AIGC与算法驱动之下，新闻业往何处走？

　　当下，新闻业正在经历一场深层的结构性变革。

　　AI与算法改变传播的底层逻辑，技术逐渐成为塑造认知与价值的重要力量。在此背景下，媒体人应如何应对，新闻院校又该如何培养符合时代要求的传媒人才？

　　本期，中新社“庖丁解news·传媒大咖秀”专访了中央民族大学新闻与传播学院院长毛湛文教授，探讨一个现实且紧迫的问题：当技术深入到内容生产源头，新闻业究竟该如何应对？

警惕算法时代的“审美霸权”

　　技术带来的，不止是便利，它还会在潜移默化中，改变我们的审美，影响人们对公共信息的认知。这是当下的媒体创作者与用户都要面对的问题。

　　在毛湛文看来，技术对新闻业的影响，首先体现在“审美驯化”。

　　表面上，算法推荐机制是在“投其所好”，但本质上，它通过不断强化用户既有偏好，让内容趋向短平快、强情绪与高刺激。

　　这种机制的长期作用，可能让用户逐渐失去对严肃文化、深度内容与多元表达的耐心，甚至误将“爽感”当作审美本身。

　　毛湛文表示，这种“审美霸权”不应忽视。过去是编辑决定什么是好内容，尽管他们有局限性，但他们遵循的是专业逻辑和公共责任。

　　但现在是点击率决定内容的价值，可能导致文化创作中的“劣币驱逐良币”，迫使严肃创作者迎合“流量趣味”。

　　另外，算法虽然降低了表达门槛，让更多人可以参与议题讨论，但与此同时，也将用户切割进不同的“信息圈层”之中。

　　讨论不再是跨立场的理性对话，而更像是圈层内部的情绪共振，以及圈层之间的对立冲突。

　　情绪化、极端化、有争议性的表达更容易获得流量，而理性、客观、建设性的声音，则可能被淹没在喧嚣之中。

当AI叠加算法会带来什么？

　　如果说算法带来的改变是发生在传播过程中，那么生成式AI带来的改变，则发生在新闻生产的起点。

　　在毛湛文看来，生成式AI的出现，把过去“分发端的算法文化”延伸到了内容源头，这样的技术叠加会同时带来机遇与风险。

　　首先是效率的跃升。AI可以快速完成信息整合、数据处理、多语种转换等基础性工作，大幅降低生产成本，让记者从重复劳动中解放出来，回归调查、采访与深度分析这些更具专业价值的环节。

　　其次，是生产与分发的“效能驱动”。生成式AI与推荐算法结合，让优质内容、公共议题、科普信息按照用户需求进行生产，更高效触达受众。

　　再者，会打破“信息偶遇”的随机性。传统算法依赖协同过滤，用户获取不同观点往往带有偶然性。生成式AI具备意图识别与知识重组能力，理论上，它可以根据用户正在阅读的内容，主动补充对立观点或相关知识，帮助用户更系统地理解问题，而不再只是“刷到什么算什么”。

　　这种效率提升，也可能带来诸多风险。

　　最突出的，是事实层面的不确定性。传统传播环境中，错误信息更多是人为失误或立场偏差，而生成式AI则可能在看似合理的语境中直接生成错误内容，即所谓“AI幻觉”。

　　它还会生成大量缺乏信息价值的“数字泔水”，最终可能导致各类“有毒”文本充斥舆论环境。

　　其次，是内容生态的同质化风险。大模型基于已有数据训练，其输出天然趋向平均值。当越来越多从业者依赖AI辅助写作，表达方式、叙事结构乃至观点框架，都可能趋于一致。

　　新闻业原本强调的多样性与独特视角，可能被技术“抹平”。

　　更隐蔽的风险，是“生产黑箱”。 原来的算法黑箱还只是分发不透明，而现在，内容怎么生成、依据哪些数据、隐含哪些偏见、是否被植入特定立场，用户无法知晓，即便平台自身，也难以向公众给出完全透明的解释，公共讨论空间可能被更精密地引导和塑造。

AI时代，技术治理难度将持续上升

　　一方面，责任主体变得模糊。AI生成内容往往是人机协同的结果，一旦出现问题，很难明确界定是使用者、平台还是模型本身的责任。

　　另一方面，内容溯源成本大幅提高。AI文本可以被快速改写、复制，传统的事实核查机制面临挑战。

　　更关键的是，当前治理手段多集中于下游——删除、限流、封号，而生成式AI的风险，往往存在于上游的数据与模型之中。如果不在训练阶段进行干预，仅靠事后监管，很难从根本上解决问题。

