智慧图书馆建设之“渔”

摘 要 跨领域的知识鸿沟和较高的技术门槛长期以来一直阻碍着人工智能在图书馆的广泛应用。论文对近年来人工智能技术发展的内涵特征进行总结归纳，提出人工智能基础设施化时代已经来临，指出人工智能的易用性已经产生质的飞跃，人工智能将进入像水和电等基础设施一样可以轻松利用的新阶段；然后通过实践案例直观地证实当前人工智能灵活、便捷、易用的新特点；最后从思维模式重塑、知识体系完善、协同创新三个方面提出运用人工智能为图书馆建设赋能增效的具体建议。

关键词 智慧图书馆；人工智能；新型基础设施；图书馆服务创新；读者意见分析

分类号 G250.7

DOI 10.16810/j.cnki.1672-514X.2023.10.001

A New Opportunity for the Construction of Smart Library： the AI Emerging as a Form of Infrastructure

Hou Zhijiang

Abstract The long-standing knowledge gap across disciplines and the high technological threshold have persistently hindered the widespread application of Artificial Intelligence in libraries. This paper summarizes and analyzes the intrinsic characteristics of the recent development of AI technology， proposing that AI is becoming a new type of infrastructure. It points out that AIs usability has undergone a qualitative leap and is entering a new phase where it can be utilized as conveniently as fundamental infrastructures like water and electricity. Then this paper empirically confirms the new characteristics of AIs flexibility， convenience， and ease of use through practical case studies. Lastly， it proposes specific suggestions to promote the usage of AI in smart library construction from three aspects： the reshaping of thinking mode， the reconstruction of knowledge system and the collaborative innovation.

Keywords Smart library. Artificial intelligence. AI infrastructure. Library service innovation. Reader opinion analysis.

0 引言

近年來，伴随着人工智能（Artificial Intelligence，

AI）技术的快速发展，人工智能在生活中的创新应用如雨后春笋般涌现出来。从方便快捷的语音助手到医学CT影像的智能诊断，从随处可见的人脸识别到快递面单的智能填写，层出不穷的人工智能应用正在深刻改变着人类的生活，也加速推动着各个行业的智能化升级与变革。新一代的人工智能技术在图像识别、机器翻译、自然语言处理等许多领域已经取得引人瞩目的成绩，一些应用场景下的准确度已经显著超越人类的水平，展现出超凡的能力和广阔的前景[1]。正如历史上蒸汽机、电、计算机的发明一样，人工智能的强大驱动力正在掀起新一轮的科技革命，推动人类社会迈向智能时代。在这场改变世界、改变未来的科技革命浪潮中，人工智能必将给图书馆界带来深刻的影响，改写图书馆的服务方式和管理方式。如何将人工智能与图书馆相结合，运用人工智能技术为图书馆发展赋能，是时代赋予图书馆界的一道必答题，事关图书馆能否抓住智慧化升级这一宝贵的战略发展机遇。围绕这个时代课题，许多图书馆界学者已经展开积极有效的探索实践。

从相关文献统计分析来看，“人工智能”已成为“智慧图书馆”主要的关联技术主题词，并且两者共现频次呈现不断上升的趋势。这从侧面反映出人工智能正在成为智慧图书馆建设新的研究焦点和发展趋势。这一判断与杨思洛[2]，王晰巍[3]等人分别基于Scopus和Web of Science数据库文献聚类分析得出“人工智能在图书馆应用是智慧图书馆的研究热点”的结论一致。在现有研究中形成了一些具有代表性的观点。杨文建提出人工智能驱动图书馆变革的方向途径，包括资源、空间、服务、馆员和用户五个方面[4]，勾勒出人工智能在图书馆中的应用框架。杨国凤进一步讨论了人工智能时代图书馆服务的变化特征[5]。王世伟则指出要将深化人工智能应用“从图书馆的技术支撑层面上升至图书馆创新发展的战略视野加以思考与谋划”，把人工智能提高到智慧图书馆建设战略的高度[6]。王晰巍探讨了人工智能在智慧图书馆建设中的多种落地场景[3]。杨新涯等从“新型基础设施”视角分析了以人工智能为代表的“新型基础设施”赋予图书馆的三大机遇[7]。这些研究为人工智能在图书馆的应用前景描绘了清晰的轮廓，但总体侧重于宏观的讨论，对具体运用的方法策略却深入不多。然而，人工智能如何在图书馆落地实施是图书馆面临的一个亟待解答的、绕不开的重要命题。

