前沿

人工智能在美国新闻业的应用及影响探析

余婷

【摘要】人工智能是计算机科学的一个分支，它旨在了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。2016年底，美国未来今日研究所（Future Today Institute）发布的《2017技术趋势报告》（2017 Tech Trend Report）中，人工智能位列榜首，报告认为：人工智能及其分支技术将对全球新闻业产生深刻影响，最终，新闻生产的每个环节都将从当前的数字化迈向智能化。目前，美国新闻业人工智能的研发和应用处于领先地位。本文从分析当前美国新闻业人工智能研发及应用格局入手，结合案例梳理当前人工智能分支技术在美国新闻业的应用状况，并探讨人工智能技术为新闻业带来的推动作用和风险。

【关键词】人工智能 新闻机器人 机器学习 语言技术语音转换 机器视觉

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门科学，是计算机科学的一个分支。它试图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。2016年底，美国未来今日研究所（Future Today Institute）发布的《2017技术趋势报告》（2017 Tech Trend Report）中，人工智能位列榜首，报告在梳理影响新闻业的技术趋势时指出：人工智能及其分支技术将对全球新闻业产生深刻影响，最终，新闻生产的每个环节都将从当前的数字化迈向智能化。

本文拟从分析当前处于全球领先地位的美国新闻业人工智能研发及应用格局入手，结合案例，梳理人工智能分支技术在美国新闻业的应用现状，并探讨人工智能技术为新闻业带来的推动作用和风险。

一、人工智能在美国新闻业的发展格局

人工智能在美国新闻业的研发和应用大致呈现如下格局：

一是IBM、谷歌、微软、脸书（Facebook）和亚马逊等公司主导人工智能研发。它们在自主研发人工智能系统、算法、机器人方面均投入大量资金，或者收购那些在机器学习、神经网络、自然语言和图像处理等领域具有潜力的初创公司。谷歌成立的谷歌大脑（Google Brain）以云机器学习事业群（Cloud Machine Learning Group）为核心团队，吸纳了来自斯坦福大学、麻省理工学院等高校的人工智能研究人员和Snap等社交网络公司的研发高管，其目标是保持人工智能研发领域的全球最领先地位。Facebook的人工智能实验室——应用机器学习事业群（Applied Machine Learning Group）目标是为脸书（Facebook）旗下各类产品提供人工智能技术支撑。推特（Twitter）对多家人工智能创业公司完成收购后成立了名为Cortex的人工智能研发中心，其目的也是与其他技术巨头在人工智能领域展开较量。2016年9月，微软成立了全新的人工智能和研发事业群，该群将领导5000多名计算机科学家和工程师，将人工智能整合到公司的产品中，包括必应搜索引擎、小娜数字助理以及微软的机器人走出实验室项目。

二是有实力的主流媒体重视人工智能推动新闻业发展的研发和应用。美联社、《纽约时报》和《华盛顿邮报》三家媒体在新闻业的人工智能技术研发与应用方面处于领先地位。2014年，美联社开始运用wordsmith机器人写作上市公司财务报告新闻，成为业界最早使用机器人写作的媒体之一。《纽约时报》和《华盛顿邮报》在以新闻机器人为硬件的人工智能研发和应用方面处于前沿地位。《纽约时报》应用于新闻采访和写作的原创聊天机器人有30多个，《华盛顿邮报》则投放了近100个机器人辅助编辑部工作。《纽约时报》于2017年6月改组了原来的技术实验室（NYT Lab），新成立的研发中心（NYT Story X）的工作中心之一就是“感知人工智能领域发展进程中适合引入新闻业的新技术”。

三是小型技术公司着眼于提供专业的人工智能新闻产品。很多小型新闻机构也渴望利用人工智能，却没有研发实力。于是，一些着眼于提供专业人工智能新闻产品的小型技术公司在美国新闻业活跃起来。Graphiq就是一家人工智能技术公司，它可以使用从体育、政治、天气和其他领域搜集来的2500亿数据点自动生成可视化报道，并提供给新闻机构，比如：新闻机构可以从Graphiq购买报道需要的专业互动地图。2015年成立的Agolo公司是一家依托人工智能技术为大型报告和长篇新闻自动提取摘要的公司，旨在用人工智能提炼的摘要应对信息冗余。目前美国有100多家媒体运用Agolo提炼的报道摘要在社交账号上发布短消息。

