彭兰 | 大模型应用如何在新闻业有效“着陆”？

本文刊登在《中国编辑》2026年第1期

[摘要] 要实现大模型应用在新闻业的有效“着陆”，需要针对不同类型的新闻内容及生产场景，明确大模型扮演的合适角色，以及相应的应用模式。在文字新闻生产方面，大模型主要扮演加工工具和人类助手的角色；对于视觉和音频类的新闻生产来说，大模型生成的内容有更多应用场景，但需要避免其中的风险，防止滥用。大模型也会推动数字主持人与数字记者应用的发展，但在实践中需要进行多方面的权衡。在新闻消费端，大模型的优势主要体现在信息整合与个性化加工方面，它还有望成为新一代的新闻分发平台，这种平台发展会给专业媒体带来更多冲击，媒体可以通过专业性新闻语料库和知识库建设努力成为大模型答案中的“引用文献”，以及与AI技术公司合作等方式，来谋求自身的发展。

[关键词]大模型 新闻生产 数字主持人 新闻语料库 智能技术

面对ChatGPT、DeepSeek等大模型应用的冲击，媒体感受到了智能时代的新生存危机，如何应用大模型也成为媒体必须回应的问题。尽管大模型在新闻业的应用有多种可能设想，但有些设想没有落地的价值，有些设想在实践中落地后所带来的问题要远大于收益。要让大模型在新闻业实现真正有效的“着陆”，需要对大模型在不同类型的任务和具体场景中的优势与问题作出深入判断与权衡，以此决定它们应该扮演的角色和承担的任务，更重要的是，还要从内容生产、传播效果等角度进行反思。

利用智能技术进行新闻内容的自动化生成，并非始于大模型，2010年，美国Narrative Science公司便已开发出自动写作工具Quill，此后类似的工具不断推出。在大模型出现之前，AI在文字类新闻稿件生产中主要有以下几种模式：第一种是信息抓取与整合模式。Quill以及2015年我国出现的Dreamwriter和快笔小新等工具，都属于这类模式。它们可以在指定的信息来源中进行自动搜索，抓取有价值的最新数据，对数据进行清洗、加工，再将其整合进合适的新闻写作模板中，生成新闻文本，有些情况下，这类系统还会整合多个信息源的信息。这一模式适用于财经、体育、气象等领域的新闻报道，因为这些领域的报道都有多元、稳定的信息源，写作有常见的程式。这类自动系统的生产效率高，但要依赖其他信息源，且生成的内容高度套路化。第二种是现场生成新闻模式。例如，今日头条和北京大学联合开发的Xiaomingbot，可以通过在新闻现场设置多个摄像头，对现场人的活动、环境等进行图像捕捉与识别，并将图像信息转换成文字信息。它不依赖其他新闻源，实现了完全的原创性生产。其工作原理类似于记者在新闻现场通过自己眼睛捕捉新闻亮点，基于自己的观察与判断完成报道。虽然这类模式还只是小规模的实验，目前在实践中并没有广泛应用，但从长远来看，这种自动新闻生成模式有很多的应用空间。但机器进行图像识别时也会有固定套路，转换成的文字也相对简单、机械，难以与人完成的风格化报道相匹敌。

大模型带来了智能化新闻写作的第三种模式，那就是基于语料库的内容生成。它所依赖的内容来源更为广泛，在语言表达水平上更高，风格更多样。但目前大模型的基本目标是依据人类的语言、思维习惯生成文字，它可以对语法和逻辑负责，却无法对生成内容的真实性负责，因此，作为原创内容生产工具，其风险难以控制，在新闻生产方面尤其如此。但对于媒体来说，大模型是一个较好的加工工具，例如，它可以对已有的文字内容进行核心观点提炼、摘要写作等，也可以进行文字的润饰、翻译等相关工作，很多媒体也在利用它在这方面的能力。

还有媒体人希望大模型可以帮助他们完成评论写作这一更具挑战性的任务，目前的大模型似乎也可以根据指定的新闻主题或事件生成相应的评论。但是，在当下的技术水平下，它们生成的往往是“四平八稳”的评论，缺少个性，无法呈现犀利的评论角度与观点。即使人们可以通过对它的“调教”使写作内容逐步个性化，但其能力仍然有限。

