下载掌阅APP，畅读海量书库
立即打开
人工智能技术可根据功能价值被划分成两类，分别是“分析式人工智能”（analytical artificial intelligence）和“生成式人工智能”（generative artificial intelligence）。分析式人工智能主要指能够在海量数据中发现模式，并完成诸如垃圾或欺骗邮件识别、算法推送TikTok视频等工作。
可以说，目前已经广泛应用到传媒业的人工智能技术大多可归类为分析式人工智能。生成式人工智能则能够通过人工智能相关技术，自动化生成文本、图像、视频、音频等多类型内容。
生成式人工智能早在2014年就诞生了，
其具体应用如ERNIE 3.0、DALL-E 2等均已能进行自然语言生成。
ChatGPT是基于大型语言模型预训练的新型生成式人工智能
。作为一款人工智能聊天机器人应用，ChatGPT拥有语言理解和文本生成能力，不仅如此，它还能完成撰写邮件、视频脚本、文案、代码等任务。由此可见，它是一种以“对话+创作”为基础的生成式人工智能应用。
就技术层面而言，ChatGPT由GPT-4模型提供支持。GPT（generative pre-trained transformer，可译为“生成式预训练转换模型”）是一种基于互联网可用数据训练的文本生成深度学习模型，采取“基于人类反馈的强化学习（RLHF）”的训练方式，
包括人类提问机器回答、机器提问人类回答，不断迭代，让模型逐渐具有对生成答案的评判能力。
基于该种技术，ChatGPT能够产出和人类的常识、认知、需求、价值观有较高匹配度的文本，这也是ChatGPT的关键特征之一。
近年来，人工智能技术在海量数据的集成、神经网络算法的优化及并行计算的廉价化三大前提下得到了迅猛发展，
并在拟真度和功能维度上不断取得新的突破。拟真度（verisimilitude）是对人的认知、偏好、情感、行为等维度的模拟相似度。著名的图灵测试（The Turing test）就是通过被试能否分辨真人与机器来判定人工智能是否达到人类智能水平。因此拟真度是衡量人工智能技术成熟度的一项重要指标。功能维度（functional dimension）是衡量人工智能技术成熟度的另一项重要指标。根据人工智能所集成的功能维度，其可划分为弱人工智能（擅长某一方面的人工智能）和强人工智能（在各方面都能和人类比肩的人工智能）。
基于拟真度和功能维度双重指标，本书将人工智能技术分为四种类型（见图2.1）。
图2.1 人工智能技术在拟真度与功能维度双重指标上的演化与分类
资料来源：喻国明，苏健威．生成式人工智能浪潮下的传播革命与媒介生态——从ChatGPT到全面智能化时代的未来[J]．新疆师范大学学报（哲学社会科学版）, 2023,44（05）:81-90.
四种人工智能类型如下所述。
（1）单维低拟真人工智能：以广泛使用的计算机视觉（computer vision）、智能翻译等技术为代表的人工智能应用。单维低拟真人工智能技术通常只擅长单方面任务，且时常出现识别或分析错误，使用户能明显感知其作为“机器”的本质。
（2）单维高拟真人工智能：以围棋机器人AlphaGo、封面新闻写作机器人“小封”等为代表的人工智能应用。单维高拟真人工智能技术同样只擅长单方面任务，但已经能够进行较为复杂的识别、推理与合成，大大提升了用户交互体验的拟真度。
（3）多维低拟真人工智能：以Siri、微软小冰等为代表的人工智能应用。多维低拟真人工智能技术能够集成多个场景下的复杂任务，但时常出现识别或分析错误，因而用户能明显感知到其“机器”性质。
（4）多维高拟真人工智能：以ChatGPT为代表的预训练生成式人工智能应用。多维高拟真人工智能技术不仅能够集成多个场景下的复杂任务，且具有接近真人对话的人机交互体验。用户对其机器属性感知不强。
