一个新课题的研究实际上是有很大风险的，因为任何一个正在成长当中的事物，我们对它的把握缺少某些充分的依据，可能会被证实或证伪。但是无论如何，现实的发展已经出现了重大的改变。如果这个时候，当社会需要，我们过分爱惜自己的羽毛，恐怕跟社会赋予我们的一些责任和要求是不对称、不适应的。即使我们会犯错误，我们也需要拿出自己的眼光和智慧来部分的回答发展当中的一些问题，这可能就是我们做新媒体、新传播现象研究的一个初衷。这是形而下的一个研究，并不是形而上的研究，这是我想强调的第一点。

第二点就是关于今天的话题。我们这个时代为什么会不断地出现一些革命性技术、革命性观念以及革命性改变？它昭示我们这个时代正是从工业文明时代向着数字文明时代进行巨大时代转换的一个关键发展时期。

今天我们所面临的变化不是弯道超车的问题，因为既有的发展目标、发展逻辑已发生了重大的改变，它的基础都已经在发生新的迁移和新的冲突，在这种背景之下，我们所面对的是换轨超车而不是弯道超车。传统的逻辑已经难以为继的时候，我们必须要用创新的方式来把握现实，把握未来。熊彼特特别强调说，这种创新是以破坏现有机制、现有结构、现有模式为特征的一种创新。这对我们处在这个时代的人来说，既是一种幸运，但也是一种挑战。这就是我们这个时代的特征。

过去的技术它只在自己作用的领域当中发挥作用，我们面临的互联网大数据、人工智能、ChatGPT5等等，这些技术都是革命性的技术。但对于数字文明时代的整体样貌和它的建构方式，人们只有一些支离破碎的概念和印象，对于数字文明时代的整体景观和它的构造方式、构造逻辑，缺少相应的了解。

生成式AI恰恰是源于对未来社会景观的一个总体描述，使我们有了一个既定的，虽然它会不断迭代的一个全新概念，它给我们描述的结构相对清晰。如何建构未来社会发展的传播的基础？通用式人工智能恰恰是把未来所有人类实践的要素加以重新整合的一种巨大的、全新的力量。这可能就是整个未来时代的大幕整体开启、系统开启的开始。

马克思说：“人的本质就是全部社会关系的总和。”而媒介的作用就是把人和他人、社会、环境进行连接的一个中介物。媒介的发展逻辑，本身也是研究人的发展、社会发展的一个重要视角。新闻传播学恰恰处在这一视角上，对任何一个变化，都要从媒介对人的关系的扩张、连接，连接模式、连接机制的改变的角度，去看待社会的发展。

判定一个媒介是否是新媒介的真正标准，在于它在三个维度上对人的社会连接、社会关系的改变。

第一个维度是连接层次。借助媒介的作用，人们在接连不断地打破时空的限制，在连接层次上不断深化。人跟外部的连接，既有物理级的这种连接，也有生理级和心理级的连接，能否将三个层面的连接融为一体，能够提供这种新连接的就是新媒介。

第二个是关系维度，人通过媒介进行交流传播，它所能提供的情感认同、情绪共振、关系确认是否有所不同。

第三个是媒介维度。媒介本身可以作为一个连接人、连接事物的介质。麦克卢汉说：“媒介即信息”。一种新的媒介出现，会改变人们的连接方式、连接机制和连接逻辑，使人们所掌握的社会资源，在连接的深度、广度、细度上都有了全新的一种存在。人们的主体地位也有所不同，一个新媒介能够形成一种全新的、以人为中心的、不同的社会格局。

大数据的根本特征是维度多，它可以从不同角度来解读聚焦描述一个状态、一个人、一个世界等等，连接的颗粒度得到不断细化。借助互联网的海量数据，形成对人、对事物、对场景多角度描述的聚集，智能化服务由此展开。对于管理者，大数据之下的管理更加精准，更加有效、更加实时、更加细致。

连接的颗粒度变细，使得算法逐渐成为社会连接、社会管理、社会配置的一个基础逻辑和主角。由于媒介的发展，整个社会的运作结构、运作方式、运作机制发生了很大的改变。一部传媒发展的历史就是人类凭借媒介的升级换代，不断地实现对现实世界限制的突破，走向更大自由度的一个过程。从实体媒介到关系媒介，再到今天的算法媒介，在这个过程当中，媒介的形态是由实到虚的过程。在这种虚化过程中，人们借助于媒体所能掌握的资源、所能做的事情却越来越实、越来越广泛、越来越深入，这就是媒介演化历史给我们所带来的东西。

