大数据时代，数据已然成为新闻不可或缺的重要原材料。2016年里约奥运上，由北京大学计算机研究所和今日头条媒体实验室联合研发出的机器人“张小明”开始崭露头角，这是国内第 一款可以报道奥运赛事的机器人。奥运会期间，机器人“张小明”共撰写了457篇关于羽毛球、乒乓球、网球的消息简讯和赛事报道，每一篇稿件生成的时间大约是两秒，每天可以撰写30篇以上，其发稿速度几乎与电视直播同时。

2007年，美国Automated Insights(AI)科技公司推出了可用于新闻编写的软件WordSmith，用于撰写财经体育类新闻稿件。

2014年3月，美国加州地区发生地震，《洛杉矶时报》通过Quakebot这一地震新闻生成系统，在三分钟内就率 先发布了地震相关报道。在这条新闻中，人类要做的是对机器人所写内容的审查和把关，前期完全由机器人自动化选择数据进行处理完成。技术的进步带来了新闻生产的变革，“技术为王”的口号也越来越响亮。

2015年11月，新华社宣布“快笔小新”投入使用，这台机器可以快速完成体育财经类的新闻自动写作。但这并不是国内第 一个写作机器人。早在9月，腾讯财经发表的一篇题为《8月CPI同比上涨2.0%创12个月新高》的消息就由自动新闻写作软件Dreamwriter完成，在一分钟内将重要信息进行解读并送达客户。在技术和内容的结合下，传统新闻生产模式势必会受到冲击。正如喻国明教授所讲“机器新闻写作是人工智能技术在新闻传播领域一个现象级的发展”。

1. 机器新闻写作产生的时代背景

工业革命时期，机器大生产代替了人类手工劳动，不仅大大了生产效率解放了双手，机器生产所带来的新兴生产方式也在不断地推动社会变革。从web1.0到web3.0，手机通信由2G到3G、4G甚至是5G时代，科学技术的发展带来了媒体的重组与变革。互联网+、云计算、虚拟现实、人工智能……在科学技术这一强大生产力的推动下，媒介形态、内容生产、传播渠道等领域呈现全方位多层次的演进。如今在大数据的时代背景下，数据成为新闻盛宴的重要原材料已成为不争的事实。人们做任何事都可以用数据说话。商家将顾客所购买某一商品的类型和频率输入数据库就可以分析出这位顾客的消费习惯，并向其推荐更适合的产品种类。数据看似冰冷，但也正因为其准确性和庞大的基数保障使一 切信息都得以量化，网购频率、电视内容、微信聊天等都是量化的数据。大数据的时代是信息大爆炸的时代，同样的也给传媒行业带来巨大的效益。

纵观我国传媒业发展，制度、市场和技术是最主要的三大动因。制度是传媒发展的保护伞，市场的瞬息万变又不断催生着新兴技术的变革，技术则一直为传媒业的发展提供强大动力。从人工劳作到机器大生产，再到如今的高度信息化时代，技术无一例外的对变革社会起着决定作用。2016年3月12日，谷歌AlphaGo(阿尔法狗)以5比3的成绩战胜了世界围棋冠 军李世石，这场人机大战机器的胜利宣告了一个人工智能时代的到来。人机大战再度引发舆论对于人工智能的热议和关注。人工智能在各个领域大放异彩，新闻界也不可避免的接受人工智能的重塑，其中以机器人写作最 具代表性。

2010年美国西北大学研发出Stats M&111nkey软件。该软件可以将体育赛事得分数据输入到程序中，大约12秒钟之后，就生成了一篇比赛报道。次年，美国叙述科学公司(Narrative Science)开发了同名软件，公司最开始的客户是以体育为主的美国十大联盟。从2010年开始，这个软件为美国十大联盟撰写了大约150万条的相关体育报道，稿件无论是在数量上还是时效性上都远超以往。当然媒体运用机器人写作最为人们熟知的还是《洛杉矶时报》和美 联社了。2014年3月《洛杉矶时报》通过Quakebot地震新闻生成系统在接收到美国地震勘探局发出的地震信息后，将数据输入预先设定好的模板中，三分钟内就率 先发出了地震报道。由此开始，机器新闻写作正式登上新闻报道的舞台。与《洛杉矶时报》不同， 美 联社宣布使用自动化洞察力公司(Automated Insights)的软件产品“语言大师”(Word Smith)来撰写每季度的公司财务报表。美 联社在拿到公司财务数据后，将数据输入到软件中，随即即可生产一篇200字左右的报道。后来美 联社认为财报新闻格式固化，于是扩大了算法范围，利用传感器搜索体育信息，开始撰写体育新闻。