二、人工智能技术在美国新闻业的应用

2017年，美联社发布的《人工智能工作手册》中将人工智能在新闻业应用最频繁的分支技术进行了归纳，包括机器学习、语言技术、语音技术、机器视觉和机器人技术。通过案例考察，可以看出这些分支技术在日常新闻采编中是怎样发挥具体作用的。

（一）机器学习：印证假设和发现线索

机器学习（machine learning）是人工智能体系的核心技术，即：使机器自己做出判断而不是得到如何判断的指令后执行判断的技术。机器学习依赖于被称作“深度学习”的过程，这个过程实质上是一种将复杂概念分解为一系列更小的、可执行的任务的方法，这种方法最终将机器导向完成复杂的终极目标。

机器学习涉及两个分支——监督学习（supervised learning）和非监督学习（unsupervised learning）。在新闻采编工作中，监督学习主要用于印证假设，而非监督学习用于发现线索。

1．监督学习：印证记者的报道假设

监督学习是指在记者已有假设的前提下，让算法根据假设来搜索、收集和归纳可以印证假设的信息。2016年，《纽约时报》金融新闻记者怀疑一个企业涉嫌本地贸易欺诈，但他们在怀疑确定之前又不能提供足够的人力来进行调查取证。于是，《纽约时报》成立了一个调查团队，先利用机器来帮助他们完成报道的前期信息搜集工作。这个团队利用监督学习将与怀疑对象相关的一切金融文件加上标签，并将那些可能提示该贸易涉嫌欺诈的信息突出显示。当记者团队把所有涉及这个企贸易的信息输入系统的同时，系统就可以同步将提示欺诈的信息和不提示欺诈的信息进行区分。同年，《华盛顿邮报》获得普利策新闻奖公共服务类大奖的新闻项目——警察持枪犯罪数据新闻也是通过监督学习系统建立了全美警察持枪犯罪数据库，并通过对数据的提炼和分析印证了该报长期以来的假设——“警察针对儿童和青少年的持枪犯罪率上升过快”。

2．非监督学习——发现潜在的新闻线索

和监督学习不同，非监督学习是将非结构性数据作为输入数据，并得出非目标性的输出结果。非监督学习系统可以自由展示输入和输出数据之间的关系，这种关系往往帮助人力记者在短时间内发现新闻线索。

《洛杉矶时报》体育报道团队在寻找周末棒球赛的报道思路时就成功利用非监督学习来发现线索。报道团队为系统输入所有周末棒球比赛票房数据，很容易发现一些隐藏的关系。系统可能找到“那些姓氏以元音字母开头的经理人负责的球队可能输掉早上的比赛，或者比赛日气温越低则比分越低”。美联社数据新闻团队运用非监督机器学习从14万条人力输入的关于枪支泛滥的案件记录中找到了枪支滥用最典型的案件，还推算出如果案件涉及孩子或警察，那么犯罪人故意开枪的概率可能增大等线索。

（二）语言技术：推动新闻写作自动化

语言技术是人工智能系统的一个重要分支，其中，自然语言生成（natural language generation）和自然语言处理（natural language processing）已经对新闻写作产生了深刻影响。

1．自然语言生成：推动报道的自动化和模块化

自然语言生成的报道将结构化数据转化成人们可阅读的叙述性文本。自然语言生成系统可以自己组织一些简单的语言，而且随着技术的升级，它组织语言的数量和规模越来越大。《洛杉矶时报》开发的地震报道机器人——Quakebot就是一款典型的用自然语言生成来报道突发事件的机器人。它可以生成模式化的句子：

“一场××级的地震于××（何时）在××（何地）发生，强度××，烈度××，伤亡××，估计财产损失××。”

Quakebot可以从美国地震观测局的数据库找到适合的数据来填写空白信息，并在地震发生后第一时间向社交媒体推送消息。

继成功发布机器生产的金融新闻后，美联社和旗下自动化新闻写作公司Automated Insights于2016年再次合作，利用自然语言生成，全面报道了Minor League棒球赛。在这个案例里，持续的低水平的专业棒球报道可以完全移交给机器来完成。在这一系列棒球赛的报道中，美联社又迎来了赛事报道数量和精确率的升级。

