真正的人的需求？

文章没有给出解决方案。

但我们可以做到的是：当那些AI聊天机器人对你招手，承诺给你完美的陪伴时，记得问问自己——

真正让你记住的那些时刻，是不是恰恰是那些不完美的时刻？

这些不方便、不高效、不完美的时刻，才让我们成为真正的人。

这篇文章像个闹钟，吵醒我们：当机器人成为伴侣，人类会成为啥？诗人约翰·多恩说“没人是孤岛”，但在AI镜厅里，我们正慢慢变成孤岛。

或许，保持警醒，理性对待AI工具，拒绝进入或者至少不要时刻待在镜厅，常常感受这个混乱但真实的世界，才是我们能为自己和下一代做的最好的事。

毕竟，有些东西一旦失去，可能就再也找不回来了。

来源：蹲守猎人的猎物（微信公众号）

链接：https://mp.weixin.qq.com/s/H77zgbxGvlyCiW4mk2fldQ

编辑：何璇祺

刘海明

【案例】

第十届中国数据新闻大赛暨首届AIGC应用大赛全国总决赛成功举办

2025年11月8日，在第26个中国记者节之际，由第十届中国数据新闻大赛暨首届AIGC应用大赛组委会主办，北师香港浸会大学、西安交通大学新闻与新媒体学院、武汉体育学院新闻传播学院联合全国30余所高校共同承办的第十届中国数据新闻大赛暨首届AIGC应用大赛在广东珠海成功举行。

本届大赛突破性增设AIGC应用大赛赛道，以跨专业、跨领域的协作热潮，为记者节注入科技赋能新闻传播的蓬勃生机，助力我国的智能新闻人才培养。来自中国人民大学、中国传媒大学、复旦大学、南京大学、武汉大学、华中科技大学、西安交通大学、北师香港浸会大学等300余所高校，全国各地的传媒学者、业界专家、指导老师和参赛选手近1500人参加了此次活动。

据悉，中国数据新闻大赛创立于2015年，现已成功举办十届。十年来，大赛始终走在探索新闻传播教育改革模式的前沿，以服务国家战略为核心优先级，深度呼应中央媒体融合发展战略部署，见证着新闻传播领域的创新变革与人才成长。未来赛事将进一步锚定“四个面向”战略导向，聚焦新技术迭代与新质生产力培育，着力打造面向国家战略的人才培养平台，持续输送兼具技术创新能力、价值引领素养的复合型新闻传播人才。

来源：中国编辑

链接：https://mp.weixin.qq.com/s/mp8YCRyh5W1E6MdVFpHVCQ

编辑：何璇祺