即使未来大模型的评论写作水平进一步提高，媒体人是否应该把这一任务拱手让给机器？答案也是否定的。评论不仅是文字，更是态度与立场。媒体的评论是媒体价值观的传达，也是媒体自身价值的体现。无论大模型的评论写作水平如何，专业的内容生产者都不应该放弃态度与价值观表达这一人类应该坚守的“领地”，正如AI可以写作、画画，从事各类艺术创作，人类也不应该放弃“纯人工”的艺术。

当然，这并不意味着评论写作完全与大模型绝缘。在评论写作中，人可以利用大模型梳理新闻线索、已有观点，寻找相关数据或论据，进行事实、知识等的查证等。除了评论外，深度报道、特写等需要人的深度调查、思考和立场、态度等主观表达的内容，以及体现写作者风格、个性的内容，也应采用人类为主的生产模式。在这样的模式中，大模型的角色并非不可或缺，但有了它们的辅助，人类的写作效率可以提高，在某些方面内容质量也有望得到提升。

从未来发展来看，文字新闻的智能化生产有两种基本方向：“人类主导+机器辅助”和“机器主导+人类监督”，两者各有其适用的生产领域。上文提到的技术模式，前两类可以在一些简单的情境下进行机器主导模式的生产，但人的监督也不可缺位。大模型则不适合作为新闻生产的主导者，更不应该成为“全自动生产者”，它只适合充当人类的助手。

为了让大模型成为媒体人更好的助手，媒体人要学会建造自己的知识库。目前有不少智能平台可以帮助用户生成自己的知识库。用户可以将自己手头的文件或网络中感兴趣的内容整合进这些知识库，让大模型针对这些内容进行学习，提炼知识，以满足用户更个性化的知识学习、整合需求。以这样的知识库和大模型为辅助，媒体人可以拓展自身的知识领域、开阔视野、活跃思维，这也是专业能力提升的基础。

未来在文字新闻生产领域必然还会出现更多新的智能技术，哪些领域可以采用全自动生产，而哪些领域需要始终由人来坚守，是媒体人要作出的关键判断与决策。

相比文字新闻生产，大模型在多媒体内容生产方面应用场景和空间更多，但其中也存在很多风险和陷阱。除了真实性、准确性等质量方面的问题，在不同形式的内容生产中应用大模型的必要性、合理性问题也需要作出审慎思考。不假思索的滥用，在当下尤其值得反思。

在图像、视频等视觉性内容的生产方面，目前内容行业对大模型等AI技术应用已经较为普遍，在图像与视频的审核、加工与优化、老素材修复等方面，智能应用越来越成熟，也大大提高了生产效率，在这些方面，大模型等技术对生产者的确也起到了雪中送炭的作用。但在这类应用中，媒体人也不能将一切交给机器，内容审核的标准、加工与优化的原则等，仍需要由人来制定。对于机器审核、加工的结果，人仍要进行专业判断。

基于大模型等AI技术的文生图、文生视频，在当下成为一个新的应用热点。这类应用突破了内容资源不足等局限，拓展了人们的创意空间。目前大模型根据人的文字指令生成的图片或视频主要有以下几种类型，对应于相应的场景。

其一是解释示意型，即利用大模型生成的图片、视频进行知识、原理或效果的解释、示意，或对某些数据进行可视化呈现。以往在涉及这些内容但又缺乏相应的图片或视频素材时，媒体会用手绘图、动画等形式进行解释说明。大模型为这类视觉素材的生成提供了便捷的手段，不少AI生成作品应运而生。尽管这样的AI应用大方向值得肯定，但目前AI技术生成的内容，在知识等信息还原的准确性、呈现风格方面还存在不少问题，也易导致用户对媒体报道的真实性、媒体品牌形象等产生质疑。