《华盛顿邮报》的Heliograf也是业界一款著名的写作机器人。它主要通过自然语言生成迅速组织简单信息，只需要提前编辑好相关模板，文章中涉及哪些关键词，写稿机器人就能根据这些关键词自动生成语句。2016年里约奥运会期间，Heliograf开始报道奥运会比分、金牌总数等消息。在美国总统选举期间，Heliograf已经可以做出含有分析、评论等语气的报道了。

2．自然语言处理：探索更高层次的新闻写作

自然语言处理可以理解文本并找出前后文之间的联系。如果说自然语言生成善于“写”，那么自然语言处理就善于“读”。自然语言处理在新闻业务中的应用主要涉及：读取大规模文件、国际新闻编译和文本摘要提炼。

美联社和国际调查报道记者联盟在联合揭露巴拿马造纸业黑幕的报道中，国际调查报道记者联盟必须读取上百万的文件，而每份文件包含很多公司名称、人名以及机构地名等。自然语言处理技术仅用几天时间就帮助该联盟从上百万份文件中找到不同名字间的联系。而对于一个专业记者来说可能要花几年时间才能在成千上万的文件中找到人与人或人与事件之间的隐秘关系。

自然语言处理在国际新闻编译方面也发挥着巨大作用。美联社提供的多国语言新闻服务就引入了自然语言处理技术。“美联社的目标不是要用自然语言处理系统替换人力新闻翻译，而是帮助人力翻译增强他们的产品质量，使得美联社的国际新闻能够更好地服务于中东地区、拉丁美洲和加勒比地区的新闻机构”，美联社国际新闻编辑Farr说：“输出环节毫无疑问仍然需要专业编辑把关，但自然语言处理系统在新闻编译的初稿成形阶段非常有用，它大大提高了美联社编译国际新闻的数量和质量。”

自然语言处理系统还可以理解文本的重点，并将重要的人名、地名和话题突出显示，因此，它被广泛运用于提炼文本摘要。上文提到的Agolo公司由哥伦比亚大学研究生创办并由微软资助，它擅长基于全文分析来提炼大型报告的摘要。Agolo首席技术官Mohamed Altantawy说：“Agolo的自然语言处理算法可以分析非结构化数据，包括：新闻报道、报告、新闻通稿，并转换为摘要文本输出。”

（三）语音转换技术：将记者从初级任务中解脱

语音转换技术包括文本转语音（text to speech）或语音转文本（speech to text）两个方面。

1．文本转语音——用虚拟声音做播客节目

目前，亚马逊的Echo语音处理机器人接受度较高，很多新闻机构都加入了Echo支持的平台。Echo的工作就是将新闻机构提供的文本新闻转换为语音，并用虚拟合成声音以播客形式推送给用户。但是，文本转换语音的技术在某些方面还需要改进，比如：如何正确读取引号内的直接引语。美联社音频新闻部主任Ken Romano表示：“通常写给广播DJ读的新闻稿可以被更好地转化为语音，因为新闻稿本身就考虑到了广播播音的语法要求和声音文本传播的特殊要求，而机器在将文字稿转化为语音时会出现一些小的错误。”

2．语音转文本：用机器誊写采访录音

语音转换文本技术将音频格式作为输入数据，并找到与之匹配的文本数据输出，就像人们听写一样，机器需要将听到的每一个单词转换为准确的文字，最终形成连贯的文本。这项技术将记者从听写采访录音的初级工作中解脱出来。密苏里大学雷诺兹新闻研究所最近一项针对100多名记者的调查显示，记者平均每周花3小时做访谈，但却要花两倍的时间将访谈录音整理为文字。有了这项技术，记者就可以从繁琐的初级劳动中解脱出来了。雷诺兹新闻研究所未来实验室也正在开发一款语音转文本APP——Recordly，它的诞生就源于雷诺兹希望提高采访和写作效率的初衷。Vox也在运用一款叫作AutoEdit的开源软件来进行语音文本转换，包括：为音频新闻加入文本说明，以及将音频新闻中的现场录音提炼出来作为吸引读者的链接文字。