AIGC最大的技术特点是概率计算加上标注训练。标注训练对于生成式AI的海量数据来说是一种很微小的力量，当它的参数变得极大的时候，出现了所谓的涌现现象。在一个自组织场域的规则、规律、机制下，突然产生了全新功能、全新价值的涌现。

涌现发生的前提是生成式AI具有海量的参数。ChatGPT-3.5的最初版本推出的时候，它具有1,750亿个参数，巨量的参数让它的辨识能力达到了细致入微的程度，再加上海量的训练数据。它在医学、翻译等领域取得了突出的成果，这就是概率计算在大数据巨量参数情况下所实现的。

这种巨大的概率计算形成的初级文本，再加以人的理解方式、人的情感方式、人的关系模式，来对文本来进行这种概率性的理性逻辑的文本注入。这两者的叠加构成起了既有结构性和价值的文本，同时又跟人的特性能够逐渐趋近吻合的生成式AI。

生成式AI最重要的价值影响就在于它是以无界的方式进入到人类世界的全领域，它具备通用性。“所有行业、所有应用、所有软件、所有服务都值得基于新型人工智能技术、基于AIGC各方面技术支撑、大模型支撑重做一遍”讲的就是这个意思。生成式AI会引起人类实践领域的全部环节、全部层次在智能化作用下的进行全新的改造，整个人类实践场景关系资源的一种重构，这就是它的影响之重大、深刻。

人工智能需要三大支撑，第一个是算力；第二是数据，没有数据的地方还需要人去挖掘、去建构；第三，对现实状态需要用算法进行描述。但是，如想法、审美、感受等复杂变量，很难用算法进行捕捉。

目前人工智能建立主要就两个通路，视觉和听觉。但人类智能的信息和技术供给源是多样。当人工智能只是基于听觉和视觉来形成对世界认知的时候，跟人之间一定是有差距的。从技术逻辑的角度来说，今天的生成式AI对人的替代恐怕还有相当长的路要走，我们不能说完全不可能，但是至少在我们可预见的未来是不大可能的。它可以部分地替作为主体替代人类，也可以作为工具帮助人类进行增强，但它并不能完全取代人的主体意义。

人工智能给我们带来最重要的改变之一是人类增强。这是全球以ChatGPT为代表的生成式AI所创造出来的，对于人的智力能力的一种增强。这将改变整个社会的基础运作、基础构造、基础逻辑。人类社会自古以来，如政治、经济、文化、学术等等都是精英主导型。生成式AI增强了人类的平等性，拉平了人们之间的能力差距，打破了精英和普罗大众之间的壁垒。年龄鸿沟、文化鸿沟、性别鸿沟、语言鸿沟等等，在ChatGPT的帮助之下，可能都能够轻松跨越。

在未来，当每一个人都可以轻松的借助于生成式AI，与任何跨语言的人自由交流的时候。整个国际传播的主体、规模、机制、内容、法则都会发生翻天覆地的变化。人类增强将终结精英治理的历史传承，常人政治将会成为数字文明时代社会治理的基本特点、基本策略。

在今年3月29号，一封名为《暂停大型人工智能实验》的公开信，受到了普遍的关注。这就是科技发展过程当中所出现的科林格里奇困境。任何一个复杂现象出现，我们不可能在它一出现的时候就洞悉它所有的价值、所有的正面、所有的负面。现在越来越多地受到学术共同体支持的是另外一种方案，智能试错方案。

反馈评测结构要加快，一年不行，那就一个季度，一个月。对所可能出现的问题进行及时的捕捉，及时采取技术的、伦理的、社会的相关规定对它进行修正。不是按下暂停键，而是在小规模试验当中优化迭代，让它的发展更透明、更宏伟、更可控。

AI在换轨、换场景、换引擎和换平台改变了整个传播的生态。

第一是换轨超车，无论是实践的原点，还是学科的原点，都发生了从大众到个人的迁移。整个传播学科的构建都由此发生改变，行为传播学的研究也由此展开。

第二是体验时代的到来，VR、AR这类虚拟技术的成长，可以构建出各种各样的虚拟场景，人类的知识和信息获得的方式有了一次革命性的转变，从第三人称变成了第一人称，过去的不对称理论之下的所有工作逻辑都将改变。

