人工智能生成内容（AIGC）技术的迅猛发展正在深刻重塑新闻传播领域的底层逻辑与实践范式。该技术在显著提高内容生产效率、丰富表现形式、拓宽传播渠道，推动新闻传播呈现表面“繁荣”的同时，也为新闻的主体性、核心伦理原则及社会信任基础带来了前所未有的严峻挑战。
文章以技术可供性理论在生成式AI传播场景中的拓展与应用为理论基础，解析AIGC为新闻生产、分发与消费环节带来的新型行动可能性及其潜在危机。主要是采用定量的统计分析方法，通过对大规模AI生成新闻文本语料库的系统性挖掘与计算，重点围绕三个核心维度展开：生成式AI新闻的语义特征、算法偏差对新闻传播的结构性影响，以及受众对AI 新闻认知态度与接受程度的动态转变规律及其影响因素。基于实证分析所揭示的关键风险与挑战，文章提出系统性应对策略。在技术层面，创新性地构建了基于区块链分布式账本技术的内容溯源验证系统，旨在为AI生成新闻建立可验证、不可篡改的来源与传播轨迹记录。在伦理层面，提出“开发平台—媒体机构—公众”三级主体协同治理模式，以形成透明、可追溯、权责明晰的内容生态治理框架。同时设计了以人为本的“技术—人文”协同框架，强调技术应用必须始终服务于新闻传播的公共性、真实性核心价值与社会责任，将人的价值、尊严及对真相的判断力置于核心地位。
文章的理论贡献在于为新闻传播学提供了整合前沿技术洞察、伦理思辨与人文价值的分析工具，其实践意义则在于通过定量支撑构建了应对AI技术浪潮冲击的具体解决方案。该选题紧密契合AIGC技术爆发期的现实需求，有效运用跨学科方法回应了新闻传播学关于主体性、真实性与伦理规范的关键命题，具备显著的理论纵深价值和实践指导意义。
人工智能生成内容（AIGC）的迅猛发展正重塑新闻传播领域的底层逻辑与实践［1］。作为新闻传播学者，既需要理解技术演进的内在规律，也必须清醒认识由此引发的系统性变革。从技术演进轨迹观察，生成式AI已实现从单一模态到多模态协同的跨越式发展（从文本到图像、视频等）。Transformer架构的突破使大语言模型的参数规模从GPT-3的1750亿激增至GPT-4的约1.8万亿，语义理解准确率明显提升。扩散模型推动视觉生成拥有专业级水准，如用户对MidJourney生成的图像满意度很高，而Sora模型更实现了快速的高质量视频的端到端生成。技术跃迁直接重构了新闻生产模式，实现了新闻生产效率的大幅提升。
AI生成新闻导致的信息模糊性对新闻伦理形成挑战。如深度伪造技术使虚假信息检测准确率下降，算法偏见在选举报道中造成了部分立场偏移，而AIGC的规模化生产更使信息溯源难度明显提高［2］。现有伦理框架在责任归属划定上存在很明显缺陷，责任应在算法开发者、媒体机构还是监管主体？欧盟《数字服务法案》要求平台开放算法黑箱，但执行率不高；区块链技术的应用虽在某一些程度上实现了内容溯源，但跨平台协同仍存在技术壁垒［3］。
针对上述挑战，本文基于统计分析，以新闻的语义分析、算法导致的分发偏差以及对受众的影响为基础，证明了生成式AI的新闻真实性危机与信任崩塌，再从技术和伦理两个角度提出解决办法，并构建了一个以人为本的“技术—人文”协同框架。
该选题契合AIGC技术爆发期的现实需求，通过跨学科方法回应新闻传播学关键命题，具备一定的理论纵深与实践指导意义。
在生成式AI深度嵌入新闻传播的当下，技术可供性理论的内涵与外延得到了前所未有的拓展［4］。这一理论框架从最初关注技术特性与用户行为的互动，逐渐演变为揭示技术如何重构社会关系、生产模式与文化实践的动态系统。下文从三个维度阐释生成式AI对技术可供性理论的拓展及其在新闻传播场景中的具体表现。