（四）计算机视觉（Computer vision）：捕捉肉眼难以看见的信息

人工智能技术支持下的智能设备还可以像人眼那样记录所见，有时候甚至能够推导出一些肉眼看不见的信息，这就是所谓的“计算机视觉”。在采编工作中，计算机视觉可以在拍摄对象之前就通过卫星定位判断最佳拍摄视角；可以帮助编辑快速分类，组织由图像和视频构成的大规模语料库，提升编辑效率，使记者更高效地从数据库中提取调查性报道所需的线索、证据和信息；还可以通过观察一些肉眼难以判断的表情来推断人物内心活动。

1．从摄影师无法切入的视角拍摄海量图片

美联社使用名叫Digital Globe公司提供的高解像率图像来印证南亚海底存在大量非法捕捞容器，完成了揭露非法海鲜产业黑幕的报道，获得2016年普利策奖公共服务大奖。Digital Globe的计算机视觉技术依靠卫星摄像机从最佳角度来拍摄必要信息，可以最大限度根据美联社报道团队的需求来完成拍摄任务。这种图像认知技术可以通过“神经网络”的机器学习方式来实现。神经网络算法通过模仿人类理解肉眼感知的图像来识别图像，将图像进行区块组合，只保留图像积极的元素，使用数学模型来复制人类视觉的这个过程，并通过算法对图像进行分层处理。

2．高效管理资料图片

Clarifai技术公司利用计算机视觉来实现自动描述图片和显示视频里的关键信息，比如：位置、人物身份、地点和物品。这项技术可以提高编辑部图片管理的效率，并提高记者搜索资料图片的效率。

美联社产品经理Ben Nadler表示：“计算机视觉可以非常迅速的处理数量巨大的新闻图片，选出最好的，丢弃不好的，同时，它可以为图片自动生成标签和图片说明。这彻底改变了美联社图片和视频的处理与检索，使这项工作的效率极大提高。”

3．从“微表情”中发现信息

计算机视觉识别报道对象“微表情”的功能也非常强大。哥伦比亚大学数据科学家Amir Imani认为：“就像一个孩子慢慢长大，逐渐学会看父母的脸色行事，这种行为实际上就是通过识别父母的不同面部表情来判断父母的心情。可以设想计算机视觉来做同样的事情，但是计算机首先需要三年的时间来学习一个人的面部表情传递何种情绪，之后它可以立即识别成千上万的面部表情，并迅速做出分类。”2017年1月，Imani就运用自己团队设计计算机视觉系统和Quartz记者一起对美国总统特朗普的就职演讲进行了报道。这个系统可以识别“微表情”，比如睫毛抬起表示惊讶的表情，并能将这些微表情和特定的情绪进行快速配对。他们利用计算机视觉对特朗普的面部表情进行识别，并推测出他发表就职演讲谈及某些敏感问题时的具体情绪。

美联社技术总监Robert Farr认为，尽管美联社在机器学习技术方面取得了很大进展，但它仍然存在缺陷。比如：这个系统的判断取决于主体的面部方向，证件照的识别效果最好，还取决于识别主体前面有没有遮挡脸部的障碍物，但在新闻现场，人物前的障碍物是难免的，这会影响系统对于人物情绪的判断。

（五）新闻机器人（Robotics）：编辑部的新“员工”

机器人本身是硬件，它带有的软件及算法可以具备前述一切人工智能的功能。《纽约时报》和《华盛顿邮报》利用机器人辅助编辑部工作的实践比较丰富。

1.《华盛顿邮报》机器人员工以量取胜

2017年3月，在奥斯汀召开的网络新闻国际研讨会上，《华盛顿邮报》产品总监乔伊·马伯格（Joey Marburger）介绍了该报目前机器人辅助工作的情况：“《华盛顿邮报》已经拥有近100个编辑部机器人，但99%都用于内部。”经典的机器人包括：

感觉机器人（Feel Bot）——用于问卷调查的机器人。2016年，美国大选结果揭晓前最后30天，《华盛顿邮报》将感觉机器人放在脸书（Facebook）主页上。如果读者在该报脸书（Facebook）政治页面中选择了这个机器人，它就会在晚上发送信息，询问该读者对大选的看法，该读者可从五个表情符号中选择一个作为回答。第二天早上，机器人就会把搜集到的读者对大选的感觉和情绪用图表的形式向读者推送。