当前图书馆界在运用人工智能技术时，主要依赖于采购第三方的技术设备来实现，例如常见的人脸识别、语音识别等，而那些没有现成设备或商品的人工智能技术，如智能情感分析、语义理解等，则在图书馆鲜有落地应用的案例。依赖市场上的技术设备来实现人工智能，虽然简单快捷，但这些终究只是智慧图书馆建设的一些“鱼”，而不是“渔”，缺乏灵活性和自主性，不仅严重受制于图书馆经费预算和第三方技术设备供给，而且犹如无本之木，束缚了图书馆自主发展的后劲与潜力。这样的现实困境在一定程度上影响了图书馆智慧化变革的进程，所以正如杨新涯[7]所指出的问题“目前人工智能在图书馆的应用普遍还处于弱智能状态”。相比生活中精彩纷呈的人工智能应用，人工智能在图书馆服务智慧化领域的应用则显得相对“冷清”，侧面反映了人工智能技术在图书馆应用落地的现实困难。人工智能应用技术的短缺已经成为阻碍图书馆发展的一种“卡脖子”问题，特别是在当前“过紧日子”的经济背景下，仅靠“鱼”发展显得格外困难。如何破解新一代智慧图书馆建设有“鱼”无“渔”的难题，促进人工智能在图书馆深入而广泛的应用正是本文研究的出发点。

本文运用跨学科研究方法，首先阐释解读人工智能基础设施化的内涵与现实意义，特别指出人工智能基础设施化对人工智能在图书馆的应用是一个具有重要意义的转折点。然后通过一个读者情感智能分析的实践案例来证实人工智能技术的“工具化”变革，展示了图书馆借助迁移学习平台可以像日常使用水、电、网络等基础设施一样，便捷、高效、灵活地运用人工智能技术。最后就图书馆如何把握人工智能基础设施化的战略契机，加快智慧图书馆高水平发展提出参考建议。

1 人工智能基础设施化的内涵

2018年12月，中央经济工作会议提出“加强人工智能、工业互联网、物联网等新型基础设施建设”，首次提出了“新型基础设施”的概念。2020年4月，国家发改委进一步界定了“新型基础设施”的范围[8]，明确指出新型基础设施包括“以人工智能、云计算、区块链等为代表的新技术基础设施”，人工智能技术正式成为了国家与社会的一种基础设施。

在此有必要厘清人工智能的概念。人工智能本身是一个古老而宽泛的概念，只要能够体现智能的人造机器都属于广义人工智能的范畴。实现人工智能的途径有很多种，其中现代常用的途径是机器学习，通过数据训练得到一个数学模型来进行判断预测，使机器表现出一定的智能性。人工神经网络是众多机器学习方法中的一种，但是近年来，得益于深度人工神经网络技术的颠覆性进步，人工智能取得了革命性的提升。因此，当今学术界和社会上被人们广泛提及的“人工智能”准确来讲是指基于“深度人工神经网络技术”所实现的新一代人工智能，是一个狭义的有具体指向性的概念，而不是传统意义上广义的人工智能。