2015年9月，腾讯财经发表的《8月CPI同比上涨2.0% 创12个月新高》署名为机器人Dreamwriter的一篇报道引起了社会各界关注，并由此拉开了国内新闻界机器人新闻写作的序幕。11月新华社也宣布使用“快笔小新”写作机器人来撰写部分财经和体育类的新闻。

这些写稿机器人无疑都用到了采用大数据为基础的人工智能技术。这个处理过程，是先将所得数据录入数据库中，再将这些数据按照语句出现频率和新闻关键词加以整合，制作出一个符合该媒体稿件风格的模板，随后带入具体的“who、where、when、what、why+how”新闻五要素，即可以生成一篇完成的新闻稿件。机器新闻写作遵循“提取数据-套用模板-生成稿件-人工把关”这一模式化的生产流程，可以在几秒甚至几毫秒内生产出一篇新闻报道。表1列出了国内外主要新闻机器人的名称和功能，不难看出目前写作机器人主要运用于财经体育类等数据和模式较稳定的领域。

2016年里约奥运上，一个名叫Xiao ming bot(张小明)的机器人开始崭露头角。“张小明”的核心——写稿模块由北京大学计算机研究所万小军团队和今日头条媒体实验室联合研发。这是国内第 一款可以报道奥运赛事的机器人，在结合了最 新的语言处理机器学习和视觉图像处理的技术之后，通过语法合成与排序完成新闻写作。在奥运会开始后的13天内，机器人“张小明”通过对接奥组委的数据库及时更新信息，配选图片，在短时间内完成消息写作和赛事汇总等工作，共撰写了457篇关于羽毛球、乒乓球、网球的消息简讯和赛事报道，每一篇稿件生成的时间大约是两秒，每天可以撰写30篇以上，其发稿速度几乎与电视直播同时。

与国内第 一代写稿机器人Dreamwriter相比，“张小明”的速度更快，样式更多，并且能够自主选择图片，拟人化程度也有了极 大。可以说，“张小明”的成功运用减轻了奥运期间记者的报道负担，了奥运赛事最 新情况的传播速度。记者借助人工智能可以挖掘到更多详尽的数据，使受众能够及时更新信息，满足互联网时代下对于“时效性”的追求。同时将记者在基本信息传递中解放出来，专注于深度报道，与机器写作相互取长补短，人类写作的核心竞争力。

2. 机器新闻写作对传统新闻内容生产模式的挑战

2.1新闻来源和生产主体的变化

在传统的人工手写新闻的时代， 大众传播媒介的主要新闻来源有：1、记者采访;2、通讯社电稿;3、公众来信来稿;4、政府、政党、社会团体和部门的文稿及宣传品等。但在数据时代下，“媒介融合在某种程度上来说也是传播关系的融合，用户在信息发布的同时产生了新的生产能力。”机器人写作的新闻信息多来自互联网中的数据，计算机辅助报道(CAR)、社会化媒体中的用户生成内容(UGC)、专业生产内容(PGC)中的数据内容都被广泛的使用。海量的数据使信息得以量化，新闻所需要素皆从数据库中获取，生产新闻的主体也渐渐地从人工转向机器。在用机器人写作的过程中，人工的作用体现在前期系统的编程以及稿件完成后的“确认发布”。这使得记者的主要工作不再体现于信息的提供，而是信息的挖掘。此举将记者从繁琐的信息链中解脱出来，专注于向受众解释信息、提供深度内容。里约奥运期间“张小明”可谓是成功的抢了镜。它的新闻信息来自于奥组委的数据库，当比赛一结束，“张小明”就可以快速抓取数据库中的信息，在极短的时间内完成稿件撰写、赛事汇总等工作。与记者必须亲临现场获取信息来讲，新闻写作机器解放了记者得到信息的地域限制和空间限制，新闻来源也由原先的口耳相传变成翔实的数据信息。

