基于生成式人工智能的媒介生态思考

【摘" "要】随着人工智能技术的发展，生成式人工智能正逐步重塑媒体行业格局。本文通过对生成式人工智能基础技术的思考，发现现有生成式人工智能存在“时间缺失”、“事实缺失”和“道德缺失”等问题。本文旨在通过对技术哲学的思考，结合对未来媒介生态的展望，提出一种基于生成式人工智能的具有“数据真实”“语义真实”“价值真实”的媒介生态。

【关键词】生成式人工智能；技术哲学；媒介生态

生成式人工智能（Generative Artificial Intelligence，简称GAI）的核心能力在于创造新的内容，而不仅仅是对已知模式的重复应用。它的原理基于深度学习，通过分析大量的数据学习数据的分布和模式，然后利用这些学习到的模式生成新的数据。从新闻写作到视频制作，从社交媒体到个性化推荐，生成式人工智能的应用已经无处不在，它以惊人的速度生成海量信息，改变着我们的媒介生态。

一、生成式人工智能的基础技术思考

传统的文本生成模式通常需要大量脑力与体力支持，而随着生成式人工智能技术的飞速发展，点击“一键生成”似乎成为唯一的动作。智能生成的内容从只能生成文字到可生成图片和视频，“人工智能替代叙事”或将成为可能。为更好地研究生成式人工智能，本文先从技术哲学的角度对其基础技术应用进行探讨。

（一）技术驱动：生成式人工智能的基础模型

因人工智能生成模型具有可通约性，这里主要以视频文本的智能生成模型作为案例。目前视觉文本的智能生成模型大部分以GAN生成对抗网络、VAE变分自编码器、Transformer自注意力机制、CNN卷积神经网络为主。

1.GAN生成对抗网络

生成对抗网络（Generative Adversarial Networks，GAN）的核心思想是利用两个神经网络进行对抗学习，一个是生成器（Generator），一个是判别器（Discriminator）。生成器的任务是生成类似于真实数据的样本，判别器的任务是判断输入的样本是真实的还是生成的。两个网络相互竞争，最终达到一个平衡点，使得生成器能够生成高质量的样本，判别器难以区分真假。

2.VAE变分自编码器

VAE（Variational Auto-Encoder）是一种从变分和贝叶斯理论出发，在自编码器上进行修改得到的生成模型，它的编码器有两个，并且其编码器并不直接生成隐变量，而是生成了隐变量Z的两个参数μ和σ。VAE的目标是假设一个隐变量Z的分布，构建一个从Z到目标数据X的模型，即构建X=g（Z），使得出的目标数据与真实数据的概率分布相近。

3.CNN卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN）通过分层的方式对输入进行学习和预测，能够有效地提取出输入内容的特征，适用于处理图像、语音、自然语言处理等多种任务。同时还可以通过循环神经网络（Recurrent Neural Networks，简称RNN）进行时间建模。RNN是一种能够处理序列数据的神经网络，它可以捕捉到视频序列中的时间依赖关系。通过将CNN和RNN结合，可以对视频序列进行建模和预测。

4.Transformer自注意力机制

Transformer自注意力机制（Self-Attention）是Transformer模型的核心组成部分，主要的序列转导模型是基于复杂的循环或卷积神经网络，其中包括一个编码器和一个解码器，性能最好的模型还通过一种注意机制将编码器和解码器连接起来。[1]目前市面上已经出现的Sora视频生成软件，其主要运用的是Transformer模型。Sora的诞生，标志着在大数据的滋养下，基础语言模型已经具备了实际应用的能力。或如喻国明老师所说，Sora并不是单纯的视频生成模型，也不只是视频行业颠覆者，而是“世界的模拟器”——它打开了一条通往模拟现实可感的物理世界的有效路径。自此，生成式人工智能可以拟合出无限丰富的符合真实物理定律的数字孪生世界，走进人类社会未来发展的场景。[2]

（二）技术哲学：生成式人工智能的内容探究

技术哲学认为，技术的本质是人类为了满足自身需求而创造的工具和手段。在生成式人工智能的应用中，技术不仅仅是工具和手段，更是一种对人类思维方式和创造力的拓展，媒体内容也不再仅仅是对现实世界的反映和描述，而是可以通过算法和数据生成全新的、与现实世界无关的内容。这种内容既可以是虚构、想象的，也可以是真实、客观的，但它们都是基于算法和数据的计算和生成，因此具有一种独特的“技术真实性”。但这种“技术真实性”既不同于传统的“事实真实性”，也不同于“价值真实性”，它并不是对现实世界的客观反映，具有一种相对性和主观性。

1.“时间缺失”：生成内容的结构探究

对于生成式人工智能而言，时间被简化为代码序列，因此其产出的内容在时间结构上显得缺乏深度和层次。相较之下，现实世界是由过去、现在和未来三个时间维度交织而成的复杂系统，正如史铁生所描述的那样：“我站在今天这个时点上，回首过去，展望未来，过去和未来在这个瞬间相互交织，使得过去和未来都弥漫着现在的气息。”这种三重时间维度赋予了现实世界的各种事件丰富的结构和内涵。