为什么现在才将人工智能列入基础设施的范畴？其原因正是由于人工智能技术在近些年产生了质的飞跃，“功能大幅提升，门槛大幅下降”，使之能够成为一种基础设施为各个行业赋能，这一重要的转变可概括为“人工智能基礎设施化”。人工智能基础设施化不仅是一个新的概念，更意味着一种全新的方法论，它将像一座桥梁一样消除图书馆与人工智能之间难以逾越的鸿沟，自此以后“一桥飞架南北，天堑变通途”。准确把握人工智能基础设施化的内涵，有助于更加透彻地认识人工智能的重要价值，在智慧图书馆建设中充分发挥人工智能的作用和力量。结合近年来人工智能的最新进展，人工智能基础设施化的逻辑内涵可以概括为以下三个方面。

1.1 意味着人工智能的功能已经非常强大

2006年以来，得益于海量训练数据的出现、计算机并行计算能力的提升、模型训练算法的改进，深层人工神经网络模型的学习训练（即深度学习）取得了突破性的进展，使得过去难以训练的大规模复杂神经网络模型也能够得以训练[9]。理论上，人工神经网络模型规模越大，其功能就越强，越能解决各种复杂的问题[10]，因此，深度学习的发展推动人工智能的智能化水平实现爆发式提升。除了广为人知的AlphaGo战胜人类世界围棋冠军这一标志性的事件之外，人工智能在机器问答[11]、语音识别[12]等领域也已经超出人类的水平。生活中快速普及的人脸识别、语音助手等技术，也从侧面印证了人工智能前所未有的智慧能力。

随着科学家对人工神经网络结构的优化改进，人工智能不断在新的应用领域表现出惊人的成绩，持续刷新人们的想象，其性能的优越性、通用性、稳定性已经实现由量的积累迈向质的飞跃，对很多领域都产生了重要的推动，因此，有必要将其基础设施化，使其进一步推广普及，惠及更多行业。

1.2 标志着人工智能的利用已经足够容易

回顾信息化时代计算机与互联网等基础设施的发展历史，可以发现一项技术的基础设施化包含两个内在的逻辑过程。首先需要功能上的突破性进展，使其给各行业都能带来革命性的影响，从而具备基础设施化的必要性，同时还需要较低的应用门槛和成本，使其具备在各领域推广应用的可行性。“功能强大性”与“易于实施性”两者缺一不可。

早期深度学习的发展为人工智能带来了史无前例的提升，但在当时距离普及应用仍有较大的差距。主要原因是每个不同的应用场景、不同的实际问题都需要分别从零开始进行独立完整的全过程训练，包括搜集海量的训练数据、设计专用的人工神经网络结构、运用大规模计算集群进行训练等，每一个步骤都充满挑战。且不说数据标注的庞大工作量、训练集群高昂的价格，仅人工神经网络选型设计所需要的技术知识就足以将大多数非专业人员拒之门外。幸运的是在这一关键时刻，人工智能发展进程中的另一个里程碑——“迁移学习”的出现大幅降低了运用人工智能解决各种场景问题的技术门槛和成本壁垒，扫清了人工智能走向普及化应用道路上的主要障碍[13-14]。

具体而言，迁移学习是指研究人员在训练人工神经网络模型的过程中发现，人工神经网络模型与人类大脑一样具备知识迁移的学习能力[15]。人类大脑具有天然的知识迁移能力，人在掌握一个技能后再学习相似的技能就会容易得多，例如学会骑自行车后再学习骑摩托车，就会比直接学习骑摩托车的过程要明显轻松快捷。研究人员同样地发现，基于一个预先已经训练好的神经网络模型，利用少量新数据进行微调训练即可快速解决一个相似的新问题，例如在图像识别领域，以手写数字识别模型为基础，只需要少量的手写字母训练数据就可以使模型快速掌握识别手写字母的新能力。