2.2报道方式和内容的转变

和传统新闻生产模式不同，机器人写作是在既定的模板下输入数据和关键词而生成的模式化和批量化消息，在精密算法下具有不可比拟的优越性。一方面，机器人写作借助精准的算法对数据实现筛选、抓取和聚合，与传统新闻撰写方式相比要大大节省了人力和时间。一直以来新闻生产都被认为是人脑的专利，记者以亲临现场讲述事件的发生经过的形式，奠定了人在新闻生产活动中不可取代的地位。进入Web3.0时代，“智能化”与传媒行业的结合催生了新闻写作，并将内容生产范式从媒体精英式的内容产出和用户生产内容转换到算法生成内容。再者，通过对不同稿件的风格处理和学习，机器人写作也逐渐趋于个性化。机器人撰写的消息一般多为体育财经类，这类消息数据比较直观一目了然，受众从数据中就可以获得相关信息。这类新闻大多要求全面广泛，而传统人工撰写新闻的深度和思考性现阶段还无法实现。机器人主要告诉人们“what”，即发生了什么;人工撰写新闻则告诉人们“how”和“why”，即怎么发生的和为什么会发生。当前机器人新闻的写作模式还是数据提取+人工模板。这一模式更多的适用于公司财报、体育赛事等具有固定程式的领域，机器人所创造的作品大多是硬性内容，与人类撰写稿件相比缺少深度和可读性。

2.3促使记者报道重心的转变

2014年3月美国洛杉矶发生地震，洛杉矶时报利用Quakebot机器人仅仅在地震发生后三分钟就率 先发布了地震消息。2015年美国苹果公司发布第 一季度财务报表后没几分钟，美 联社的一篇《苹果第 一季度营收超华尔街的预测》的报道随机发布，这篇报道就是出自机器人写手。机器人写手完成一篇稿件的速度满足了受众直观快速的获取最 新信息的要求，一定程度上缓解了记者的报道压力。记者可以有更多时间和真相去探究事实的真相，把报道的重点放在深度报道和解释性报道，写出更多有深意有趣味性的新闻。

机器人写作技术的优势部分在于数据提取，大数据处理技术的出现为数据相关新闻的写作带来了福音。机器人写作的突破性在于“写”，而劣势也在“写”上。模板化的行文难免会缺少趣味性和可读性，因此记者要在此方面多下功夫。一些社会热点事件和深度报道还需记者亲自上阵，将更多精力放在“人”上。数据新闻更多体现的是规律性的变化和趋势，但受众在了解直观数据的同时也更关注人性，这往往比一些图表和数据更能打动人心。这类报道机器人往往不能胜任，也无法直接接触采访对象完成一篇人物专访或者深度报道。

如图所示，在今年的NBA赛季中，“张小明”的活跃可谓是业界良心，比赛刚刚结束报道就立刻发布出来了。图2左边为“张小明”所写稿件，右边是记者的报道，可以很明显的看出，“张小明”负责报道比赛的比分情况和赛况直播，而记者则将报道重点放在整个赛季的比赛回顾和赛事评论上。记者从基本信息的传播中解放出来，深度挖掘比赛背后的故事。

3. 机器新闻写作的优势与不足

3.1机器新闻写作的优势

3.1.1 快速抓取有用数据 成稿速度快

麦克卢汉曾提出“媒介即讯息”的观点，他指出人类只有在拥有了某种媒介之后，才有可能从事与之相适应的传播和其他社会活动。机器写作作为一种媒介手段进入新闻写作领域时，就对新闻生产的各个环节产生了影响。对于新闻来讲，时效性是极为重要的要素。特别是在网络时代，每一秒都在发生新闻，几乎所有媒体都在争分夺秒抢夺首 发阵地。机器人通过预先设定的程序，凭借其快速的信息处理能力，能在几秒钟之内就撰写出一篇完备的报道。以“张小明”为例，在去年的里约奥运会期间其发布一篇稿件仅需要两秒钟，也就是说赛事一结束，报道就已经发布了。而记者则还需要收集最 新信息，再加上编辑的时间，就大大降低了新闻发布的效率。加之由于时差等各种原因，记者面对着长时间高负荷的报道压力可能会出错，但机器人除非人为进行程序破坏，其在写作过程中的出错率是极低的。只要保证各项程序的正确，机器人就可以及时抓取数据库中的最 新信息进行写作。