第三，在媒介的算法化那里已经讲过了。

第四，游戏是一个全功能全要素，在未来，还将是主流的且深维的媒介。

关于这点，最重要的原因有四点：

首先，它是一个知行合一的媒介。不仅有知识、技能、方法，用户还可以去触摸、体验并回馈，从而提升认知；其次，它跟未来虚实相融的元宇宙的时代可以实现无缝对接；其三，未来社会是一个圈层化的社会布局。麦克卢汉提到“地球村”，又说“当媒介不断的发展的时候，人类会重新回归部落化”，如今在短视频等平台出现了圈层化现象，印证了这一点。游戏是可以通过趣缘关系的构建，来形成破圈的沟通交流；最后，“人生只有现场直播，没有预演的彩排”，但是今天有了游戏，越可以进行场景摄影师下的彩排，使人们可以用很低的成本的代价去了解一个新的选择。

在新的场景之下，我们可能遇到什么。社会探索的成本极大的降低，丰富性得到了巨大的提升。因而游戏是一个有重要价值媒介形态。对于游戏，一定要去除污名化的障碍，把它作为一个未来主流的、深维的媒介去认真研究。

喻国明教授主旨报告部分幻灯片截图（可左右滑动）

祝建华教授通过图表举例，从技术派上的神奇化和道德派上的妖魔化，讲述了对AIGC和ChatGPT关注度的变化，总结出其热度并未消亡，并表示对其技术的过度神奇化最终会导致妖魔化。

AIGC技术的变革经历了从图像识别到语音识别，最后到自然语言处理这三大领域，最近这三大领域的研究成果逐渐走向融合，其中图像识别走在最前面。

图像识别是AI流程的第一步，从根本上决定了所有技术所需的基础，图像识别的起点是“Tokenization”把一个内容分割成最小的单元，将单元又转换成代码，其背后代表意义更加需要深思。而“RGB Color Picker”中的颜色可以用字母来代替，整个AI都可以从图像识别这里展开理解。自2009年，出现大图像库开始，图像识别技术开始涌现。苦于没有大型的图像库参照，斯坦福大学的李飞飞教授着手研究，经过不断地研究探索，最终于2009年启动图像数据库。此图像库的启动，成为图像网与技术的转折点。目前拥有1400万张图片，由人类标注为27个类别和21000张，在此基础上，形成了深度学习。

图像识别中的监督学习，通过人工对图像中人的位置进行分类，如果没有人工干预，机器对人们每一步的细小变化都会很难做出判别，要把人工引入机器，但是其效果并不好。

祝建华教授向我们阐述了自然语言处理的三个里程碑，第一个是1954年的“Bag of Words”，彼此间相互独立；第二个是2013年的“Word Embedding”，可以在同一文档的上下文中进行连接；第三个是2018年的“Pre-trained Transformers”，可以连接所有可用的文档。

到底什么是ChatGPT？祝建华教授通过“Transformer Embeddings of 22 SSCI-Comm Articles on AI”的例子，表明这个东西到底有什么用，它是一个非常意想不到的神奇工具，超越我们意料之中。目前的AIGC以及大数据等，已经转换成数值代码。计算机并不了解你输入的到底是什么，它只知道是一个代码，不知道含义，更不会对此判断，没有逻辑与因果关系，神奇化与妖魔化都是对它的过度解读，将来十几年里都不会发生。

祝建华教授总结AIGC中的神奇化与妖魔化。他表示，目前的ChatGPT及其它大语言模型所用的内容数据，是且仅是事物代码(而非事物本义或价值判断)之间的关联程度(而非逻辑或因果关系)。有助于其内容数据的海量、多类、多源等素质，目前的大语言模型已经能够多快好省地将人类已有知识结晶“重现”在新场景之中。同理，已有的大语言模型能够用来识别和改进其初期版或劣制品中常见的胡说八道。但是，已有的大语言模型并不能脱离数据而独立思考，更不创造新思想或情感、预测未来、价值评判、等等。

最后，祝建华教授发问——将来的AIGC有无可能实现这些?