迁移学习为人工智能开发模式带来转折性的变化，人工智能从此进入“预训练模型”时代[16]，开发利用的门槛大幅降低。一些知名的科技公司先后推出各种预训练的人工神经网络模型，供公众免费使用，例如自然语言处理领域具有代表性的谷歌BERT模型[17]和百度ERNIE模型[18]。从应用者角度看，运用这些优秀的大规模预训练模型，仅需要少量程序代码就可以快速、低成本地实现文本、图像、语音等数据的各种常见智慧功能，并可以取得传统方法难以达到的模型效果[19]。正如图1所示，新的应用开发模式一方面增加了人工智能模型的通用性与可共享性，使得用户在面临新任务时不再需要从零开始进行全新訓练，而是可以直接“踩在巨人的肩膀上”快速实现目标；另一方面全面降低了人工智能所依赖的数据量、计算力、资金、人力等关键要素的门槛高度。回首人工智能技术发展历程，正是得益于近年来迁移学习的发展，人工智能具备了“飞入寻常百姓家”的普及条件，客观上实现了人工智能由“高科技”向“工具化”方向的重要蜕变，有力推动了人工智能在生活中的大范围应用。

图1 迁移学习对人工智能应用开发模式的影响

1.3 预示着人工智能的机遇已经不容错过

近年来人工智能技术的不断突破勾勒出一个引人注目、令人激动的智慧未来，而迁移学习为人工智能在各个场景中的落地应用提供了重要的“杠杆”，使各个行业可以用较小的代价“撬动”人工智能的巨大潜力，这是一个任何领域都不能错过的战略机遇。人工智能大规模产业化应用渐露端倪，通过赋能各个领域的变革升级，人工智能正在成为经济社会高质量发展的新引擎，为各个行业注入源源不断的智慧化新动能。

历史上互联网的发展促进了数字图书馆的诞生，人工智能基础设施化将成为数字图书馆向智慧图书馆升级转变的重要力量。面对人工智能基础设施化的战略新契机，图书馆需要积极应对、主动适应，从而掌握新一轮产业变革的主动权。首先，从读者角度来看，随着社会智能化的发展，读者对图书馆服务的智慧化水平必将提出更高的要求和期待。“时代是命题人，我们是答题人”，针对读者日益增长的高水平智慧化服务需求，图书馆紧紧抓住人工智能基础设施化这一历史性机遇是时代赋予的使命。其次，人工智能应用是一个新的赛道、新的起点，图书馆尽快占领人工智能基础设施运用技术的制高点，不仅能够实现自身的创新发展，在科技革命中赢得发展主动权，还有助于构建行业核心竞争力，摆脱对第三方的过度依赖，增强智慧图书馆建设的源生力量。

2 人工智能基础设施化的实践案例

在当今网络自媒体高度发展的背景下，通过互联网、新媒体等渠道倾听读者声音，成为图书馆了解读者所思所愿，收集读者意见建议的重要途径。但由于网络信息数量庞大而分散，数据的收集识别需要耗费大量时间，依靠人工方式长期持续不断地跟踪读者网络舆情并不是一件轻松的事情，常常存在严重的滞后性，其时效性难以满足图书馆现代化管理需求。

针对这一问题，本文提出一种基于人工智能的读者网络意见自动监测系统。该系统能够高效率自动识别读者网络反馈信息的情感倾向，帮助图书馆第一时间了解读者的意见和难题，使得图书馆能够靠前指挥，提前干预，及时做出针对性的服务改进。

2.1 实现过程

读者网络意见自动监测分析系统可分为数据采集、智能情感分析、用户界面三个功能模块。数据采集模块负责收集来自不同网络渠道的读者反馈信息，包括图书馆微信公众号后台读者留言、校内信息门户读者咨询、贴吧和微博中与图书馆相关的话题，可通过基于WebDriver的交互式数据采集技术[20]实现数据的采集功能。用户界面模块用于向用户提供数据可视化展示功能，可以借助常见的仪表盘类Web前端模板来快速实现。数据采集模块和用户界面模块均有成熟的实现方案，因此本文不再赘述。