其二是模拟还原型，即对新闻故事、场景或历史故事等进行模拟、再现。在回溯以往发生的新闻事件、再现新闻场景方面，AI生成的内容可以弥补现有素材不足的缺陷。但同样，用户对模拟还原型视频真实性的要求很高，包括细节方面的真实，而目前大模型生成的作品很难达到这一要求。此外，这类视频难以刻画生动的细节，更难以传达人的丰富心理与情绪，最终易落入简单化、概念化的呈现套路。在这个应用方向下，如果没有准确的史料做保障，没有真实情感与人文气息的传达，AI生成的视频，不仅会沦为可有可无的摆设，甚至会有造假、误导的嫌疑。

其三是氛围营造型。AI生成的图片或短视频在节日或特定时间点也频频出现，以营造相应的文化氛围。AI生产这类视频成本更低，对于气氛渲染也有一定作用，但如果人的创意不够，这样的片子也容易走向同质化、模式化。

其四是文化再现型。例如，一些媒体将古代文学作品或艺术作品等通过大模型进行情境或故事还原。但在目前的大模型水平下，这类应用也常常只能做到机械图示，难以传达传统文化丰富、立体的韵味，其传播效果也有限。

其五是形象宣传型。大模型生成的图片、视频越来越多地应用于机构或地方的形象宣传、文旅宣传中，一些媒体也可能承接这样的业务。同样，这类图片、视频具有制作时间、成本等方面的优势，但在当前的技术条件下，AI生成的内容容易走向宏大、抽象的叙事，停留在理念解读、风光呈现层面，AI的模板化表达难以体现机构或地方特色，更难以表现真实、具体的人。而在以人为本的新媒体文化环境中，即使是宣传片，也需要传递鲜活的人的故事与情感，目前的AI在这方面显然力不从心。如果一哄而上生产大量这类宣传品，不但不能起到相应的宣传作用，还可能让用户产生厌倦与抵触心理。

从目前的应用状况来看，大多数大模型生成的图片或视频，只能算作锦上添花而非真正雪中送炭，有些甚至可能是画蛇添足，这些内容会加重用户负担，带来他们的审美疲劳，也会污染整个内容生态，降低AI学习的素材库的水准，带来进一步的恶性循环。

目前与媒体音频内容生产相关的大模型应用主要体现在以下几方面。

第一，音频内容的智能剪辑与加工，这是实践中最需要的应用。这类应用在人与机器的分工、协作方面与智能视频加工类似，可能产生的风险也相似，保证真实性、准确性是这类加工的基本原则。

第二，正在普及的应用方向是文字与音频自动互转，包括智能配音，这类应用可以大大提高生产效率，也可以为媒体带来新的内容产品或服务。英国BBC已开始利用大模型等智能工具自动生成体育比赛解说的文字稿，在记者核查之后，这些文字内容会发布在BBC Sport 应用上，这一看上去简单的应用，受到用户的广泛欢迎［1］。其他类型的音视频节目，也可以利用音频转文字技术，形成新的内容产品，满足人们的需求。当然，媒体同样需要对自动转换成的文字稿进行质量把关。

将文字自动转成语音，可以为老人、儿童、残障群体等提供更便利的服务，对于其他群体来说，也能在特定场景中满足其需求。文字转语音时，既可以采用完全由AI生成的语音，也可以采用真人的声音原型。完全由AI生成的语音是否会在一定程度上影响人们对内容可信度的判断？这是采用这类技术时需要研究的一个基本问题。同时，人们的态度是否会随着AI语音的发展而发生变化，还有待进一步研究。此外，如果以真人声音为原型，则涉及是否侵权、是否会带来原型声音滥用并由此造成声音背后的真人或相关机构的声誉受损等相关问题。而无论采用什么样的声音素材，当下AI生成的声音在情绪、情感传达方面，仍不能与真人相匹敌，在内容产品中过度使用AI声音，容易给用户带来疏离感。

第三，当下还有一种正在兴起的应用，那便是利用大模型进行语音的智能翻译，生成其他语言版本的声音。在媒体内容生产中采用这类技术，除了要保证翻译过程中不出现差错，还要避免在真实性方面给用户带来困扰，特别是使用真人声音原型为其生成翻译版本时。如果有必要采用这类技术，需要作出明确标识或说明。当然，从长远来看，智能翻译会在各种场景中普及，因为减少跨语言传播、交流中的障碍是民心所向，那时，新闻等媒体内容中采用这类技术也更易被市场接受，但媒体仍要提供有效的手段，便于用户判断相关要素或细节的真实性。