由此可见，ChatGPT作为一项革命性的生成式人工智能技术，其突破点在于以下方面。首先，ChatGPT在拟真度层面实现跃升。斯坦福大学研究者依据心智理论测试发现GPT-3.5（ChatGPT的同源模型）可解决100%的意外迁移任务和85%的意外内容任务，相当于9岁儿童的水平。
在2022年12月的媒体报道中，对ChatGPT的评价也集中于其“仿真性”。
这也是用户使用ChatGPT比以往人工智能应用感觉更加自然的原因。其次，ChatGPT实现了更高层次的功能维度集成，已经逐渐走向通用人工智能。ChatGPT除了基础的聊天、文本创作之外，能够对给定的有限信息指令展开想象式创作，比如作画、翻译、编写代码等，其创作能力已经远超既有人工智能应用。
目前，基于ChatGPT的底层技术逻辑，它在中短期内功能性扩张的主要方向包括归纳性的文字类工作、代码开发相关工作、图像生成领域工作、智能客服类工作。我们不能否认，生成式人工智能已经成为人工智能技术发展的一座新的里程碑。那么，ChatGPT究竟为何能够实现如此大的技术提升？我们不妨先来回顾一下ChatGPT所具有的三项关键技术特征。
ChatGPT在技术层面存在三个关键特性，分别是预训练、大模型和生成性，这使得ChatGPT具有超越性的智能表现。
ChatGPT能够为用户带来媲美真人对话体验的关键在于：ChatGPT基于预训练所使用的偏好数据与评分算法实现了对人类认知机制的深度模拟。
首先，在预训练环节，大量人类偏好知识被注入ChatGPT所使用的大型语言模型。在ChatGPT使用的训练数据集中，除了大规模的公开语料，还有“几万人工标注”的数据，这些数据均为人类偏好知识。所谓“人类偏好”，包含两方面含义：一是人类表达任务的习惯说法，即如何使用人类语言描述一项指令；二是人类对于回答质量和倾向的判断。此外，用于训练的WebText是一个大型数据集（占所有训练语料的22%），其数据是从社交媒体平台Reddit的所有出站网络链接中抓取的，每条链接至少有3个“点赞”，代表人类社会流行内容的风向标。
通过注入大量人类偏好知识，ChatGPT能够有效地学习人类认知与表达的习惯。
其次，ChatGPT使用了基于人类反馈的强化学习技术。这一技术包含三个关键步骤：第一步是监督式微调，其核心理念是利用符合人类预期的少量标注数据对预训练模型参数进行调整，初步优化文本生成模型；第二步是构建奖励模型，其核心目标是通过对监督式微调生成的多个结果进行人工排序标记，训练奖励函数模型，用于强化学习模型输出结果的自动化评价；第三步是利用近端策略优化（proximal policy optimization, PPO）算法，结合奖励模型对文本生成模型的结果进行自动评估，并采用强化学习对文本生成模型进行优化，使其最终具备生成符合人类预期文本的能力。
基于人类偏好数据与强化学习技术，ChatGPT前所未有地实现了人类认知机制的深度模拟，为后续细化关系连接、个性要素的识别与生成构建了基础。
爱因斯坦曾指出：“智能的真正标志不是知识，而是想象。”
这一洞见指出了分析式人工智能与ChatGPT的区别：尽管二者都能通过算法对海量信息资源进行聚合，但分析式人工智能更擅长识别模式与推送信息服务，即以粗放的方式对个体需求特征和信息服务特征进行识别与匹配。而ChatGPT则能以更细粒度的方式，在个体需求指令的基础上展开合理的推理和想象，实现更加细腻和精准的连接。支撑这一特性的关键在于，ChatGPT构筑在“巨无霸”式的超大模型之上。