生成式AI通过算法、算力、数据的深层次地融合，突破了传统新闻生产的物理性限制。一方面，其能自动化生产内容。AI依托自然语言处理和深度学习，实现财经、体育等结构化领域新闻的自动生成（如《》的财经播客“The Daily”），将记者从基础写作中解放，转向深度调查与解释性报道。另一方面，其还能实现多模态融合。以Sora为代表的文生视频技术，通过海量视频数据训练，能快速模拟新闻现场或历史场景，增强报道的沉浸感（如央视冬奥会虚拟机器人报道）。这类技术可供性不仅提高了效率，更重构了新闻叙事的形态［5］。
生成式AI重构了新闻传播中主体的关系网络，形成了新型人机协同模式［6］。其主要体现为提示工程驱动的生产转型：用户通过精准提示词（prompt）引导AI生成内容，新闻工作者从传统的内容生产者转向提示工程师，成为人机对话的调校者。这一角色嬗变要求从业者兼具新闻敏感与算法理解能力。生成式AI还构造了分布式主体网络，促使AI与人类记者、算法平台、受众形成行动者网络（ANT），推动新闻生产去中心化。
生成式AI重塑了用户对新闻的感知方式，同时也引发了对新闻传播的信任危机。基于用户特征的AI推荐系统（如字节跳动的算法分发）虽提高了信息匹配效率，但也可能会影响公众对多元议题的认知，形成个性化信息茧房［7］。同时，还会对新闻真实性形成伦理挑战，AI生成内容的逼真性（如Deepfake视频）削弱了用户对媒介的天然警惕，也迫使可信度评估从内容真实性转向技术可追溯性。例如，法新社的InVID工具通过验证元数据打击虚假新闻，体现了技术可供性在对抗“后真相”中的双重作用。
因此，生成式AI对技术可供性理论的拓展，本质上是技术社会化与社会技术化的双向进程。新闻传播研究需超越工具视角，在技术可供性的动态变化中理解人机关系，构建兼具创新与伦理底线的“人本智能”新闻生态。
使用TF-IDF和LDA方法对生成式AI实现的新闻内容做语义特征分析。以科技新闻为例，本研究对比了200篇AI生成的新闻与200篇人类记者撰写的同类文本。结果显示，AI文本高频词集中于通用技术术语（如“人工智能”“算法”），而人类文本更多包含行业专有名词（如“卷积神经网络”“机器学习”），这表明 AI 内容偏向泛化表达。主题模型进一步揭示，AI文本的主题分布集中（内容聚焦几个核心主题），而人类文本主题多样，且包含更多批判性视角（如“伦理争议”“技术垄断”）。这种差异源于AI依赖训练数据的统计规律，而人类记者通过专业判断筛选信息。
算法推荐系统通过用户行为数据优化内容分发，但可能系统性放大AI生成内容的传播偏差。AI生成的娱乐新闻因标题吸引力强（如“明星隐私泄露事件”）、情感极性显著，其点击率较人工撰写的新闻高，触发平台算法将其优先推荐至流量池。但是这种机制造成了两大问题：一是信息窄化，AI生产的同质化内容通过协同过滤算法形成“回音壁效应”，如气候平均状态随时间的变化的AI报道集中于极端天气描述，而政策讨论类内容曝光量下降；二是真实性不足，AI生成的虚假信息因符合用户认知框架（如阴谋论叙事），传播速度更快，麻省理工学院的实验显示，虚假AI新闻的转发量比真实新闻多。
研究采用Scrapy框架，在全球主流社会化媒体平台（微博、视频号、抖音、X）抓取了2021至2024年超过1万条相关讨论数据，经数据清洗后保留有效样本0.82万条。对文本数据来进行挖掘与自然语言处理分析，进行情感极性分析和主题建模，结合时间序列分析与地理空间可视化技术，系统描绘了公众认知的动态图谱，揭示了公众对生成式AI新闻的核心态度呈现“技术期待—风险焦虑—价值批判”的阶段性演变特征。
