智能融合塑造传播模式的建构

从“主伴圆融”的交相辉映，到“由二生三”的互补融汇，人类智能与人工智能的智能融合方法论给予的是思想指引。但真正要将其应用，特别是落地到塑造传播问题的解决上，则需要进行相应的智能融合模式建构。事实上，自从人工智能于1956年在达特茅斯工作坊提出的同年，人工智能和人类智能的智能融合就被提上了“议事日程”。可以说，人工智能和人类智能融合在一开始便是齐头并进的。1956年，阿什比（Ashby）出版了对传播学研究影响深远的专著《控制论导论》（An Introduction to Cybernetics）[13]。饶有趣味的是，Ashby本人除了是一位系统理论（system theory）科学家之外，还是一名心理医生。而控制论流派作为传播学当中的重要流派，其将传播看作一个信息处理的系统（a system of information processing）。传播行为是这一系统组件间的连接。该流派的主要观点认为，关系并不存在于真空之中，它内嵌在社交信息的网络之中。其研究的亦是传播系统中的信息处理、信息反馈、信息控制。诸多经典传播学理论皆隶属于此流派，如佩特罗尼奥的传播隐私管理理论（Petronio's Communication Privacy Management Theory）、瓦茨拉维克的互动观点（Watzlawick's Interactional View）、广川与古伦的群组决策功能视角（Hirokawa and Gouran's Functional Perspective on Group Decision Making）、普尔的适应性结构化理论（Poole's Adaptive Structure Theory）等。

上述对控制论的分析并不是为了解析其本身，而是可以透过它看到智能融合与传播学研究的内在联系。在《控制论导论》一书中，Ashby提出了智能增幅（Intelligence Amplification，IA）这一人类智能与人工智能的智能融合模式。其认为，与人工智能（AI）尝试建构全新的、与人类智能相似的（即，仿人类智能的）自动化、自主的解决方案不同，智能增幅（IA）仅仅需要为已经存在的、并且被实践所检验的智能（如人类智能）提供额外的支持。事实上，智能增幅是运用信息科技（information technology）增强人类智能的智能融合模式。阿什比认为，各种信息科技都可以被用来延伸人类心智信息处理的能力。而控制论流派恰恰是将传播看作信息来处理系统。基于智能增幅的人类智能和人工智能的智能融合模式也将很好地为提升传播服务。

在阿什比推行控制论的智能增幅这一智能融合模式后的4年，立克里德（J.C.R.Licklider）于1960年在其发表的论文《人机共生》（Man-Computer Symbiosis）[14]中，提出了人机共生这一基于仿生建构的智能融合模式。立克里德除了是一名理工科领域的计算机科学家之外，亦是一位人文社科领域的心理学家。其非常明确地认为，在人类智能与人工智能的智能融合之中，人类智能应该成为掌控的主宰，而人工智能应该成为辅助的帮手。所谓的人机共生，指的是在解决人类生产生活中的问题时，人类智能需要设定好相应的目标、决定成功与否的标准、提出测量效果和效率的度量；人工智能则在人类智能设定好的框架之下进行工作，为人类智能的决策提供相应的参考支撑。在其论文中，立克里德认为，不出多年，人类大脑（即，人类智能）和计算机（即，人工智能）将能够非常紧密地协作，形成牢固的伙伴关系。两者的融合带来的是人类智能之前根本不会想到的创意理念，以及人工智能之前根本无法提供的信息和数据处理方式。

在当下，人工智能与人类智能的智能融合模式早已超出了阿什比的智能增幅和立克里德的人机共生的单一人类智能与人工智能的交互，而进入将诸多人类智能的集群以人在回路（human-inthe-loop）的方式与人工智能结合的互动时代。最为典型的，莫过于豪威（Howe）和罗宾森（Robinson）于2005年提出的众筹（crowdsourcing）这一智能融合模式[15]。两位众筹模式的创始人杰夫·豪威和马克·罗宾森并非计算机科学家，而是《连线》（Wired）杂志的编辑。他们通过观察企业的外包现象，即一些企业将一部分工作交给其他企业去完成，联想到若能够在人类智能和人工智能的智能融合之中，将一些人类智能擅长解决的任务也以外包的形式交给大量的人类去完成，那么以人工智能的体系架构将这些人类智能的集群力量集结起来，必然能够显著提高智能融合解决人类生产生活问题的效果和效率。事实上，在众筹这一智能融合模式中，每个参与者的人类智能所承担的任务都是很小的；但从整个智能融合系统的角度来看，参与者的数量却非常大。而基于移动互联网这一人类生产生活的基础设施的人工智能则被用来执行统筹规划全部的人类智能、监督实施人类智能的任务，如此为聚变的人类智能与人工智能的智能融合提供目标问题的解决方案。