在大模型推出之前，媒体的数字主持人（或称虚拟主持人）探索就已经开始，部分中央级媒体以及大量的地方媒体都推出了或以真人为原型或完全虚拟的数字主持人。在当下，数字人技术与大模型应用的结合，为数字主持人的生成提供了更便捷的手段。尽管实践中数字主持人应用越来越火热，但一家媒体是否需要数字主持人，如何应用数字主持人，应针对媒体自身的需要和应用场景来进行理性思考、选择，而不是简单跟风，需要思考的内容包括以下几点。

首先，思考的起点是开发数字主持人的目的是什么？是为了将现有的播音主持人从工作压力中解放出来，还是为了简单炫技或作为吸引用户的噱头？如果是前者，那么被解放出来的主持人如何找到自身的新定位？如果是后者，那么需要判断，这种噱头是否有足够的吸引力，特别是对年轻用户而言？这些都是在技术开发之前需要思考的问题。

其次，用真人的数字分身还是完全的虚拟人来充当数字主持人？在实践中，两种选择都有，这也未必是一个单选题。究竟做何选择，取决于多重因素的考虑。选择真人作为原型，容易让用户产生熟悉、亲近感，但数字化的主播会使真人的鲜活感大打折扣，这不仅会对内容呈现效果产生影响，也可能给其背后的真人主持人甚至媒体的声誉、品牌带来一定的损耗。当然，是否会产生这些后果，与具体的应用场景、方式有关。如果用户无法察觉真人与数字人的区别，损耗也就不会出现。这也意味着，如果主持人只是照本宣科地念稿子，那么被数字人取代的概率是很高的。而那些拥有数字人不具备的能力和资源的主持人，则需要思考如何保存与发挥自身的优势。

最后，数字主持人真的能向“主持”方向发展吗？目前媒体所说的数字主持人，其实更多的是数字播音员。真正能独立表达并与用户进行交流、互动的虚拟主持人，还较为罕见。但可以预期的是，基于大模型等技术，数字主持人在主持、互动方面的能力会不断提高，尽管它们在情感共鸣、观点表达、思想深度、个性风格等方面能否达到好的真人主持人的水准，还尚且存疑。

从大的技术趋势来看，未来大模型或其他智能技术会代替大部分播音员和一部分缺少个性的主持人，难以与大模型抗衡的播音主持人需要及早寻求转型方向。而对于未来仍要坚守主持人这一岗位的人来说，需要尽快抛开以往媒体体制带来的职业光环，寻找和坚持自身那些不能被机器替代的优势，这些优势仍然来自人生经历、情绪情感、身体体验、人性洞察等人的深层本质。

在今天的实践中，一些媒体还在推出数字记者，而很多数字记者就是为真人记者制作数字分身，这是否应该成为一个发展方向？表面上看，有了这些数字分身，记者可以无处不在，可以通过更多渠道与用户进行接触、互动，增加媒体和内容的人情味，但这样的形式能否真正给“记者”这一角色加分？本应该与新闻现场紧密联系在一起的“记者”这一形象，如果变成了内容呈现中的装饰性元素，是否真正有意义？在这些方面，媒体需要作出更多审视。

在数字人日益大行其道的时代，真实的人会成为更稀缺的资源，媒体记者更是如此。记者真身的“在场”，可以体现媒体对新闻现场的重视，体现人在新闻报道中的独特价值，而以数字形式造成记者“在场”的滥用，则会侵蚀专业记者这一稀缺资源，消解记者的职业价值感。数字记者这样的概念及实践，可能会将媒体带向歧途。