情感分析显示，AI运用初期呈现积极情绪，涉及“报道速度”“多模态呈现”等关键词的评论占比较大。例如，生成式AI在北京冬奥会中被大范围的应用于内容生成、赛事分析和观众互动等领域，明显提升了效率和体验。北京冬奥会期间，AI技术通过高效内容生成和多模态交互明显提升了公众体验。赛事中部署的AI裁判系统利用高速摄像头与深度学习算法实时捕捉运动员动作细节，不仅确保判罚准确，还将精彩瞬间生成即时分析视频。用户惊叹“机器人记者能比人类更快捕捉精彩瞬间”，凸显出对报道的认可。同时，多模态呈现技术打破感官边界，央视与百度联合推出的“AI手语主播”通过自然动作引擎驱动虚拟形象，为2700万听障用户更好的提供精准赛事解说。这一阶段，大众主要体现出新技术对效率提高的乐观情绪。
接下来不积极的情绪占比加大，主题模型中深度伪造、信息茧房、责任真空构成焦虑三角。
在涉及俄乌冲突的AI生成战况模拟视频讨论中，公众焦虑情绪非常明显升高。例如，俄军被曝利用AI技术伪造“单日歼敌1305人”的虚拟战果视频，通过混合真实战场画面（如控制顿涅茨克定居点）增强迷惑性，这类内容在TikTok等平台扩散后，因视觉冲击力强且算法精准推送，引发东欧地区用户对战争规模扩大的恐慌。与此同时，深度伪造技术的滥用进一步加剧了社会焦虑。2024年，有商家截取张伯礼院士公开演讲素材，利用开源AI工具生成虚假护肤品宣传视频，并通过短视频平台定向推送给中老年群体；同年，韩国曝出大规模深度伪造色情犯罪，犯罪者将女性（含未成年人）面部合成至不雅视频中，并通过媒体群组传播。这些案例引发了民众的信任危机。
“信息茧房”效应则通过算法定制化内容固化偏见。例如，用户若在B站多看两分钟“副业刚需”视频，首页即被“靠配音月入三万”等攻略淹没；知乎用户搜索“脱发治疗”后，平台连续推送同一款生发仪广告。这种机制甚至被用于政治操纵：2024年美国大选期间，虚假的“选举舞弊”信息通过短视频平台引发关注，再经脸书等媒介放大，最终在私密社群固化传播，利用“社交验证”（如多人转发提高可信度）使受众陷入封闭的信息环境。
责任真空问题在监管与法律层面尤为突出。尽管中国《互联网信息服务深度合成管理规定》要求对AI生成内容作出显著标识，但技术迭代远超治理速度。黑产市场明码标价提供“明星换脸视频”和“定制声纹库”，平台因审核技术滞后难以追溯源头。
当前，学术界对生成式AI展开价值理性批判，研究认为生成式AI新闻造成了对新闻真实性本质的消解，易因语料偏见或算法缺陷导致虚假信息泛滥［8］，其合成能力（如Sora生成的仿真视频）模糊了真实与虚构的边界，直接冲击了新闻真实性的伦理根基，还会导致专业主体性弱化，AI自动化写作挤压新闻从业者的创作空间，技术工具化导向导致“人机主客关系”失衡。研究者指出，过度依赖AI可能使记者沦为技术附庸，削弱其深度调查与价值判断能力，甚至威胁职业认同［9］。同时，其可能会引起工具理性对公共价值的异化，生成式AI以效率为导向的“流量逻辑”可能扭曲新闻的社会服务属性。研究者批评，过度追求传播效果易导致浅层化内容激增，消解媒体的公共监督与文化引导功能。
CNN在2025年1月的报道中指出，苹果公司推出的“新闻摘要”功能因多次生成并推送错误新闻标题，引发全世界内的信任危机。这一事件揭示了生成式AI技术在新闻传播中的潜在风险，缺乏人工审核的自动化流程导致虚假信息以“权威推送”形式快速扩散，不仅损害了媒体的公信力，更动摇了公众对技术可靠性的信任基础。该功能通过大语言模型对新闻内容做自动摘要，生成与常规推送通知高度相似的标题。例如，AI曾错误总结《》文章，宣称“以色列总理本雅明·内塔尼亚胡已被捕”；另一次则将BBC关于谋杀案的报道曲解为“嫌疑人开枪自杀”。