智能情感分析模块是整个系统实现的重点难点，其功能是自动识别读者反馈信息背后的情感倾向。情感倾向分析本质上是基于语义的文本分类，是机器学习中常见的一种任务。在PaddleNLP、PaddleHub等一些开放的深度学习预训练模型库中提供大量的情感分析模型[19]，但其主要基于电商商品评论数据训练得出，不能很好地适用于图书馆读者意见的情感倾向识别，并不能直接拿来使用。以“自习室桌子上都是占座的书，根本找不到地方学习！”文本为例，现有通用的情感分析预训练模型将其识别为“正面反馈”，但其实在图书馆读者情感分析的场景下显然应该判定为“负面反馈”。因此，在本案例中需要根据图书馆的实际情况定制化训练一个专用的情感分析模型。在过去，定制训练人工智能模型常常意味着需要从零开始，算法复杂且工作量大，具有极大的挑战性，但在人工智能基础设施化时代，人们可以自主、快速地得到具有顶尖级效果的人工智能模型。

2.1.1 EasyDL开发工具简介

如1.2节所述，迁移学习的发展，使得当今深度学习模型普遍采用了成本更低、效率更高、性能更好的预训练模型。“预训练模型+小数据精炼”成为高效率定制训练人工智能模型的最新模式，这种日渐趋于统一的技术模式，使得自动化实现人工智能成为可能。因此，2019年前后，陆续出现了Cloud AutoML[21]、EasyDL[22]等自动化人工智能开发平台，这一类自动化工具以可视化的界面集成了人工智能开发利用所需的各个步骤，封装了大量的技术实现细节，使得不具备机器学习领域知识的用户也可以轻松构建出高质量的人工智能模型[23]。

EasyDL是国内一款基于云端的可视化人工智能集成开发平台，提供数据标注、模型训练、模型评估、服务部署等贯穿人工智能应用开发全过程的一整套工具。因其界面对中文用户更为友好，本文选择EasyDL作为读者情感识别模型的训练工具。EasyDL内置丰富的预训练模型，并将迁移学习的过程进一步“黑盒化”，用户无需搭建专门的开发环境，无需编程知识，只需根据需求场景提供少量的训练数据，即可定制开发出高精度的人工智能模型。

2.1.2 数据标注

数据标注的目的是为机器学习模型提供一份“标准答案”，使之能够从中学习到预测判断的模式，是生成人工智能模型的必备“原料”。笔者随机选择200余条读者网络反馈信息文本，以每行一条数据的格式上传到EasyDL，使用EasyDL内置的数据标注功能标注出每条数据的情感倾向性。

情感倾向基本可分为正面负面两种，但两者间的界限并无严格的标准，有较大的主观性。由于本系统旨在及时发现读者对图书馆服务的不满意之处，因此采取了一种简化的标注规则：只要文本表达出读者的抱怨、指责、谩骂等不满情绪，就将其标注为“负面反馈”，其余的文本则标注为“正面反馈”。

2.1.3 模型訓练和评估

在“训练模型”页面，选择本次训练使用的数据集，然后点击“开始训练”按钮，EasyDL便开始在后台自动训练模型。EasyDL会根据任务的类型自动选取最合适的预训练模型，自动设置训练超参数，整个训练过程不需要用户介入，基本实现了模型的“一键训练”。

根据任务类型和数据量的不同，模型训练所需时间长度不等。训练结束后，EasyDL会自动对所得到的模型进行效果评估，如果模型效果不理想，通常可采用增加训练样本数据量的方式逐步提高模型训练效果。在本例中，经过大约五分钟的训练，EasyDL得到了精确率96.0%，召回率95.3%的高精度情感倾向识别模型，整体效果优异。该评估结果证明：经过个性化定制训练，该模型自动适应了读者意见情感分析这一新的应用场景，能够较好地满足系统设计需要。

2.1.4 模型部署

定制训练得到的情感倾向识别模型需要安装部署到服务器运行环境中才能正式运行工作。在EasyDL中，用户只需在“发布模型”页面提交即可将模型直接部署在云端服务器。模型部署完成后，用户可以随时随地通过网络API接口调用模型实现的功能。在调用时，用户不需要进行传统自然语言处理所需的分词、向量化等繁琐的预处理，只需要基于HTTP协议将文本信息提交到云端API，即可得到模型判定识别的结果。