病毒传播“预测神器”（Virality Oracle）——这是《华盛顿邮报》在Slack平台上推出的一个“新员工”，它可以从报道发布的那一刻开始就对其进行监测，在报道发布后30分钟内，机器人就可以确定这个报道是否会达到病毒传播效果。然后，它就会通知编辑对文章进行修改，它还会创建一个24小时流量模型，让编辑部看清一个报道的生命周期。

催稿机器人（Marty Bot）——这款机器人专治记者“拖延症”。记者通常会设定报道预计完成时间，但截止日可能经常有变化。如果进度落后，这个机器人就会发送私信给记者：可能接近或错过截止日了，既能提醒记者又不会让其感到被催稿的尴尬。

2.《纽约时报》聊天机器人以情动人

《纽约时报》的新闻机器人研发在重视功能和技术的同时，赋予了它们更多人类的情绪化、幽默感、爱犯错、爱撒娇等特点。《纽约时报》的聊天机器人有不同的“人名”，当读者和它在手机上聊天时可能完全感受不到是在和机器说话。在奥斯汀的网络新闻国际研讨会上，《纽约时报》编辑Andrew Phelps介绍了该报几款具有聊天功能的机器人：

Sam Manchester——《纽约时报》体育版“副主编”，他能够跟注册用户进行短信聊天，谈他对于比赛的见闻感受。Sam在奥运会期间发了这样的文字：“嘿！没有人在运动员村里吃饭。他们都去了麦当劳。所有这些运动员都去了麦当劳！这很疯狂，我很震惊！”这种文字一改《纽约时报》严肃刻板的形象，让读者觉得是和朋友在聊奥运。在里约奥运会期间，Sam向受众发了70条信息，3万人做出了回复。

Nick Confessore——《纽约时报》在大选中投放的“政治记者”（NYT Politic Bot）。为了保障人格魅力，Nick每天早上都需要撰写对话草稿，并以“探险式发问的方式”来反映了他对大选的独特见解。这并不是《纽约时报》的声音，也不是所谓的“客观”的经验。大选期间，共有25万人与他互动。

Gilbert Cruz——《纽约时报》“电视编辑”，它的脑子里装着所有电视剧和电影的信息，而且性格友善。他通常并不只是提出建议，还会通过提问来进一步了解受众，根据受众的回答，他会在“脑海”中建立受众偏好的元数据，再提出一个建议。

三、人工智能对美国新闻业的推动及风险

一方面，人工智能能够参与和推动新闻业价值链上所有环节的发展，让新闻生产更加便捷、高效，质量更高；另一方面，人工智能所涉及的伦理道德问题，以及它对编辑业务和行业经济的影响都不容忽视。总体看，人工智能推动着美国新闻业的发展，但将人工智能技术引入新闻编辑室也存在一定的风险。

（一）推动

1．让记者解脱于初级任务

人工智能的首要任务是参与繁琐的初级的信息收集与整理任务，将记者解放出来进行更复杂、更高质量的报道和分析。人工智能能够帮助记者分析数据，验证模式、趋势，并从众多信息来源中探测缘由和深意，看见肉眼不能看见的关系，将数据、声音转换为文本，将文本转化为视频或音频；理解情感，分析事物所处的客观环境；识别文本和颜色等。相比以往，这些功能都将极大地缩减记者的初级劳动时间。

2．催生全新的新闻品种

人工智能和新闻业的结合催生出更多全新的新闻品种。目前AI+新闻表现最出色的当属机器人写稿与编辑。首先，机器人写稿已进入2.0时代，除了能简单撰写新闻消息外，还可以提供更多体裁的新闻内容。《华盛顿邮报》的Heliograf就已经从撰写简单消息升级成了可以写分析性稿件的机器人。其次，聊天机器人的出现催生出对话式新闻报道。上述提到的《纽约时报》几款聊天机器人在美国大选、里约奥运等重大事件的报道中都以对话的形式呈现新闻，而机器人被赋予的幽默话风、调皮性格，使得它们的回复本身又成为“网红”新闻。