这些虚假标题未经人工审核即通过苹果新闻客户端推送给数亿用户，形成三级扩散链：首先通过系统推送直达用户设备，其次在社会化媒体被截屏转发，最后经即时通信工具形成碎片化传播。
扩散动力学分析显示，此类AI生成内容的传播具有以下特征：一是指数级传播速度，依托苹果设备的庞大用户基数，错误信息很快能覆盖全球主要时区用户；二是信任杠杆效应，用户因信赖苹果品牌而削弱信息验证意愿，导致虚假标题被二次传播的概率提高；三是语义污染扩散，AI生成的错误表述（如“确认上任”代替“确认参选”）在后续新闻媒体报道中被部分引用，形成信息失真链式反应。
这些事件暴露了生成式AI在新闻领域的信任危机，AI模型的“幻觉”特性与人类认知框架产生根本冲突。大语言模型只追求答案合理性而非真实性，这种技术本质与新闻业“真实性第一”原则的冲突被具象化。BBC的抗议声明更凸显了媒体机构与技术平台间的信任断裂——AI摘要不仅未忠实反映原报道，甚至会出现完全矛盾的表述。
信任崩塌呈现出明显的涟漪效应。用户开始质疑所有推送通知的真实性，调查显示，很多苹果用户关闭了新闻推送功能；记者组织要求对AI摘要强制标注数据来源与算法倾向性，防止误导性缩略。
解决以上问题是需要构建包含数据可溯源的技术、人机责任共担的问责机制，以及以人为本的解决方案。
区块链技术的不可篡改性与分布式账本特性，为生成式AI新闻的内容溯源提供了技术治理路径。一个基于以太坊联盟链的溯源系统原型，通过智能合约将新闻生产全流程（数据采集、模型训练、内容生成等）的关键元数据（训练数据集哈希值、编辑修改记录等）上链存储。
例如，2024年2月，广州互联网法院判决了全球首例生成式AI服务侵犯著作权的案件。某人工智能公司没有经过授权，利用受版权保护的“奥特曼”系列形象训练其AI模型，并通过付费服务生成与原创作品实质性相似的图片。区块链溯源系统记录显示，该公司模型训练数据中包含了未经许可的奥特曼形象数据集哈希值。法院最终判定其侵犯复制权和改编权，要求下架所有侵权内容并赔偿相应的损失。这一案例凸显了区块链溯源技术在内容合规审查中的关键作用。
本文结合学术文献与实证案例，对技术开发者、媒体机构与用户的三层责任体系进行系统论证，呈现其运行机理与实践路径。
技术开发者处于责任链的初始环节，其首要义务在于确保模型训练数据的公平性与算法决策的可解释性。研究表明，算法歧视与偏见主要源于历史数据的偏差继承与放大，如GPT-3成内容重复了训练数据内隐含的种族和性别刻板印象，此类系统性偏见需通过语料库清洗与算法审计来修正。在我国，《生成式人工智能服务安全基础要求》（2024）明确要求开发者对训练数据来源进行合法性审核，并通过风险证据保留机制实现全周期追溯。典型案例可参考谷歌Gemini模型因过度矫正导致种族表征失真的案例，该事件暴露出开发者在道德与事实遵循之间的平衡困境，凸显出算法透明度的必要性。
传播主体在算法部署阶段承担二级审核责任，需依据内容风险等级设置差异化人工介入规则。实证研究表明，很多AI生成政治新闻存在隐性立场偏向，这要求媒体机构建立分类审核机制：对时政类报道实施100%人工复核，而娱乐资讯可将阈值放宽。风险社会理论认为这种阈限管理能有效平衡传播效率与伦理安全，防止算法黑箱导致责任线］。媒体机构作为部署者，需设置人工审核节点确保内容线年欧盟通过的《人工智能法案》规定，机构若未履行审核义务，罚款最高可达3500万欧元或上一财年年收入的7%。该法案还强调，媒体需对AI生成内容做标识，并提供用户申诉渠道，以提高透明度。