　　与此同时，技术迭代速度超过规则监管上的更新。应用场景在快速创新，现有的法规、伦理规范、行业标准相对滞后，导致部分法律归责出现真空。

AI时代要求新闻人会什么？

　　技术改变了媒体的传播环境，也对传媒人提出了更新、更高的要求。

　　五年前，行业讨论的重点还在“会拍视频、会剪辑、能多平台分发的全媒体记者”；而今天，这些能力已远远不够。

　　毛湛文指出，目前行业最紧缺的是具备技术理解力、专业判断力与伦理决策力的复合型人才。

　　这种素养，首先体现在对技术逻辑的理解上。记者不需要成为写代码的工程师，但必须了解技术的原理，并据此进行反向的内容策略设计。

　　例如，针对算法的“情绪极性偏好”，在制作严肃公共议题内容时，有意识地调整叙事结构以穿透茧房，而非被动迎合。

　　其次，是人机协同的能力。在AI深度介入生产流程的背景下，新闻工作者需要判断哪些环节可以交给机器，哪些必须由人完成，并对整个流程进行把控，确保效率提升不以牺牲专业标准为代价。

　　此外，还有事实核查能力的升级。在“合成现实”增多的背景下，记者不仅要核实信息本身，还要判断其生成方式、数据来源与模型偏见。这是新闻业作为“真相守门人”的重要防线。

　　毛湛文表示，反思这种变化的本质，我们对专业能力的要求从未改变，改变的是在不同技术的操作系统中，达成这些要求的具体实践路径。

技术时代的新闻人才要如何培养？

　　毛湛文认为，关于传媒人才培养中技术与人文脱节、理论与实践脱节并非新问题，但在AI时代被急剧放大，这跟新闻教育与新闻实践之间对话不足等结构性滞后因素有关。

　　要破解这两个脱节，不能靠修修补补的课程调整，而需要从培养理念、课程架构、评价机制三个维度进行结构性改革。

　　首先，是以新闻生产流程为主轴重构课程体系，围绕一个完整的新闻产品生产周期来组织教学内容。例如，一门深度报道项目课，可由新闻采写、数据分析、可视化设计等不同领域的教师共同授课。

　　学生在完成选题策划时，同步学习如何用Python获取公开数据，如何用AI辅助整理采访提纲，如何判断算法分发策略对选题传播效果的影响。

　　技术学习不再孤立存在，而是被嵌入新闻生产的真实需求中。人文素养的培养也不单独设课，而是贯穿在对选题价值的讨论、对信源伦理的辨析、对报道社会影响的评估中。

　　其次，是推动更深度的产教协同。让行业力量深度介入培养过程，而非点缀式的讲座分享。

　　可行的做法包括三个层面。在课程层面，推行双师制，由高校教师和行业专家共同设计课程大纲、共同授课、共同评价学生作业。

　　在实践层面，将媒体的真实项目引入课堂，学生在教师和行业导师的共同指导下，完成有真实传播场景的新闻产品，而非模拟练习。

　　在师资层面，建立高校教师到媒体挂职、媒体骨干到高校任教的常态化双向流动机制。这需要突破现有的人事制度障碍，但这是让教学保持行业敏感度的必要代价。

　　第三，是重构评价体系。教学考核从以考试和论文为主，转向以作品和能力为核心。

　　具体而言，学生修完一门课程，其成绩评定主要依据其完成的作品质量，这里的作品可以是深度报道、数据新闻、事实核查报告、算法审计分析等。

　　评价标准由高校教师和行业导师共同制定，既包含专业规范的完成度，也包含创新性与公共价值的体现。

　　同时，新闻传播学教师的教学评价也需要相应调整，课程是否贴近行业前沿、学生作品是否具备实战水准，应当成为比论文发表更重要的评价指标。

　　归根结底，技术与人文的融合、理论与实践的对接，都要落在价值层面。

　　如果只解决了技能问题，而不回答“为谁而写、为何而写”的问题，培养出来的可能只是更高效的内容生产者，而不是有公共情怀和专业理性的新闻人。