2.2 实践结果与结论

基于人工智能的读者网络意见自动监测系统投入使用后，显著提高了图书馆工作效率，有效解决了传统人工方式耗时费力、反应滞后的问题。系统每天抓取一次网络读者意见并自动进行智能分析统计，能够直观地展示读者网络意见的反馈情况，在实践中有力地支撑了图书馆的智慧化、科学化管理决策。一方面，帮助图书馆更加全面地掌握读者的意见反馈，快速发现读者的新需求。另一方面，辅助图书馆及时做出针对性的改进，化被动为主动，前瞻性地提升服务质量。例如，本系统能够实时监测读者负面反馈信息的数量，超出阈值后会向指定的管理人员推送消息进行预警。在2022年暑假初期，系统突然预警网络上出现大量的负面意见信息，图书馆及时组织调查发现，读者的负面意见主要是关于阅览室座位短缺的问题。原来由于图书馆对暑假期间的读者流量估计偏低，开放的阅览室区域较少，导致一些到馆读者找不到合适的座位。随后，图书馆及时调整开放区域，优化服务方案，很快在第二天的时候负面意见数量就恢复正常，读者的困难在第一时间得到妥善解决。读者需求的快速响应，为图书馆塑造了更优质的服务形象，提升了读者的体验，也赢得更好的读者口碑。

读者网络意见自动监测系统案例是运用人工智能为图书馆服务提质增效的一个佐证，展示了人工智能作为智慧图书馆建设的一个重要工具，能够为图书馆变革发展注入新动能，为智慧化管理服务提供新方案，并呈现了人工智能基础设施化时代人工智能应用开发的便捷性。用户只需少量的数据、知识、时间和投入，就可以定制训练出高质量高精度的个性化模型。EasyDL之类的自动化人工智能开发平台，大幅降低了人工智能应用的难度，消除了人工智能技术与图书馆之间的鸿沟，为智慧图书馆建设插上了前所未有的“翅膀”。

3 人工智能助力智慧图书馆建设的对策建议

智慧图书馆是未来图书馆发展的重要目标。人工智能作为引领新一轮科技革命和产业变革的战略性技术，在对人类社会生活产生深刻影响的同时，也将为智慧图书馆建设提供新的发展方式。广泛应用人工智能提高图书馆智慧化现代化水平，不仅是满足读者更高品质需求的需要，也是社会产业全面升级变革背景下图书馆行业发展的必然要求。为此，本文建议从以下三个方面着手，运用人工智能赋能智慧图书馆建设，推动人工智能在图书馆落地生根，开花结果。

3.1 重塑思维模式，树立人工智能时代新思维

为了充分发掘人工智能的效能，图书馆工作人员的思维模式需进行一定的调整重塑，其中重点是将“人工智能思维”和“人工智能工具化思维”贯穿于日常工作全过程中，形成新的思维习惯。

“人工智能思维”是指在图书馆服务管理工作中遇到困难问题时要主动想到可否运用人工智能来解决。工作的效率瓶颈、读者的“急难愁盼”等难点痛点，往往就是人工智能的用武之地，就是图书馆服务创新的着力点。图书馆应常态化地用人工智能思维来审视和改进图书馆的各类服务，向人工智能要方案。

“人工智能工具化思维”是指在人工智能进入基础设施化的时代，应该消除对人工智能的神秘感和陌生感，把人工智能当作一种辅助人类工作的基本工具来认识利用。借助EasyDL等零门槛的人工智能开发平台，可以便捷高效地实现图像、语音、文本等数据的智慧化应用。随着技术的进步，人工智能将变得像电、网络、办公软件等工具化基础设施一样，图书馆必须用好，也一定能用好。

