目前阶段的编辑工作完全依赖AI是不现实的，让AI成为人类编辑的帮手似乎更切实可行。双方协同起来，将使工作更加高效有质量。

日前，微软宣布6月底拟裁撤近80名外包编辑，由AI编辑负责接下来的MSN网站的新闻抓取、排版和配图等工作。但没想到，刚到岗没多久，AI编辑就“翻车”了，而且犯了一个非常低级的错误。AI编辑在寻找配图的时候，把非裔歌手Leigh跟阿拉伯裔歌手Jade弄混了。

针对此次微软AI的配图错误事件，Jade也在社交媒体上表达了不满：“正常区分两个不同肤色的人有那么难吗？”为何一向以高识别率著称的AI，这次却“翻车”了？

解决脸盲问题需要不断扩大学习范围

人脸识别技术是目前AI领域公认的比较成熟的技术，圈内人士也热衷像刷分一样把人脸识别准确率屡屡刷出新高，最高的号称准确率可达99.9%。人脸识别技术有如此辉煌的战绩，为何此次AI编辑还会脸盲呢？

“人脸识别技术的工作原理，主要是比对五官比例以及面部特征。”天津大学智能与计算学部教授韩亚洪解释，简单说，就是基于人脸图像的大数据，先对看到的人脸图像进行预处理，提取面部各个方面的特征，并通过分层多次提取，寻找对于识别个体人脸最有效的特征表达。

人脸识别技术这些年已经发生了重大的变化，传统的人脸识别方法已经被基于卷积神经网络的深度学习方法替代。深度学习方法的主要优势是它们可通过大规模数据集进行训练，从而学习到这些数据的最佳特征。

“虽然可以使用大规模数据集进行训练，但是目前99.9%的准确率，基本上是在一些基准的数据集上测试的结果。这个数据集肯定是有范围的，如果收集的数据是在数据集分布的范围内，便可获得比较高的准确率。”韩亚洪说。

据了解，目前号称人脸识别准确率达到99%以上的，很多指的都是和全世界最权威的人脸数据库LFW（Labeled Faces in the Wild）进行比对测试的成绩。LFW可以被认作一个考查深度学习系统人脸识别能力的题库。它从互联网上提取6000张不同朝向、表情和光照环境的人脸照片作为考题，可以让任何系统在里面“跑分”。“跑分”过程是LFW给出一对照片，询问测试系统两张照片是不是同一个人，系统给出yes或no的答案。

“解决特定的脸盲问题并不难，其实就是重新针对任务，收集这项任务领域内的人脸图像，在原有算法模型上训练，或者重新设计新的算法模型进行训练，都会提高人脸识别率，以满足实际应用的需求。”韩亚洪说，但是超出了特定任务，AI的“脸盲症”就会复发。目前并没有哪个通用的模型算法可以解决所有的任务，但是AI可以通过不断地调整，大量的学习，从而提高人脸识别的准确性。

深度神经网络模型是进阶的必要条件

“目前针对新闻文档的分析和处理任务，AI编辑做起来相对得心应手。”韩亚洪介绍，具体地说，比如在一篇很长的报道中，让AI编辑把重点摘出来，这是没有问题的。现在是多媒体时代，大量的新闻报道会涉及图片和视频，AI编辑可以将图片或者视频自动提取出来，再从大篇幅的文字报道中，选取与之相匹配的文字说明，这个工作AI是可以比较准确地做到的。

“解决特定领域的问题，AI大多时候还是没问题的，但是要实现通用，就比较难了。”韩亚洪强调，实现这些功能需要用到自然语言处理、模式识别、图像视频理解等领域的技术。

要培养一名AI编辑，首先需要收集大量的新闻报道和图片视频，再根据收集到的数据设计一个针对这个任务的深度神经网络模型，网络模型里会有很多参数，然后通过数据把参数训练出来，它就具备了最初设定的各种编辑能力了。在使用过程中，随着AI编辑学习了更多的新闻，它的业务能力和性能也将不断提升。

“不过目前的新闻生产对于AI编辑来说还很困难。”韩亚洪说，要让AI学会写新闻，必须要针对某个特定新闻主题，进行大量资料搜集和模型训练。目前AI技术只能在风格相对固定、词汇量使用范围较小的领域完成文本生成，比如天气预报等内容，AI可以很好地输出相关报道和消息。但要生成人类创作的那种有创新要求、情感描述丰富的文章，AI编辑的能力仍有待进一步提升。

协作将使新闻生产更加高效

“有趣的是，AI犯的错误大多是我们意想不到的低级错误，但在某些方面又强悍到让人类望尘莫及。”韩亚洪举例说，像给文章分类这种工作，人类编辑要进行大量阅读，重复性劳动耗时耗力，速度非常慢。但这项工作AI编辑做起来就非常简单了，通过文字—文档的主题建模，AI可以比较准确地对文章按主题进行分类。另外，对于可以使用模板的短新闻，比如天气预报、证券信息等，AI编辑可以准确迅速地将各种数字或者专有名词嵌套到模板中，从而完成一定的文档生成任务。