生成式人工智能仅仅拥有客观时间观念，缺乏主观时间和内在时间意识，这是技术的局限，因此难以独立地展现事件的全貌和事件间的复杂关系，更难以构建出引人入胜的情节。正如斯蒂格勒认为技术的时间性本质不再是连续、承继和演进性的“生生不息”，而是充满裂隙、断层和接续性的“向死而生”。[3]

2.“事实缺失”：生成内容的语境探究

生成式人工智能所生成的内容，常常游走于真实与虚构的边缘。这种特性使得其生成的内容具有一种独特的魅力，既能够呈现出与现实世界截然不同的景象，又能够保持与现实世界某种程度的联系。具体地讲，生成式人工智能是建立在数据、算力和算法基础上实现对于包括人在内的世界的认知和理解的，进而它是基于这种理解实现内容生成与制作的智能系统。[4]

（1）叙事语境的缺失

菲尔斯基指出，在文本与语境的二分法中，语境往往被人们看作是一只箱子或容器，紧紧地将单个的文本包裹于内，而这个箱子则被赋予了一系列的属性：经济结构、政治思想、文化心态等，并对包裹于其中的文本发号施令、指定游戏规则，箱子中的文本则只能表示服从。[5]对媒体来说，生成式人工智能在无叙事语境的状态下进行内容生产，更像是打开“潘多拉的魔盒”。在海德格尔看来，技术绝不仅是工具，更是本体论层面人和物的关系体现。他将技术视为真理的发生方式，也即解蔽（去蔽）。解蔽是海德格尔技术观的出发点，他认为传统技术是认识论发展和进步的体现，谁建造一个房子或一只船，或锻造一个银盘，他就在各个方面揭示着那种待产出的作品。[6]当叙事语境丧失，技术则成为建造“盒子”的主体，产出的作品将无法控制。

（2）叙事符号的失真

生成式人工智能的生产本身就伴随着叙事符号的重新建构，这种生产活动不单单是对符号的重新解构，亦是文本内语境研究的主要线索。但在生成式人工智能的语言模型中，人工智能无法对符号进行语境化的建构，亦无法找寻其本真的叙事意义，所以在符号解构后人工智能对叙事符号的使用存在失真现象。符号在解构后也成了 “无本源的”，这为符号的解读提供了另一种开放性，却也给媒体生产内容带来不确定性，对事件舆论导向的可控性也大幅降低。

3.“道德缺失”：生成内容的情感探究

（1）“先天的偏见”——对情感的无差别复制

生成式人工智能在训练过程中，会不可避免地接触到大量的已有数据。这些数据可能来源于各种渠道，包括社交媒体、新闻报道、学术研究等。这些数据源本身就可能带有某种偏见，例如对特定群体的刻板印象、对某些话题的过度关注等。当生成式人工智能从这些数据中学习时，它可能会无意识地复制这些情感偏见，甚至在某些情况下强化它们，使生成式人工智能带有了创造性偏见。

（2）“后天的失控”——对价值的无差别建构

以Sora为例，在生成式人工智能的内容生成过程中，由于缺乏人类的道德判断和价值引导，其对于价值的建构可能变得无差别和混乱。生成式人工智能可能无法准确理解和区分不同文化、社会和个体之间的价值观差异。这种价值观的无差别处理可能引发文化冲突和误解，甚至无意中冒犯某些群体或个体。这种无差别的价值建构可能导致一些伦理和道德上的困境，甚至对社会产生负面影响。

二、基于生成式人工智能的媒介生态畅想

在媒介生态中，生成式人工智能的应用将使得媒体内容更加丰富和多元，但同时也面临着一些挑战和问题。以ChatGPT等为代表的生成式人工智能平台在极大程度上改变了新闻生产、活动策划等工作，凭借其内容生成的高效性、高普遍性触及个体、组织、社会的实践边界，根据个体提示的工程能力差异决定内容优劣。生成式人工智能平台通过聚合网络节点信息，促进传播生态降本增效，挖掘用户所处的场景价值，构建“人－内容－物”的价值连接。[7]但同时，也因为“时间缺失”“事实缺失”和“道德缺失”使得生成式人工智能的内容存在较多问题。

（一）“可解释性”：基于数据真实打造媒介世界

数据是生成式人工智能的基础，而数据的真实性则是决定生成内容质量的关键因素。在媒介生态中，我们需要建立严格的数据采集、处理和使用机制，确保所使用的数据真实可靠、来源清晰。同时，我们也需要加强对数据质量的监控和评估，及时发现和纠正数据中存在的问题和偏差。

李宏毅教授提出一个观点：深度神经网络常被视作黑盒，因此不易获得信任。反观我们周遭，众多生成式人工智能如人脑般存在，尽管我们对人脑的运作机制了解有限，但仍会信赖他人所作决策。但对于同为黑盒的深度神经网络，为何我们难以建立信任？从用户角度探讨，他们对生成式人工智能的内部运作机制、所使用的数据、构建的用户画像以及运作原理等细节知之甚少。算法本身又以其高度技术复杂性、专业性、隐匿性将自身与用户隔绝开，这就意味着除了少数算法研发人员外，其余人员无法了解算法的设计初衷与目的。[8]这种信息的不透明性，导致用户在面对人工智能生成的内容时，往往首先产生怀疑而非信任。