可以说，众筹这一智能融合模式具有跨时代的意义，其得以成功的原理亦被纽约大学克莱·舍基（Clay Shirky）教授所揭示。Shirky既是纽约大学的理工科领域交互通信专业的教授，亦是纽约大学人文社科领域新闻学的教授。在其2008年的著作《无组织的组织力量》（Here Comes Everybody：The Power of Organizing Without Organizations [16]）中，舍基认为当下人类解决生产生活当中的问题并不需要传统的组织结构，当拥有合适的合作工具媒介时，诸多人类智能的聚集将爆发出巨大而耀眼的能量。而在其2010年的著作《认知盈余：互联时代的创造性和慷慨》（Cognitive Surplus：Creativity and Generosity in a Connected Age[17]）中，舍基提出通过建构移动互联网的协作工具，人类智能集群甚至可以运用短小的闲暇时间来创造相应的成果。

上述智能增幅、人机共生、众筹的人类智能与人工智能的智能模式建构可以适用于解决人类生产生活的各种问题。对于塑造与传播的融合而形成的塑造传播（即塑传）问题而言，智能融合模式的建构则需要从一般到具体。从先前的论述可知，塑造传播既是通过塑造进行的传播，亦是面向传播进行的塑造。其核心的传播模型是基于5W模型，即传播者、传播受众、传播讯息、传播媒介和传播效果。塑传正是通过对传播讯息的塑造和传播媒介的建构，力争达成有效和高效提升传播效果的目标。基于此考虑，下面即以5W模型为主干，以计算机音乐塑传为例，描述智能融合塑造传播模式的建构。

在传统音乐塑传中，生成（generative module）、判别（discriminative module）、反馈（feedback module）、迭代（iterative module）这四大模块的循环往复、递进优化是其核心流程的逻辑。音乐人（包括词曲作者、演唱演奏者、编曲制作人等）将音乐作品创制生成出来，由听众这一传播受众对其进行判别，并对音乐人提供意见反馈，而音乐人吸取这些意见和建议重新完善提高自身的创作生成，对其作品进行迭代，从而不断地提升传播受众对其音乐的喜爱程度这一传播效果。从本质上看，传统音乐塑传是以上述流程的运行为为基础的。融合这四者建构的运行机制将生发出相应的音乐塑传模式。而此塑传模式的递进运行呈现出的是正向循环进化的特征。这一过程当然可以加进人类智能与人工智能的智能融合模式，而最为有效的便是基于智能融合的计算机音乐塑造传播。

计算机音乐（computer music）泛指在创作环节中运用了计算机科技进行自动化生成的音乐。其包含两大类：一类是完全依靠计算机进行全自动化的算法作曲[18]。在此类计算机音乐的生成中，人工智能包揽了音乐创作的全过程；另一类是音乐人部分地借助计算机的自动化生成音乐，统筹完成音乐的创作。即，进行计算机辅助作曲[19]。换而言之，前者进行的是以人工智能为主导的音乐生成，后者进行的是以人类智能为主导的音乐生成。

可以发现，计算机音乐的生成本身就带有非常强烈的人类智能与人工智能的智能融合的色彩。事实上，计算机音乐的概念几乎与人工智能的概念同时在20世纪50年代中期诞生：1956年的《按按钮的伯莎》（Push Button Bertha）[20]和《依利亚克组曲》（Illiac Suite）[21]，1957年布鲁克斯（Brooks）等对马尔科夫链（Markoff chain）潜力的探究[22]等即是当年涌现的一批研究成果。自1956年达特茅斯工作坊首次提出了“人工智能”的概念开始，不断发展的计算机系统工具（或广义上的人工智能）开始持续助力计算机音乐的生成，不断迭代原本由人类智能包办的音乐创制全线流程中的作词、作曲、编曲、录音、制作、演出等各个环节。穆西布（Musib）等[23]在2017年7月的《科学》期刊中撰文指出，深度学习已渗透到众多科研及应用领域，并重构了诸多范式，而这自然包括计算机音乐的生成。从业界看，2012年剑桥的Jukedeck、2014年纽约的Amper Music、2016年卢森堡和伦敦的Aiva等一批基于深度学习的计算机音乐公司如雨后春笋般冒出，并茁壮成长，特别是Aiva研发的人工智能虚拟作曲者已获得多个国家作曲家协会的认证资质，并发表了具有独立版权的《创世纪》专辑正欲通过计算机音乐生成领域的“图灵测试”。

而对计算机音乐进行塑造（即进行计算机音乐传播讯息和计算机音乐传播媒介的生成）来定向改变传播受众的感受、认知、情感、态度和行为（即达成传播需求），是计算机音乐领域的塑造传播。智能融合为其带来了全新可能，具体体现在如下的5W传播模型中的传播讯息和传播媒介这两大传播要素：