第一是跨越单一事件。

事件本身代表着一种偶然性，代表着一种对常规的打破，代表着一种秩序的断裂。我们看到中国的新闻传播研究当中有大量的单一事件，研究单一的事件的占比是非常高的。我们很多时候如果仅仅聚焦在这个单一事件上，它必然会带来一个问题，这些基于单一事件的传播规律，是不是具有可推广性？如果我们仅是集中在个别的事件上，那么这些事件就无法反映传播过程的基本法则跟普遍规律。

在新媒体事件的研究当中，学者也在呼吁要跳出单一的个案，采用这个比较的视角，要将新媒体事件的内部观察跟外部社会的大趋势系统结合。所以不仅仅要考察这种个案之类的分析，要而要做更多的跨个案的分析。从个案中引出5个学术概念：Affective News、Networked Publics、Networked Gatekeeping、Networked Framing、Affective publics。

存在的问题：提炼的概念是否适用于其他事件?基于特定个案的传播规律是否具有可推广性( generality ) ?提醒不要追逐重大事件、独特事件、突发事件，因为这些事件“无法反映大众传播过程的基本法则与普遍规律”呼吁加强新媒体事件的比较研究，“需要跳出单独个案，采用比较视角，将新媒体事件的内部观察与其外部社会变迁的大趋势系统结合”，“个案内分析与跨个案分析”。

大数据下多/跨事件研究的新机遇在于搜集大规模在线数据变得相对容易，允许观测事件之间的流动与互动关系，跨时间和历时性的事件比较变得可能。多事件分析一是以事件为样本的描述性研究，基于多事件的比较与综合；二是以事件为样本的解释性研究，建立关于事件分析的自变量、因变量。跨事件分析不仅是将事件作为相互独立的样本，而且考虑事件之间的关联、互动和影响。其中存在相互激发模式和相互竞争模式。我们能够探索从事件中提炼的概念、理论的普适性，厘清理论的制约条件与时空、情境变量，探索事件之间的竞争与合作关系。

基于多事件的扩散结构模式分析得出结论：1.扩散曲线、速度与结构特性无关;2.网络事件的扩散呈现大众传播与社交病毒性传播的不同特征，但事件的结构性病毒扩散度总体较低;3.事件的扩散规模与结构病毒性特征之间仅存在低度的正相关，所以无法根据事件规模判断其扩散的结构性特征;4.破除大规模网络事件一定是“病毒传播”的大众印象;5.结构性特征因此是衡量事件传播的一种独立的特征。

第二是跨平台计算分析。

与跨事件相似，跨平台的计算分析是超越单一平台，对平台之间传播现象的相同与差异以及相互之间的关联(流动、扩散、交互、相关等)采用计算方法进行研究的领域。其经验现实包括复合/多元平台；整合性、集体性的社会/传播现象。研究设计为任何单一平台的研究都是特定/默认的样本选择。数据依赖包括大数据的“路灯效应”，数据从“公地”到私园。

计算传播研究中的平台分布大多聚焦于单一平台，只有少数是关于舆论的跨平台研究。跨平台研究的理论问题，一是特定问题本身的理论，如IMA、Polarization等；二是跨平台研究的理论问题:技术特征(mix of media attributes)/技术可供性(technology affordance)。通过比较不同平台的传播框架和不同平台的政治极化，采用URL-based方法和文本相似性方法分析特定内容的跨平台流动，以及平台内部的自我“比较”，分析新媒体事件中关键节点的跨事件跨平台分析，寻找其中的关键节点，选择相关事件构建传播网络图。

第三是跨人机计算分析。

计算传播所针对的文本、行为“足迹”不再由人类垄断，而是包括人机共同构成，针对社交机器人(social bots)的研究在过去几年得到较快发展，但其主要建立于特定的识别算法基础之上(botmeter,botornot, etc.)，生成智能增加了这些识别方法的有效性，使得跨人机的计算分析面临新的挑战，跨事件、跨平台的研究因此需要考虑跨人机的因素。

与此同时，生成智能也成为新的计算方法，或者说“智能方法”，运用于分类编码、实验刺激设计、智能机器人在线实验等。因此，新的经验研究方法包括：质化，量化，计算，智能(大语言模型)。

总结：一、计算传播研究中的跨事件、跨平台、跨人机分析，可以弥补现有研究的不足(“单一”偏好)，有巨大的发展空间;二、理论问题在于需要有更明确的理论驱动或理论与数据之间的反复迭代;三、因果关系包括事件属性与平台可供性的特定逻辑仍需继续厘清(counterfactual);四、数据挑战：获取的挑战与努力;五、学术机制：对“慢学术”的容忍与鼓励。

今年是中国新闻传播学科，从二级学科上升为一级学科25周年，当前中国的传媒业也处于一个结构性的变革时期，媒介技术的加速革新，使得新闻传播学也面临着一个学科的转型和升级。