大模型对新闻业带来的另一个重要影响体现在新闻消费端。对普通用户来说，大模型平台正在成为他们获取、消费新闻等内容的新渠道。

今天用户在数字信息世界面临的一个巨大困扰是，他们虽然每天接触到海量的信息，包括新闻信息，但这些信息大都是碎片化的，他们凭一己之力难以完成对碎片化信息的鉴别、过滤与整合，这在很大程度上影响着人们对各种事件、话题的了解，也影响着他们对现实世界的认知。虽然整合碎片信息是媒体的职责之一，但在各种压力下，真正能很好完成这一任务的媒体非常有限。而大模型的特长之一正是内容的整合与深度加工，它们可以快速获取分散的信息碎片，并将碎片化的信息整合成有条理的答案，描绘一个事件、现象或话题进展的全程、全貌，或揭示各要素间的内在关系。未来大模型还有可能以图片、视频等多模态形式进行内容的加工或整合。当然，大模型要形成高质量的整合内容，需要以专业的新闻语料库为保障。

大模型对内容的深度加工整合，也可以看作一种定制化的内容加工。今天个性化推荐算法虽然已经普及，但它仍然是在已有的“大锅饭”方式生产的内容中挑选适合不同用户的内容进行推荐。如果人们需要的某些内容没有生产出来，人们的需求就无法得到满足。而大模型则可以由用户提出需求，即提出问题，再进行内容的生成，这是完全由用户的个性化需求驱动的定制化加工，是真正“小炒式”生产的内容。

碎片化整合、定制化加工，大模型所提供的这些服务，对于用户来说是真正的雪中送炭，这也是用户依赖大模型的一个重要原因。

大模型提供的内容会超越人们日常的信息获取渠道，特别是社交渠道，这有助于打破人们现有的社会圈子、社会位置的限制来获取信息、知识，也可以使不同圈层的人获得的信息差有所减少。当然，其前提是人们能平等地接触与使用这些智能应用。与人形成紧密互动的大模型，会越来越了解一个人的习惯、性格，它所提供的信息也可以不断迎合用户的偏好。但究竟是否要向这一方向发展，则取决于开发者与应用者的意愿。像今天的算法分发一样，大模型平台是会强化还是破解信息茧房，最终还是取决于开发和应用思路。

值得注意的另一个问题是，大模型目前形成的新闻消费环境还存在一个关键缺陷。人们在进行新闻内容消费时，不仅需要获取事实性信息，还需要通过社交互动，了解与此相关的他人的意见、态度，在众说纷纭之中更全面地了解社会意见气候。但当越来越多的人通过大模型获得新闻信息时，他们获得的意见性信息是不充分的。大模型虽然可能整合一些代表性意见，但难以全面地反映所有人的意见，难以反映真实的意见环境。从长远来看，如果大模型要成为一个更好的新闻传播平台，那就有必要建立一定的人与人的意见交流空间，避免人机互动完全替代人与人的互动。

各类大模型如果能够通过深度的、个性化的内容整合与加工来吸引用户，那么就会成为越来越多的用户获取新闻资讯的主要渠道，甚至逐步成为一个新的内容分发平台。

互联网兴起之后，从门户网站、搜索引擎到社交媒体、综合性移动应用等每一代平台都成为媒体内容的分发渠道，也对媒体自营的渠道产生了巨大的冲击。算法分发平台普及后，算法对内容流向与流量的调控更为突出，媒体自营渠道的影响力进一步被削弱。除了大模型本身的平台，接入了大模型的搜索引擎也会赢得更多用户的认同，其在内容分发中的作用会进一步上升。对媒体来说，在智能时代要继续维护传统的渠道甚至是新闻客户端这样的新媒体渠道会越来越艰难，一些媒体或许不得不退守为单纯的内容生产者，而不是延续媒体一贯以来的“产销一体”角色，但在这种退守中媒体也需要谋求适合智能时代的“进”。

通过专业性新闻语料库的建设重新建立新闻生产的高门槛，正是媒体重要的“进攻”方式。对用户来说，大模型应用的优势在于新闻内容的深度整合、加工，但这样的优势要得到发挥，就要以高质量的专业性新闻语料库为前提，这样的语料库需要集成准确、高水平、高时效性的新闻报道，而非网络空间参差不齐的一般语料。这样的语料库的建设者必须是有专业水准的媒体或其他具有良好声誉的内容生产者，但仅凭一家媒体的力量要构建专业性新闻语料库并不容易，众多媒体的合作，才会使语料库更为丰富、完整，也才能增加媒体与大模型开发者的角力“砝码”。