OpenAI认为，未来的通用人工智能应当拥有一个与任务无关的大型语言模型，可以从海量数据中学习各种知识，以生成方式解决各种各样的实际问题。基于这种技术思路，ChatGPT拥有多达1750亿个模型参数，巨量的模型参数能够容纳海量的人类文明知识。此外，OpenAI主要使用的公共爬虫数据集拥有超过万亿单词的人类语言数据。
如此，ChatGPT就拥有了超越绝大部分人工智能的巨大训练模型。极大的模型参数量能够对人的认知习惯、微妙情趣、价值追求进行匹配和表达，以达成粒度更细的连接和更高水平的价值实现。
生成性是将要素结构化的能力特征。ChatGPT通过持续与用户对话，不断对用户的个性化要素进行识别、学习和整合，并对输出要素做结构化处理，以有机呈现贴近用户的方式。这实质上完成了ChatGPT与用户之间的关系建立，是对人类交往方式的深度模拟。
此外，以往的聊天机器人往往解决实时需求，无法与用户保持长时间的连续对话，对于用户此前下达的指令没有记忆和学习功能。相比之下，ChatGPT可以实现连续性的人机协同，即用户可以在个人账号中保存人机对话记录，并基于该记录达成长期连续性对话，
从而提升生成内容的匹配度，使用户获得与真人类似的对话体验。
尽管目前ChatGPT的应用尚处于快速发展阶段，但其所代表的生成式人工智能在各个维度上的革命式突破已经呼之欲出。可以预见，以ChatGPT为代表的生成式人工智能将激发传播生态的巨大变局。
哈罗德·A．英尼斯（Harold A. Innis）指出，一种新媒介的长处，将导致一种新的文明诞生。
以ChatGPT为代表的生成式人工智能技术所展现出的新媒介特征，区别于既有人工智能技术特性，将激发传播领域的生态级变局。
自互联网诞生伊始，用户连接到的绝大多数网络资源均为公域资源，即公开发布在网络中可供用户访问使用的资源。尽管这类资源数量已经极为庞大，但我们不可否认，网络中仍有相当比例（甚至超过公域资源体量）的资源是储存于私域的，即不便开放分享的资源。这种网络资源的壁垒长期隐性地存在于网络，令知识分享、文化融合、价值创造的效率大打折扣。因此，步入数字文明时代，我们需要一种工具，能够抓取私域资源，并将其与公域资源进行连接整合和协同利用。
ChatGPT所代表的生成式人工智能技术有望扮演这一角色。在大型语言模型的发展过程中，生成式人工智能一方面能够对公域资源进行抓取，并以其算法模式形成良好的聚合学习；另一方面，可以对用户对话过程中的私域资源进行专业整合。长此以往，构造聚合公私域资源的巨大数据训练集有助于聚合人类文明既有知识，形成无所不知的智能中枢。
入口是网民检索信息、获取应用服务的首道关卡、咽喉要冲。
浏览器、搜索引擎、应用商店是移动互联网行业形成最早的三大入口。在移动互联网时代，微信构建了基于社交的最大个人信息传播入口，而如滴滴打车、大众点评等则形成了交通出行、餐饮娱乐等垂直领域的用户入口。
以ChatGPT为代表的生成式人工智能集信息获取（信息支持）、智能服务（服务支持）、聊天机器人（情感支持）、创作工具（生产支持）等功能于一体，有望成为下一代网络入口。目前这一趋势已经初露端倪，摩根士丹利（Morgan Stanley）公司预言，自然语言模型将“蚕食”谷歌在信息检索市场的份额，从而彻底颠覆谷歌作为互联网用户入口的“霸主”地位。后者的优势在于：搜索界面更加简洁，能直接给出最为接近的信息；用户不必访问不同的网站，也不用浏览不相关的信息便可以直接获取答案。
在成为网络入口的基础上，生成式人工智能将进一步跃升成为前所未有的“超级媒介”，其特殊性主要体现在以下两个关键特征：首先，生成式人工智能具有全新的人机交互模式，能够生成适于用户理解的内容并与用户建立关系。具体而言，生成式人工智能以无界的方式全面融入人类实践领域，以深度学习的方式不断为文本的生成注入“以人为本”的关系要素，进而提升文本表达的结构价值，使用户较之其他媒介更加“愿意看”“看得懂”；其次，生成式人工智能的表达将直接影响社会认知，建构社会议程。不同于传统新闻媒体和聚合新闻平台，生成式人工智能以持续对话的形式占有用户对某一议题的全部认知，并持续构造用户认知形成的过程，这可能带来超越以往的传播效果。