3.2 完善知识体系，提升馆员人工智能素养

人才的培养是图书馆事业发展的基石，在技术变革时代尤其如此。人工智能时代，图书馆对高层次创新人才的需求更加迫切，图书馆应加强知识更新培训，增进对人工智能应用技术的了解，持续提升构建智慧服务的创新能力，为图书馆智慧化发展注入强大的内生动力。

传统的图书馆学科人才培养知识体系中对机器学习、数据挖掘等人工智能相关基础知识涉猎较少。虽然有一些院校已经将大数据处理、机器学习等纳入了培养体系，但由于知识背景迥异、学科跨度大等原因，底层复杂的理论性知识常常令人望而生畏，使学生陷入技术的细节而失去宏观的驾驭能力。

为积极面对人工智能带来的改革浪潮，建议图书馆学科以实践应用为导向，及时将最新的人工智能领域进展及自动化人工智能开发工具，纳入到学科人才培养和馆员业务素养培训的知识范畴。其中关键的知识点包括两个：一是人工智能的能力有哪些，以便开阔视野，启发人工智能与图书馆场景的融合；二是如何运用EasyDL等人工智能工具解决实践问题，确保能够把想法变成现实。在学习过程中不需要，也没必要去过度深究人工智能底层的实现细节，正如生活中使用电并不需要去了解发电的原理，这是人工智能基础设施化带来的一个重要变化。

3.3 推进协同创新，构建场景驱动的“人工智能+”创新体系

多主体协同创新是推动人工智能与智慧图书馆建设有机融合，促进人工智能在图书馆纵深发展的重要途径。人工智能的技术特征决定了人工智能驱动的智慧图书馆建设需遵循“场景驱动，技术牵引，数据支撑”的路径。图书馆需围绕这三个要素，积极开展馆际、馆企之间的协同合作，凝聚创新合力，形成多主体多要素相互促进的良好局面，充分释放人工智能技术在智慧图书馆建设中的巨大潜能。

“场景”和“数据”要素是协同创新过程中图书馆拥有的独特优势，也是具有重要价值的宝贵资源。数据因场景而生，场景因数据而立，图书馆应以敏锐的眼光去挖掘需求场景，不断丰富人工智能在图书馆的应用场景，以“用”促“进”，同时，要高度重视“数据”作为一种新型生产要素的重要性，形成留存数据日志的工作新习惯。

“技术”要素是增强人工智能技术能力，拓展人工智能应用范围的关键。相较于图书馆，企业在这方面具有显著的优势，对技术、用户有着更深入的理解。结合实际来看，微软、百度、谷歌等科技公司在人工智能技术研发上投入了大量的资源，其理念和实践都走在时代的前沿，可以作为图书馆智慧化升级过程中学习借鉴的目标对象。例如百度EasyDL丰富的人工智能应用案例[22]，为图书馆提供了很好的场景参考，可作为举一反三的创新基点，值得图书馆密切关注。

4 人工智能驱动的智慧图书馆建设展望

当前，人工智能技术的发展和应用日新月异，如火如荼。2022年11月，OpenAI发布的ChatGPT使得人们通过对话的形式就可以实现文本创作、语言翻译、获取答案等很多智慧功能，人工智能使用门槛又一次大幅下降，同时也再次证实了“人工智能基础设施化”的技术趋势，确认了本文提出的分析和判断[24]。人工智能作为新一轮科技革命和产业变革的核心驱动力，将进一步释放巨大的能量，加速推动社会生产与服务的智慧化升级，深刻改变人类生活面貌。对各个行业领域来说，挑战和机遇并存，人工智能带来的技术重构期，既是弯道超车的战略机遇期，又是能否实现转型升级发展的“分水岭”。形势的发展、事业的开拓、读者的期待，都要求图书馆以改革创新精神紧抓人工智能基础设施化的战略机遇，全面推进人工智能在图书馆全过程全场景的深度应用，全面提升图书馆管理与服务的智慧化水平。

通过本文的阐释，希望帮助图书馆界深化对人工智能的理解与把握，更加透彻地理解人工智能基础设施化的转折性意义，从而能够看得清、抓得住、用得好人工智能这一智慧图书馆建设的新机遇、新工具。站在新的历史起点上，图书馆应紧抓契机，“鱼”“渔”并重，不断拓展人工智能的应用场景，深挖资源与服务的智慧化升级潜力，把智慧图书馆美好的蓝图一步步变为现实。

参考文献：

Our World in Data Organization. The brief history of artificial intelligence： the world has changed fast-what might be next？ [EB/OL].[2023-03-17]. https：//ourworldindata.org/brief-history-of-ai.