3．推动新闻编辑室智能化

《纽时时报》科研团队研发的机器人Blossomblot是新闻编辑室在稿件推送方面智能化的代表。Blossomblot通过对社交平台上推送的海量文章进行分析，能够预测什么样的内容更适合在社交媒体的平台上推广。它帮助编辑挑选适合的文章，甚至可以独立制定标题、摘要文案、配图等。经过Blossomblot筛选自动推荐的文章的点击量是人工推送文章的38倍。网络媒体Mashable启动的Velocity数据分析工具在识别文章的传播趋势和可能存在的爆点方面也高度智能化。Velocity可以帮助编辑们发现“爆点”或“饱和点”，如果一个事件的分享率达到95%，编辑就不再投入关注；如果没有，编辑们则可以考虑为其再添加“一把火”。

4．促使新闻从业人员将人工智能用于实践

人工智能的每个分支技术都蕴含着帮助记者提升工作效率和质量的潜力。熟练掌握这些技术，将帮助记者利用计算机和数据科学家完成高质量的采访报道。赫斯特集团最近宣布创建原生新技术部，这个部门专门负责发布数据新闻，并大胆将影响新闻业的重要技术，包括：人工智能、声音交互、增强现实、虚拟现实等应用于新闻报道的采写中。赫斯特认为人工智能只是一个基本技术，它将帮助我们跟上下一波个人计算发展趋势。因此，记者完全可以将人工智能应用于工作，而不是仅仅停留在实验室阶段。

（二）风险

1．算法自带偏见

算法的偏见源于人类设计了人工智能，而人类通常是会犯错的。人工智能系统的好坏，很大程度上依赖于输入它的原始数据的质量，而输入者正是人类。通常，这些数据早已包含不被人类认识的、被隐藏的偏见。因此，数据先占性地认为记者是默认相关信息的，由此开始一系列的推荐、处理工作。在针对社会经济、宗教和种族的相关问题上，新闻从业人员如何使用号称“精确”的算法得出的数据？答案是需要人力核实数据的真实性及其前后关系，更需要在数据和新闻伦理两方面做出合理的取舍。

2．有限认知能力带来的报道缺陷

人工智能依靠不断叠加和更新的数据来辅助新闻从业人员进行工作，并有一定程度的“自我”意识。这种“自主思维”或“智力活动”正在参与信息的输入和新闻产品的生产。但是，这种能力是依靠数据来判断，却缺乏判断原始数据准确性的能力。因此，人工智能有限的认知能力需要进一步完善，但在这个过程中产生的报道会因为有限的认知能力而带有缺陷。

3．打破既定工作流程带来的不适

新闻编辑室每一个职位都有其特殊性，有些职位更适合自动化，有些则必须依赖人工。在一个人工智能辅助工作的编辑室，记者的日常责任可能会有变化：一是记者需要认识到他们将花更多时间联系相关人员，从人工智能得出的线索中进一步追踪分析，而不是将时间浪费在初级的文件整理上。二是自动化报道系统自身需要维护和监测。如美联社开始使用算法生成上市企业财务报道以来，向客户提供的上市公司财务报道在数量上比以前多了12倍。尽管从外部看，这些常规报道由美联社的机器完成，并没有人力干预。但在内部，用于监测机器错误并修正的工作是需要人力来完成的，于是，维护机器的工程师成为编辑室的把关人。因此，人工智能的介入打破了传统的工作流程，也为新闻从业人员带来不适。当工作流程因为人工智能的引入而改变时，新闻编辑室需要调适，让工作流程有助于人力员工和人工智能的协作，而不是被人工智能牵着鼻子走。

4．威胁技能单一的新闻采编人员

如前所述，深度学习、语言技术、语音技术、视觉技术和机器人技术等，将成为新闻从业人员的基础技能。这就使得今后的新闻采编人员所具备的计算机科学技术和专业知识要跟上整个行业的变化。倘若技能单一的新闻采编人员不能够驾驭人工智能技术，将成为被淘汰的对象。

总体看，美国新闻业对人工智能的态度是积极的。随着人工智能技术对新闻业的影响更加深入，新闻编辑室将日趋智能化，新闻产品的数量、质量和品种都将大幅提升。因此，新闻业对采编人员应用人工智能技术的能力提出迫切要求，而新闻从业人员将感受到由人工智能技术带来的前所未有的职业压力。与此同时，人工智能技术引入新闻业带来的负面影响的显现也将成为业内人士争论的焦点。