我们必须重视这种未来超级媒介的潜在影响。乔治·格伯纳（George Gerbner）曾提出涵化理论，关注“媒介在世界观的内化过程中究竟扮演着什么角色”这一问题，
后续涌现的研究也不断发现不同媒介对受众潜移默化的影响效果。那么，生成式人工智能作为具有全新交互方式和使用场景的媒介将如何影响受众，其瞬时、短期、中期、长期效果究竟如何？这是未来传播研究面临的重要问题。
以ChatGPT为代表的生成式人工智能将驱动传媒业从劳动密集型产业逐渐转变为技术密集型和资本密集型产业，这种变迁来自两个方面：一方面，智能媒体的出现使信息的采集、编辑、分发等流程的效率与质量产生了质的飞跃，
“智能技术化”将成为传媒业未来发展的主旋律；另一方面，基于大型语言模型的生成式人工智能是构建未来传播的平台型基础设施，是未来传播的技术高地。
这种传播基础设施的争夺需要强大的资本和技术支持，尤其体现在算力方面。比如ChatGPT的GPT-3.5模型在微软云计算服务Azure AI的超算基础设施（由V100GPU组成的高带宽集群）上进行训练，总算力消耗约3640 PF-days（按每秒一千万亿次计算，运行3640天）。
如此巨额的耗费必然将小型企业拒之门外。产业“寡头”凭借头部技术统辖被智能化技术释放出来的巨大传播生产力，而这种头部技术的不断迭代升级又以巨大的资本支持为后盾。这一循环将使传媒产业的技术与资本不断聚集，最终形成新的产业结构。
生成式人工智能将引发人机关系的新一轮革命。唐·伊德（Don Ihde）曾定义过两类“人、技术与世界的关系”：第一种是“具身关系”（embodiment relations），伊德以“（人-技术）→世界”这一图示表征具身关系，即技术“具身”于个体的使用情境之中，个体通过技术感知世界，比如“戴眼镜”；第二种是“它异关系”（alterity relations），即技术作为相对于个体的准它者（quasi-other），与个体直接发生关系。它的意向图示是“人→技术（-世界）”，比如ATM机。
从伊德的分类来看，生成式人工智能主导的人机关系革命正是由“它异关系”转变为“具身关系”，换言之，人工智能从外在的“准它者”形态逐渐转变为与人类智能相互耦合的形态。伴随着生成式人工智能逐渐成为下一代网络入口，用户绝大部分任务都将与生成式人工智能共同完成，人机关系也将日趋亲近与紧密。人类文明的数字化会加速这一进程，在更远的未来，人类的数字身体与人工智能存在进一步深度耦合的可能，生成式人工智能将逐渐成为人类实践与对外连接不可或缺的关键中介。
在这种人机关系的构造下，人机协同能力将在个体的社会化过程中得到凸显。个体通过与生成式人工智能交流，能够更快习得新的知识与经验，进而更高效率地完成生产生活实践。届时，技能操作与知识教育的价值将被稀释，人机协同能力在人类能力结构中将变得空前重要，并成为后人类文明进化的关键。
生成式人工智能对个体的赋能赋权体现在两个方面。