3.1.2个性化定制凸显长尾效应突出

对于奥运会这种同时举行上百场比赛的盛会，观众不可能每一场比赛都关注到，记者也分身乏术。对于个别冷门赛事的小组赛、预赛等，观众的关注度往往会比较小，许多传统媒体也自然会认为报道这类赛事的价值较小而弱化对其的报道。但通过今日头条实验室的平台测试显示，对冷门赛事的报道仍然有可观的阅读量。

图中截取了部分“张小明”所写新闻，浏览近期的稿件可以发现，在英超意甲西甲等赛事中，基本上每一轮的球队比赛都有报道，其中也不乏一些冷门球队。这些看似很冷门，受关注不高的球队也有一定的市场，小众化需求得到满足。随着人们不断对写作机器模板库的更新，机器写作也会变得越来越“类人化”，可以根据用户不同喜好和需求撰写出个性化的报道。新闻生产的“量变”引起了“质变”，有了新闻写作机器人，哪怕有一天突发奇想想要查询一支非热门球队的比分或者一支冷门股票，都会有相应报道呈现出来。这说明在互联网平台下，长尾效应理论是十分突出的。将所有非流行的市场累加起来就会形成一个比流行市场还大的市场。美国《连线》杂志主编克里斯·安德森在文章中提出长尾理论，他告诉读者：商业和文化的未来不在于热门产品，不在传统需求的头部，而在于需求曲线中那条无穷长的尾巴。

3.1.3 减少人力在快速新闻报道的消耗 着力打造深度新闻报道

如今，新闻发布和更新的速度越来越快，快餐文化和快餐消费逐渐成为主流。我们在网络上会看到多名“大V”对于一件事情的报道内容和风格大多相似，究其原因则往往是一家媒体首先报道了这件事情，其他媒体纷纷转载发布在自己的平台上。千篇一律的行文报道失去了新闻原本的可读性，过度转载也会消磨新闻的真实性。记者也疲于应付这类报道，直接转载现成的报道做简单改动就可以再次发布了。快餐式的新闻报道充斥网络，记者的主动性也大大降低。而在这类消息中使用机器人写作则可以将记者从这类报道中解脱出来。同样的，机器人写稿也会替代许多原先由记者完成的工作，某种程度上传统媒体对于记者和编辑的需求会减少。这就促使新闻记者要着力去探究事情的内在和真相，对事物内部进行深度挖掘和思考，不能简单满足于通稿写作，而要从各方面综合素质，进而推动整个新闻行业的长效发展。

3.1.4 数据直观可见 客观性 减少人力处理数据的失误

目前机器人写作的领域还仅 限于体育、财经等以数据为主的领域。人类在处理这些数据时，难免会忙中出错，但机器人凭借其超 强的运算能力可以在短时间内就处理好数据，减少人力处理数据的失误。机器人新闻不带有人类情感，因此在进行体育赛事报到时，不会因为个人喜好有数据的偏差，而是如实的报道事实，符合新闻客观性的要求。

3.2机器新闻写作的不足

3.2.1写作模式固化 深度欠缺

在今日头条AI小记者Xiaomingbot (张小明)的主页上，对于“张小明”的介绍是：基于大数据分析，自然语言理解和机器学习的人工智能机器人。数据是机器人写作的主要来源，固定的算法是其运作原理，机器人在数据库中抓取数据进行排列组合完成稿件的编写。虽然数据简洁明了，效率也有了极 大。但对文章的理解能力远不如人类，避免不了模式化的遣词造句，读起来缺少了“人情味”。通过阅读多篇机器人新闻笔者发现，“张小明”使用了大量相同的词语，且句子的排序也近乎一样：开头交代赛事举行的时间、地点、人物等新闻要素，之后再对赛事展开描述，最 后交代比赛结果。个别比赛还交代了比赛规则和举行场馆，模板化风格显著，缺乏新意。当今社会，人们不满足于单纯的事件信息的把握，还企图了解事件发生、发展的深层次原因，根据自己已经掌握的诸多信息，决定自己的态度。这些都需要有经验的记者来完成，机器人在这方面有所欠缺，无法形成有观点有态度的新闻报道去引导舆论。