第一部分内容是研究背景与研究目的。

廖教授提到，知识体系就是人们在研究知识生产和应用的社会分工时候，选取的一个特定的视角。当某个学科和其他学科的知识重合的时候，学科的知识体系会发生改变。当学科内新的知识出现或旧的知识发生转移的时候，学科的知识库也会发生相应的变化。基于此背景来讨论中国的新闻传播学科的自主知识体系。关于自主知识体系的构建引用了清华大学周庆安教授一个论述。他认为自组织体系的构建，是学科自主性和民族自主性的结合。从学科的自主性方面来看，新闻传播学作为一门交叉学科，在与其他学科的资源交流过程中，目前仍处于弱势；在民族自主性方面，当前中国经验在很大程度上成为西方概念和理论的注脚。

第二部分内容是文献综述与研究问题。

中国新闻传播学的自主知识体系构建，有赖于有效的知识管理。在学术研究的过程当中，大量、复杂的知识资源囤积在知识存储库。如果不加以管理、评估，现有的知识就难以得到充分利用。

本研究基于知识社会学视角，以知识管理过程作为理论框架来系统考察知识体系建构的三个环节，包括知识创造、知识存储和知识转移。知识创造就是将个人创造的知识与集体的知识体系连接起来的过程，包括个人知识创造与集体知识创造。廖教授根据中国新闻传播学研究论文数量、作者数量、研究机构数量分布及其变化情况，中国新闻传播学研究跨学科合作研究的情况及其变化，中国新闻传播学研究样本的情况及其变化等问题做出了阐释。文献之间的知识转移可以看作是概念理论方法，是从一篇文献到另一篇文献的运动，是一种帮助人们理解现象的抽象概念系统。

第三部分内容是研究方法。

包括数据来源、数据处理和变量测量。从CSSCI数据库抓取了1998到2022年9种新闻传播类学术期刊发的4万余篇文章的相关数据，字段包括：来源篇名、来原作者、期刊、第一机构、机构名称、第一作者、年代卷期等。采用分层随机抽样的方法，从4万余篇论文中，按照分层抽样，随机抽取了3千余篇论文来进行内容的分析，以深入了解中国新闻传播学研究知识体系构建的基本状况。知识存储主要包括研究样本、媒介内容、研究渠道、研究效果和研究领域，参考团队之前的研究建构，同时也测量了这些变量在不同时期和不同地区之间的差异。关于知识转移的测量主要是包含了两个方面的测量，一个是理论的构建，一个就是研究方法。

第四部分内容是研究结果。

1998—2012年间，9种新闻传播学CSSCI期刊共发论文47593篇。论文数量逐年上升，2011、2012年均达到2600多篇。2012—2020年，论文数量持续下降至1600多篇。

在跨学科合作研究方面，中国新闻传播学院存在跨学科合作研究论文占比是6.2%，总体比例不高，但跨学科合作研究论文的占比逐年上升，从最早的不到2%上涨到了最近的13%，表明跨学科合作研究时期变化的差异达到了统计学上的显著水平。从地区来看，跨学科合作中部地区研究论文占比高于中部、西部和东部。在合作论文中，作者数量排名前5的学科是新闻传播学、图书情报与档案管理、基础医学、教育学、戏剧与影视学。总体来看，合作研究网络拥有较高的连通度，较低的碎片度，跨学科合作研究规模在不断的扩大。

第五部分内容是研究议题。

通过对4万多篇论文的标题进行主题建模，识别出了明显的两大类，即新闻传播类和编辑出版类，占比最多的议题是新媒体。整体而言，排名第一的新媒体议题呈明显上升趋势，国际传播议题的占比大幅上升，舆论监督、新闻史和新闻传播教育等议题出现小幅上升的趋势。电视研究的数量比例下降，与该议题相关的新闻业务传媒产业研究同样呈下降的趋势，批判研究比例趋于平稳，传播理论议题呈现下降的趋势。从研究领域来看出，媒介产业占比位居第一，其次是媒介内容、信息生产媒介从业者以及新闻传播学。研究占比最少的是新闻传播学方法。那么媒介产业在25年间一直稳居第一，媒介内容长居稳居第二。目前内容分析和调查法是最主要的研究方法，话语分析和民族志是使用较少的研究方法。

综上，中国新闻传播学的知识创造水平不断增强，拓展学科“融合性”的同时，学科自主性也有待提高。此外，中国新闻传播学的知识存储环境更迭迅速，内在知识库更新缓慢，需加强受众研究与效果研究。