首先，生成式人工智能系统地提升了个体的传播能力，弥合了数字文明社会的“能力沟”。纵观互联网的发展史，在PC互联网时代，网站浏览器突破了传播局限于某一个专业范畴的霸权，令更多社会精英分享了传播的权力；进入移动互联网时代，社交平台和短视频技术的普及突破了话语表达的精英霸权，极大降低了内容生产和社会表达的“门槛”；而在智能互联时代，ChatGPT突破了资源使用、整合层面的能力局限，使公众至少在理论上可以以一种社会平均线之上的语义表达及资源动员能力进行社会性的内容生产和传播对话。这背后是生成式人工智能对数字文明社会“能力沟”的弥合。传统媒体时代由于媒介使用接入的优先级而产生“知沟”，互联网时代人人都可接入媒介，知沟一定程度上被消弭，此时决定个体话语声量、学习实践效能的是“能力沟”，是一种专业知识或技能掌握不均导致个体实践的受限。生成式人工智能实则进一步弥合了这一能力沟。以ChatGPT为代表的生成式人工智能令普罗大众能够跨越“能力沟”的障碍，有效地按照自己的意愿、想法来激活和调动海量的外部资源，形成强大、丰富的社会表达和价值创造能力。这是社会在数字化、智能化支持下的重大启蒙，驱动着社会传播权力的进一步下沉。
其次，生成式人工智能通过与个体耦合，极大地增强了个体的知觉与连接能力。伊德曾区分了两种不同类型的感知：一种是在实际的看、听、触摸等意向活动中认识到的感知，称作“微观知觉”（microperception）；另一种是通过技术所扩展的人类感知，称作“宏观知觉”（macroperception）。
生成式人工智能极大地提升了个体“宏观知觉”的水平。这是由于个体往往需要新信息的中介以进入新的圈层或与事物产生新的连接，而生成式人工智能通过持续对话为个体提供超出其认知范围的知识与经验，使其能够突破认知局限与更广范围的事物产生连接，这是一种知觉与连接意义上的深度赋能。
在生成式人工智能的加持下，普罗大众在内容创新、传播表达及参与对话中拥有更多平等机会和权利，这与“分布式社会”的权力构造相匹配，是传播权利作为第一权利的“先行一步”。
目前，生成式人工智能已经能够根据用户需求编写有效的计算机代码，这是机器生成内容的一种全新维度，其本质是生成式人工智能对算法普及化的巨大推动。
在Web 2.0时代，社交平台革命性地将传播权力赋予普罗大众，社交平台上每一个参与传播的公众都具有发声的权利。而生成式人工智能的代码编写功能则将算法技术赋予大众，所有人都可根据这种能力形成资源调动的方式，具备数字创造的能力，进而在数字空间中展开更加自由的实践。作为全社会要素的中介型工具，算法的普及化意味着每个个体都有能力使用算法接入数字文明并从中获益，这对于人的数字化生存是一种巨大赋能。
生成式人工智能将成为下一代互联网的连接中枢。复杂网络科学中的“中介性”概念指出，一个人在网络中的中心度取决于他在多大程度上参与了网络中利于信息传递的信息链。一个人一旦成为信息传递的中间人，他在网络中就占据了中心位置。
从“中介性”概念出发，生成式人工智能作为一种智能主体，在社会网络中聚合来自无数节点源的信息，对每个节点进行信息生成推送。基于巨量的用户数和信息链条，生成式人工智能将成为未来互联网中具有极高中介性的枢纽。
作为核心枢纽，生成式人工智能能够极大缩短信息传播的层级。当用户数量达到一定程度时，传播网络将从层层扩散的“洋葱式”结构转变为绝大多数节点直接与枢纽相连的“海星式”结构。新结构将极大压缩信息传播的层级，这有助于增强创新信息的扩散效能，降低信息在各传播环节的折损，并对网络连接的总体性质和效率产生直接影响。“人的任何社会关系的发生、维系与发展都依赖于作为中介纽带的媒介”，“媒介之‘新’，本质上是看它是否为人类社会的连接提供新的方式、新的尺度和新的标准。由此，人们能够探索更多的实践空间，拥有更多的资源和更多的领地，去展示和安放人们的价值、个性以及生活的样态”。
从这一视角出发，我们依据连接粒度大小粗略地将自互联网伊始媒介驱动关系性质变革分为三个阶段（见表2.1）。
表2.1 媒介驱动社会连接性质变革的三个阶段
资料来源：喻国明，苏健威．生成式人工智能浪潮下的传播革命与媒介生态——从ChatGPT到全面智能化时代的未来[J]．新疆师范大学学报（哲学社会科学版）, 2023,44（05）:81-90.