（二）“鲁棒性”：基于语义真实打造镜像世界

“鲁棒性”在计算机科学中，指的是系统在面临干扰或异常输入时，依然能够维持其稳定性与准确性的能力。在生成式人工智能的语境中，“鲁棒性”可以理解为算法在面对多样化的场景、语境及用户需求时，仍能产出高质量、符合内容语义真实的能力。在媒介生态中，语义真实是指生成式人工智能所产出的内容，必须能够精准地映射出现实世界中的语义信息和语境内涵。

当我们谈论生成式人工智能的“鲁棒性”时，我们实际上是在强调其在不同语境和场景下的稳定性和准确性。一个具有强大“鲁棒性”的生成式人工智能系统，是能够应对各种复杂的环境变化和用户需求，始终保持高质量的内容输出的。这种能力对于构建镜像世界至关重要，因为它确保了虚拟空间中的“影子”能够真实、准确地反映现实世界的各种细节和特征。

（三）“公平性”：基于价值真实打造受众世界

价值真实是指生成式人工智能所创造的内容符合社会价值观、道德规范和法律法规，真正为受众带来有价值的信息和体验。众所周知，生成式人工智能的底层逻辑是数据学习，也就是我们给AI足够多的数据，AI能给我们拟合出一个非常理想的决策边界，但在这个过程中模型可能会学习到一些具有偏见的内容，从而输出违反伦理道德的决策，这种决策的形成对任何群体都是一种价值观的打击。在媒介生态中，这种偏见极端且致命，它的出现也意味着现实价值的被打破。

为确保其输出的内容不受任何偏见或歧视的影响，首先，我们需要建立严格的数据收集和处理机制，确保所使用的数据不带有任何偏见或歧视。这包括对数据进行预处理，去除可能存在的歧视性特征，以及在模型训练过程中使用平衡的数据集。其次，关注模型的设计和优化。在模型的设计阶段，应充分考虑各种可能的社会和文化因素。在模型优化阶段，采用一些技术手段来减少模型的偏见，例如使用对抗性训练、引入正则化项等方法。最后，建立透明的评估机制，对生成式人工智能的输出进行公正、客观地评价。这包括对生成内容的准确性、公正性和价值性进行评估，以及对算法本身的公正性和透明度进行评估。通过这些评估机制，及时发现并纠正生成式人工智能在价值观方面存在的问题。

三、结语

无论是数据真实、语义真实还是价值真实，都是生成式人工智能在内容生成和传播过程中必须坚守的底线。可解释性、鲁棒性和公平性则是生成式人工智能必需贯彻的原则。可解释性保障数据的真实，建立用户信任；鲁棒性则以应对各种复杂的环境变化来解决用户需求；公平性确保生成式人工智能所输出的内容不受任何偏见或歧视的影响，以真实的价值来维护社会的公平与正义。在数字化时代，媒介生态的健康发展对于社会的稳定与进步具有重要意义。生成式人工智能作为未来媒介生态的重要组成部分，其发展和应用必须遵循可解释性、鲁棒性和公平性的原则，才能真正实现媒介生态的健康发展。

注释：

[1]VaswaniA，ShazeerN，ParmarN，etal（2017）.Attentionisallyouneed[J].Advancesinneuralinformationprocessingsystems，2017，

30.

[2][4]喻国明.Sora作为场景媒介：AI演进的强大升维与传播革命[J].青年记者，2024（04）：47-51.

[3]王庆节.技术与时间：从海德格尔到斯蒂格勒[J].哲学分析，2022，13（05）：142-150+199.

[5]和磊，王杰.“语境”考论[J].广州大学学报（社会科学版），2024，23（03）：47-56.

[6]吴志远，杜骏飞.海德格尔技术哲学对新媒介研究的现实意义[J].当代传播，2016（06）：78-80.

[7]喻国明，李钒.内容范式的革命：生成式AI浪潮下内容生产的生态级演进[J].新闻界，2023（07）：23-30

[8]喻国明，李钒.生成式AI浪潮下平台型媒体的规则重构、价值逻辑与生态剧变[J].苏州大学学报（哲学社会科学版），2024，45（01）：167-175.

参考文献：

[1]喻国明，李钒.Chat GPT浪潮与智能互联时代的全新开启[J].教育传媒研究，2023（03）：47-52.

[2]李泽西，黄进.生成式人工智能与国家安全治理：发展趋势、潜在风险与应对思路[J].四川行政学院学报，2024（05）：42-50.

[3]胡泳.AI视频的兴起：Sora类生成式平台的可能性与风险[J].传媒观察，2024（04）：5-19.

（作者：贾倩，西北民族大学新闻传播学院副教授，研究方向：影视传媒；王宝国，西北民族大学新闻传播学院 2023 级广播电视专硕研究生；房欣悦，西北民族大学新闻传播学院 2023 级广播电视专硕研究生）

责编：梅兴慧