信息接收者作为传播链条的终端，需承担有限核验责任以控制虚假信息扩散。Meta平台运营多个方面数据显示，添加“警示”标签可强化用户核验意愿。根据我们国家2023年颁布的《生成式人工智能服务管理暂行办法》，用户应履行监督与反馈职责，即若发现生成式人工智能服务不符合法律、行政法规和该办法规定的，用户有权向有关主管部门投诉、举报。典型案例包括美国选民对AI生成的竞选演讲进行来源核实，通过交叉比对官方信息降低误导风险。
因此，三层责任主体通过分级协同形成治理体系：开发者通过技术规范控制风险源头，媒体借助阈值管理过滤潜在危害，用户完成最终风险拦截。此模型既符合斯坦福人工智能研究院倡导的以人为本理念，也回应了乌尔里希·贝克风险社会理论对现代性技术的治理要求。
（三）以人为本——构建“技术—人文”协同框架更深层的解决方案在于建立“技术—人文”协同框架。AI生成式系统要求嵌入“事实核查”模块，如《》的Fact Checker、澎湃新闻的“澎湃明查”等。其实，大型新闻媒体都提供某种形式的事实核查，这些媒体机构不仅包括《》《》等纸质媒体，也覆盖CNN、ABC等广播公司，从而规避AI“幻觉”导致的错误传播
［11］。协同框架还需将记者专业判断作为算法约束参数，将新闻伦理准则（如平衡报道、信源交叉验证）转化为算法约束参数，限制AI生成内容的结构与倾向［12］，并在AI生成内容的反馈环节中插入多源数据验证机制，如自动对比权威数据库（如政府公开数据、学术界报告），触发异常标记。协同框架要坚持以人为本的根本原则，强调人类是最终责任主体，在技术与人类主体之间保持平衡，使AI新闻始终以服务人类福祉为核心，避免技术异化导致的人文精神弱化。
［1］喻国明，苏健威，张恩雨.论生成式AI时代的客户的真实需求与表达范式：从分众匹配到层级递进的要素融合网络［J］.新闻与传播评论，2024，77（1）：5-14.
［2］周佩.AIGC对新闻伦理的冲击及规范构建［J］.新闻传播科学，2025，13（3）：326-331.
［3］张英培，王登洋.NFT：技术逻辑、价值风险与监管路径［J］.新闻与传播研究，2023（6）：39-45.
［4］赵爽.生产、交互与传播：生成式人工智能的媒介可供性分析：以ChatGPT为例［J］.科技传播，2023，15（14）：69-72.
［5］何天平.从文本构造到界面连接：生成式AI对数字新闻叙事的重塑［J］.新闻界，2023（6）：13-21，61.
［6］刘遹菡，乔驿然，胡桉澍，等.人机协同视角下AIGC生成绘本内容的技术逻辑、核心问题和实践路径［J］.出版发行研究，2025（2）：36-44.
［7］李芳.信息茧房、乌合之众与舆论偏向：网络社群舆论极化现象研究［J］.新闻研究导刊，2022，13（12）：19-21.
［8］刘畅.互联网空间治理语境下虚假信息的司法规制研究［J］.新闻研究导刊，2023，14（19）：23-26.
［9］李佳凯，李一.AI幻觉驱动下信息生态的信任危机及其治理路径［J］.融媒，2025（7）：29-36.
［10］陆卫明，张文，王明.全球AI治理从“共识”到“共治”：动力、挑战与路径［J］.西安交通大学学报（社会科学版），2025，45（2）：63-76.
［11］林嘉琳，师文.主流媒体事实核查应对 AIGC 的问题分析与路径探索［J］.青年记者，2023（23）：19-22.
［12］杨洸.新闻宣传和网络舆论一体化管理：时代价值、理论基础与规范治理［J］.新闻界，2024（12）：15-26.