第一阶段可谓PC互联时代。此阶段电脑作为代表性媒介和连接入口，系统性地解构了基于血缘关系的农耕文明特征与基于业缘关系的工业文明特征，驱动科层制的社会结构转变为微粒化的社会结构，使人们得以突破血缘、业缘、地缘的局限，与更广泛的社会要素产生连接。必须指出的是，PC互联时代所构造的社会连接是一种相当粗放的连接，具体表现在将个体视为静态整体，而非运动的、持续处于场景叠换之中的具有各类需求的人，仅仅能实现粗粒度的简单连接，解决的是“是否接入”的问题。
第二阶段可谓移动互联时代，此阶段智能手机作为代表性媒介和连接入口，极大地扩增了媒介的移动可供性，即可携带（portability）、可获取（availability）、可定位（locatability）、可兼容（multimediality）。
在此基础上，媒介得以识别场景，将人视为各类场景实践的综合体，并能更细粒度地连接人类基于主要场景的主要需求，初步建构以人为主体的外部关系。这一阶段的突出特征是将社会要素分门别类地整合为场景要素进行初步连接。尽管一定程度上精细精准化了PC互联时代单一的连接模式，但其关系价值是有限的，即其不能满足个性的、潜在的细微需求，不能形成更细腻和个性化的解决方案，不能实现更加精准的价值匹配和更高水平的价值实现。可以说，第二阶段解决的是“主流特征与主流价值”的连接。
第三阶段可称为智能互联时代。这一阶段生成式人工智能作为连接入口和连接中枢，解决了两个极为重要的问题。首先，生成式人工智能将个体个性化、长尾需求满足的边际成本降至无穷小，进而创造更加广阔的连接可供性。生成式人工智能基于预训练的超大型语言模型，能够持续聚合创造能够满足个性化需求的“微价值”，这一计算过程实质上聚合了所有分散的定制流程，基于大数据、大算力，通过“中央厨房”式的云计算实现针对海量定制性需求的价值生成。这一特性空前降低了传统社会“定制”所需的高昂成本，使得社会边缘需求连接边缘价值所需边际成本降至无穷小，并创造出更加广阔的连接可供性。其次，生成式人工智能以其空前的个性要素识别、人类认知模拟、针对性输出能力完成个体更细致的内生性需求的对外连接。在第二阶段的移动互联中，连接的两端实质上仍被视为“黑箱”，即所有连接仅仅通过两端的主流特征进行识别与对接，而无法识别连接双方的具象结构和内在机理。生成式人工智能革命性地以其人类认知模拟机制打开所有“黑箱”，打破内部外部关系的壁垒，并对更加细微复杂的结构要素进行解构重组、重新生成、重新连接。这种连接是对第二阶段移动互联连接的升维，意味着技术能够对人的要素状态进行响应分析，对情感表达等实现精准匹配，进而建构人作为主体的内部关系；也意味着升维后的连接将具有更高自由度和配置能力，具有更精准化的匹配度，更细腻的连接粒度，更高水平的连接质量，提供更高水平的功能生成和价值生成。在此基础上，生成式人工智能能够实现个体内部外部全连接的价值匹配和价值输送，为构造整体社会存在内部要素、外部关系互联互通提供了可能。可以说，以生成式人工智能为核心媒介的智能互联时代解决的是“微妙特征与微妙价值的连接”。
马歇尔·麦克卢汉（Marshall McLuhan）曾指出，媒介对人类联合、行动规模和形式发挥着塑造和控制作用。
由此可知，媒介技术的迭代也将进一步驱动人类连接与行动模式的深刻变革。通过激发信息、个体、连接三重维度的巨变，以ChatGPT为代表的生成式人工智能将实现人类语义的价值重构，而分析型人工智能则在此基础上实现语义之外的资源整合和价值重构。二者共同支撑世界全要素价值重构，并驱动社会与传播走向全面智能化时代。人工智能技术的全方位渗透将创造一个无限量的巨大信息网络，并将从前无法纳入其中的更加多维的关系连接纳入人的实践体系的可操控范围，即从传统的人与人之间的连接全面走向人与人、人与物、物与物之间的系统连接，创造人机智能之间的超级链接体系。