3.2.2数据直接铺排缺少规律总结 可读性较弱

任何一条新闻都有其主旨思想，高度凝练的表达并非记者一朝一夕就可以练就的，冗长而又缺乏亮点的新闻阅读量必定不会太高。但现在的写稿机器人的水平有限，虽然报道中已经出现一些模仿人类语气的词语，但想要真正达到人类撰稿的行文还是有一定差距的。以NBA战况报道为例，笔者选取了今日头条的Xiaomingbot(张小明)所编写的稿子和新浪体育的记者所撰写的新闻进行对比。“张小明”所写新闻为今日NBA赛事汇总，包括公牛-勇士、开拓者-雷霆、太阳-黄蜂三队比赛阵容。而新浪体育的记者则将开拓者与雷霆的比赛单独成稿，对比赛的具体情况进行描述。机器人编写的稿子大多按照时间发展顺序展开报道。“上半场”“首节”“次节”“下半场”等字眼将实时比分直接呈现出来，但对于比赛的具体情况却并没有进行描述，对于无法观看比赛的体育迷来说，仅仅知道比分并不能满足他们。反观新浪体育记者所撰写的稿件，开篇详细介绍了球队球员的个人得分，并且分析了球队的排名情况并作出预测。当比赛进入关键，记者的表达让受众如身临其境一般：不过更精彩的一幕出现了。开拓者在本节还有2.8秒时仍有球权，但在发球时，康诺顿后滑，球到了他身后的吉布森手中。吉布森当时正站在己方三分线，接球时已经没有时间，他单手一甩，篮球在空中飘行时，篮板上的灯已亮起，但篮球却像装了制导系统 一样，直奔篮筐，竟然命 中。这绝 对是本赛季最为神奇的一记三分，也是吉布森到雷霆后的首 次三分出手。打出一波12-0后，雷霆上半场以60-57超出。这一段的描写引人入胜，机器人写作目前还无法达到这样的程度。

3.2.3写作领域单一 目前限于体育财经类

机器人写作目前还停留在以数据为主的财经和体育新闻上，主要报道赛事比分和财务报表等。由于技术的局限性，基于代码编程的系统和软件目前只能提供固定的新闻模板。新闻写作呈现出固定化和模式化，同一类型的比赛报道风格往往很相近，有时候仅仅需要改动一下数据即可。因此目前为止，机器人写作并不适用于民生政务等方面的新闻，专有名词和更深层次的内涵无法表达。

4. 机器新闻写作发展前景展望

信息科技时代，我们正生活在一个越来越由人工智能所定义的世界里，就新闻领域而言，技术的侵入早已不是新鲜事。机器人写作可以做到瞬间反应，在短时间内处理数据完成新闻的发布。机器人的数据处理能力明显强于人类，在人人都用数据说话的时代下，机器人写作是大势所趋。随着技术的发展，人类在报道新闻时的语调和措辞也可以编程代码输入程序中，在语法分析技术下，有针对性的选择个性化语句进行新闻的撰写，输出不同风格的新闻以满足不同受众的需求。

但机器人写作的应用目前又仅 限于单一的领域，对于数据的整合和主旨的提炼远不如人类。其次，数据库的数据有限也是其发展的制约因素。机器人必须连接到相应的数据库才能进行处理和写作，各个数据库之间的壁垒也是机器人暂时无法突破的障碍。此时就需要记者进行数据的整合。未来的发展趋势应该是机器人与记者协同合作。用机器人去完成前期海量数据的处理，之后再由记者进行审查，这样既减少了人类处理数据的错误，又能够 最 大 程 度减少机械化和模式化的新闻生产。

“张小明”在这届奥运会中加入了图像识别技术，可以根据不同的赛事匹配图片。在今后的发展中，机器人可以将音频、视频和VR技术结合起来，增加新闻的多样化，实现真正的媒介融合。同时，机器人还可以将各数据库资源和平台终端连接起来，实现跨平台互动。目前，“张小明”机器人就可以将所撰写的稿件分享至微信、微博和QQ空间等第三方平台，扩大了资源共享的范围。

在人工智能飞速发展的今天，必定还会推出更多的自动写作工具来替代人力，但人类稿件中特有的情感以及对于新闻的深刻剖析则是无法取代的。对于记者来说，要转变文风，尽力避免“机械化”写作，扬深度报道之长，避“公式化”新闻之短。与其担心会被机器人抢了饭碗，倒不如完善自身，与机器人合作共同促进新闻行业的发展。《华盛顿邮报》负责人吉尔伯特表示“我们的目标不是用机器人取代记者，而是让机器人解放记者。”

以上就是新闻传播学考研热点：机器人新闻写作。更多新闻传播学考研热点，持续更新中。