多家媒体共同建设专业性新闻语料库是一个长远的目标，在完全实现这一目标之前，媒体还可以通过一些其他方式来提高自身在大模型平台的“存在感”。

今天，检索增强生成架构在一些智能平台得到普遍运用，它将信息检索系统与大语言模型的生成能力相结合，让大模型能够访问并利用其训练数据之外的最新、专业的信息来生成答案，同时提供答案的来源依据（引用文献）。这可以解决单一使用大模型带来的“幻觉”或过时内容等问题，用户也可以通过这些来源对大模型的回答进行进一步核实与判断。对于媒体来说，这样的架构有助于提高媒体的可见度。虽然在大模型的整合答案中未必能完整体现媒体单篇报道的内容，但如果能成为大模型在联网搜索形成的答案中的参考资源，媒体的报道就有机会被更多用户看到，媒体的品牌效应也可以得到一定的累积、延续。

如何成为大模型答案中的“引用文献”？依据相关技术工作原理，我们可以推导出一些基本的思路。媒体要尽可能在一些影响力较大的知识库类平台发布内容，如果是发布在自己的平台或渠道，则要继续做好自身传播渠道或内容的搜索引擎优化，通过在搜索结果排名中的提升，来提高被大模型发现并参考的概率。同时，自建的渠道应该允许爬虫系统抓取数据。媒体还要主动构建自己的知识库，并将这些知识库接入检索增强生成系统，而这是一件更专业的事，需要相关技术能力支持，未来媒体也需要有专门的人来负责这一部分工作。当然，保证内容的质量，形成特定内容领域的优势，是成为“引用文献”的另一个重要基础。

与AI技术公司合作，也是媒体在大模型平台获得更多话语权的重要途径。2023年7月，美联社便与开发ChatGPT的OpenAI公司达成合作协议，美联社为OpenAI提供新闻素材去训练AI，而OpenAI 则向美联社提供其技术和产品［2］。2025年1月，美联社与谷歌达成合作，将其实时新闻更新整合到谷歌的Gemini大模型中［3］。2025年5月，《纽约时报》与亚马逊达成战略合作。《纽约时报》的报道以及旗下的美食和体育网站的内容将被授权应用于亚马逊大模型的训练，亚马逊大模型对《纽约时报》版权内容的引用将包含来源和溯源链接［4］。而2023年12月，《纽约时报》曾以侵犯版权为由起诉OpenAI和微软，成为第一家起诉这两家公司侵犯其文字作品版权的美国大型媒体。《纽约时报》面对AI技术公司态度的转变，也体现了智能时代媒体面对新技术挑战时策略的变化。在与AI技术公司的合作中，媒体内容的质量、专业性与独特性等，仍是争取自身话语权的关键。

面对大模型等智能技术带来的新一轮冲击，媒体及媒体人陷入普遍的焦虑之中，一些媒体努力在推动大模型应用、促进智能化转型，有些媒体甚至为此制定了KPI。但是 KPI这样的导向，可能会将本应审慎的思考与行动变成数据驱动下的盲目冒进。媒体需要积极拥抱新技术，但这并不意味着要一窝蜂地“为了技术而技术”“为了 AI 应用的 KPI 而 AI”。大模型等 AI 应用在新闻业的“着陆”过程中必然会有试错，但在尝试之后，媒体的应用者需要有自身的审视和判断，而判断的核心仍然是，技术提升了内容的质量与传播效果，还是反之？这与此前的各种技术应用是一样的。归根结底，内容才是根本，而技术只是手段。

[1] BBC updates generative AI guidance. （2025-01-21）.https://www.ibc.org/artificialin ... ates-generative-ai-（上接第 63 页）guidance/21587.

[2] 美联社与 OpenAI 合作，探索生成式 AI 在新闻领域的应用 .（2023-07-14）.https://www.thepaper.cn/newsDetail_forward_23849215.

[3] 谷歌与美联社达成合作：为 Gemini 带来实时新闻 .（2025-01-16）.https://news.qq.com/rain/a/20250116A01EM100.

[4] AI 语料付费！纽约时报签约亚马逊，首次将内容授权给 AI 巨头 .（2025-05-30）.https://www.thepaper.cn/newsDetail_forward_30904934.