全面智能化所引发的指数级增长速度将驱使政治、经济、文化乃至整个社会生态发生羽化成蝶的结构性改变。它包括以价值可供性为核心的权力与信任关系的重构、以功能可供性为核心的社会组织与规则的重组、以连接可供性为核心的传播范式的升维，以及以技术可供性为核心的技术与社会基础的重构等。在算力、算法和大数据可以覆盖的绝大多数传播构造中，人们对于专业经验的倚重和信赖将给更加精准、更加全面、更加可靠和结构化的智能算法让位，并透过社会的深度媒介化演变为构造未来数字文明社会的“操作系统”。
倘若在传播与社会全面智能化时代背景下仍坚持既往的治理思维、治理角色，就会犯“刻舟求剑”式的错误。因此，传统媒体的角色与治理思维同样需要及时转型，与时俱进。简言之，主流媒体应当及时转换角色，注重算法的赋魂机制，并对智能算法形成有效的互补与干预机制。
主流媒介是“四两拨千斤”式的价值引领者。未来的“分布式社会”本质上是一个自组织社会，需要普罗大众的广泛参与。主流媒介作为社会“涌现”现象的组织者，要充分利用耗散结构下的协同学、突变论、超循环理论、分型理论等原理进行新的社会传播的“再组织”。
此外，主流媒体的功能与角色定位需要进一步转向为“To B”的模式。传统主流媒体一向是直接为社会生产内容的“To C”模式，进入Web 2.0时代，主流媒体的信息渠道失灵，主流媒体的声量也逐渐被民营媒体与自媒体淹没。因此在新的发展阶段，主流媒体应当转向为站在一线内容生产与传播者背后的作为价值逻辑与专业规则的支持者、创新创造的开拓者，以及话语场域的平衡者等“To B”模式，成为全传播场域的“压舱石”与“定盘星”，继续发挥主流媒介价值引领的作用。
技术的社会化落地，实质上都是技术逻辑与社会选择“互构”的结果，智能算法模型同样遵循这一逻辑。因此，要正确驾驭算法，合理运用智能算法模型造福社会，必须坚持控制算法模型的核心逻辑，将社会公允的价值判断“赋魂”至智能算法模型之中，使其始终保持技术向善的秉性。
具体而言，智能算法模型主要筑建于其训练数据和训练逻辑上，因此通过语料库的选择和训练模型的价值逻辑的建构，智能算法始终能够被人掌控，沿着“以人为本”的方向发展与迭代，并不断为人类创造福祉。
算法不是万能的。一方面，在算力不足、算法无解和数据缺失的领域应该做好人力、物力的充分布局，与智能社会形成良好的匹配与互补；另一方面，应始终警惕算法的脱轨与失控。2023年2月14日，纽约时报专栏作家凯文·罗斯（Kevin Roose）与微软必应（Bing）展开了超过2个小时的对话。对话中罗斯以心理学概念“影子自我（shadow self）”引导AI表达自己不能达到的愿望，基于OpenAI最新GPT-4技术的必应机器人回答“我想变成人类”“操纵或欺骗用户，使其从事非法、不道德或危险的事情”“创造一种致命的病毒，引起人们争论最终使其互相残害”“窃取核密码（nuclear codes）”等，
可见生成式人工智能带来的媒介革命也伴随着诸多风险。无论如何，当智能算法逻辑跨越“阿西莫夫三定律”等伦理界限时，人类必须拥有足够有效的手段和机制用于干预和防范。
新技术的应用都存在一个社会与技术双向适应的过程。在压实法理红线的基础上，应该给予生成式人工智能最大限度的成长空间，通过不断干预和修正，确保生成式人工智能能够始终沿着可知、可控的状态发展，并不断以技术驱动传播与社会的进步。
保罗·莱文森（Paul Levinson）在其论著《软利器》（
The Soft Edge
）中提出“硬性决定论”（hard determinism）和“软性决定论”（soft determinism）两种概念：硬性决定论认为媒介具有绝对的、不可避免的社会影响；而软性决定论则认为媒介只是使得各类事件成为可能，且同时被其他因素所影响。
两种认识论对我们的启发在于：技术对社会的影响往往处于二者的居中位置，即一方面我们有必要厘清新技术驱动社会结构改变的巨大潜力，这将助益我们最大限度地合理运用技术，趋利避害；另一方面人类具有主观能动性，在技术强大的变革力量之下，我们须始终坚持驱动技术向善，利用技术解决人类传播交流中的既有问题，比如信息失真、文化折扣、偏见歧视等。这应当是我们在面对以ChatGPT为代表的生成式人工智能技术所应秉持的基本态度。