杨思洛，董嘉慧.国内外智慧图书馆研究热点及发展趋势探究[J].现代情报，2020，40（11）：167-177.

王晰巍，罗然，刘宇桐.AI在智慧图书馆应用趋势：机遇与挑战[J].情报科学，2021，39（9）：3-10，41.

杨文建.人工智能驱动下的图书馆变革[J].图书馆，2020（10）：40-46.

邓李君，张晓梅，戴君琴.图书馆应用人工智能的障碍与对策分析[J].图书馆工作与研究，2022（4）：65-69.

王世伟.深化人工智能与图书馆更新的若干问题：再论人工智能与图书馆更新[J].图书与情报，2020（3）：93-103.

杨新涯，罗麗，杨斌，等.论“新基建”赋予图书馆的新机遇[J].图书馆论坛，2020，40（12）：95-101.

人民网.“新基建”怎么定义？发改委权威解释[EB/OL].[2022-02-15].http：//it.people.com.cn/n1/2020/0420/c1009-31680461.html.

HINTON G E， SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science， 2006， 313（5786）：504-507.

GOODFELLOW I， BENGIO Y， COURVILLE A.

Deep learning[M]. Cambridge：MIT press， 2016：221-227.

Stanford NLP Group. SQuAD Leaderboard[EB/OL].[2022-09-05].https：//rajpurkar.github.io/SQuAD-explorer/.

KIELA D， BARTOLO M， NIE Y， et al. Dynabench： rethinking benchmarking in NLP[J]. arXiv preprint arXiv：2104.14337， 2021.

ZHUANG F， QI Z， DUAN K， et al. A comprehensive

survey on transfer learning[J]. Proceedings of the IEEE， 2020， 109（1）：43-76.

侯志江.人工智能在圖书馆的实施路径研究[J].图书馆工作与研究，2021（6）：82-88.

PETERS M， NEUMANN M， IYYER M， et al. Deep contextualized word representations[J]. arXiv preprint arXiv：1809.09795， 2018.

SUN T X， LIU X Y， QIU X P， et al. Paradigm shift in natural language processing[J]. Machine Intelligence Research， 2022， 19（3）：169-183.

DEVLIN J， CHANG M W， LEE K， et al. Bert： pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv：1810.04805， 2018.

SUN Y， WANG S， FENG S， et al. Ernie 3.0： large-scale knowledge enhanced pre-training for language understanding and generation[J]. arXiv preprint arXiv：2107.02137， 2021.

PaddleHub. Awesome pre-trained models toolkit based on PaddlePaddle[EB/OL].[2022-11-15].https：//github.com/PaddlePaddle/PaddleHub.

侯志江.借助WebDriver技术实现图书馆Web业务操作自动化：以VPN账号申请的自动审核为例[J].新世纪图书馆，2018（2）：62-64，93.

Google Cloud. Cloud AutoML： Custom Machine Learning Models[EB/OL].[2022-10-22].https：//cloud.google.com/automl/.

EasyDL. 零门槛AI开发平台[EB/OL].[2022-07-10].https：//ai.baidu.com/easydl.

HE X， ZHAO K， CHU X. AutoML： a survey of the state-of-the-art[J]. Knowledge-Based Systems， 2021 （212）：106622.

OpenAI. Introducing ChatGPT[EB/OL]. [2023-02-14]. https：//openai.com/blog/chatgpt.