第一，传播讯息生成中的智能融合——计算机音乐作品，是计算机音乐塑造传播的传播讯息。如何能够持续产生饱含全新、丰富且在水平之上的巧思创意的各式作品，以供传播者根据传播需求进行择选，是传播讯息生成的基础需求。如前所述，基于深度学习的计算机音乐生成恰如佛家修学中的“正门”，需要统计大数据或小样本数据的支撑。机器学习素材的高低决定了其生成作品之变化万般及水平高下的上限。在素材择选方面恰恰是人类智能的用武之地。而在人工智能完成了计算机音乐深度生成模型的建构后，不同的动机输入会直接带来不同的作品输出。在动机输入方面亦可进行人类智能与人工智能的智能融合：一方面，人工智能可以通过随机这一其独有的生成动机提供诸多的可能性；另一方面，跳脱自身惯性思维定式的人类智能则可以同时提供超越随机的想象力动机输入。这当中，智能通感[24]的研究是当前的主要抓手。即，将音乐之外、基于眼、耳、鼻、舌、身的各种感官的模式作为素材，用于启发并转化生成计算机音乐作品。

第二，传播媒介建构中的智能融合——传统音乐作品的呈现是线性的，在时间的维度上从头奏响到尾。而计算机音乐作品本身就是一个非线性（non-linear）的新媒体系统，可以根据其当前自身状态以及与之交互的用户之输入，实时动态地调整自身的声响。此传播媒介的建构依靠人类智能，其运行由人工智能掌控，其输入由人类智能（用户交互）和人工智能（新媒体系统的当前状态）共同提供。

此外，传播效果衡量中也可以进行智能融合。塑造传播的目标对象是传播受众，根本目的在于定向改变受众的感受、认知、情绪、态度和行为，因此计算机音乐塑造传播的判别在本质上需秉承以人为本的评判标度，传播受众应提供计算机音乐塑造传播成功与否的判别标准。然而，单纯依靠人类智能很难同时在判别的数量和质量、效果和效率上始终保持较高水平，这就需要与人工智能形成合力。一方面，受众在聆听到和倾听过计算机音乐作品后感受、认知、情感、态度、行为的变化都不易实时准确地被人类智能测量，而借助21世纪头10年移动互联网时代建立起的、以智能移动设备为典型节点的物联网传感器网络，通过运用普适计算（ubiquitous computing）工具，受众当前自身的状态及其所处的情境（context）皆可被传感、被计算、被推断。换而言之，计算机音乐塑造传播的传播效果可被人工智能监测。另一方面传播受众可以运用人类智能进行主动反馈。然而，面对层出不穷的计算机音乐传播讯息，传播受众无法连续不断地提供判别。两种智能融合模式恰可以很好地解决此问题：一是运用人工智能建构众筹模式，将计算机音乐塑造传播的判别任务优化地分发给多人承担，充分发挥人类智能集群的功用；二是运用深度机器学习，用传播受众过往依靠人类智能进行的评判行为，训练一个监督式人工神经网络模型，再以此人工智能模型提供判别功能。(www.xing528.com)

在处理传播效果的反馈上，传统音乐人通常需要在充分掌握传播学前期研究建立起的、音乐创制的各种讯息和媒介的选项与其可能产生的不同传播效果的因果关系之后，才能根据受众反馈，运用其自身的人类智能调整其作品；而借助智能融合，上述传播效果的反馈可以直接以数据的形式作为新的输入维度，加入算法作曲工具的运算之中。借力于人工智能的机器学习，可实现计算机音乐塑造之于传播效果的自适应（self-adaptiveness）。

基于人工智能研究和实践的不同流派，图2.2.1展示了基于人类智能分别与三种人工智能流派进行智能融合产生的三类计算机音乐塑造传播模式的体系架构。图2.2.1（a）则展示了迪恩·巴伦德提出的经典交易式传播模型（transactional model），与图2.2.1（b）、图2.2.1（c）、图2.2.1（d）的三大体系架构形成对照。

图2.2.1　智能融合计算机音乐塑造传播模式的三类体系架构

图2.2.1（b）基于种群进化这一仿生隐喻，运用人工智能进化计算流派中的遗传算法[25]建构智能融合音乐塑造传播的讯息种群进化模式。智能融合系统生成的全部音乐传播讯息被视为一个种群。该种群是否适应自然环境由其产生的传播效果是否适应传播需求判别。依此标准建构的适配函数将提供相应的适配度值作为反馈，对讯息种群进行自然选择。赢得生存斗争的音乐传播讯息将获得继续生存和繁殖的机会，其基因在繁衍中产生新的重组和突变，生成下一代讯息种群。在不断迭代的过程中，音乐传播讯息种群朝着适应传播需求的方向不断进化。讯息种群进化模式的可行性在前期研究[26]中已被证实。

图2.2.1（c）运用机器学习中除去监督式和非监督式机器学习之外的第三大流派强化学习[27]建构智能融合音乐塑造传播的强化学习模式。智能融合系统被视为一个智能体（agent），其作用的对象正是传播环境。其根据环境当前的状态，生成相应的音乐塑造传播行为，传播环境亦在随后对智能体的行为进行基于传播效果的判别，并以激励值的形式为其提供反馈。强化学习的目的即通过迭代的机器学习，寻找到最优的音乐塑造传播行为生成策略，以最大化整个传播过程中激励值累加之和的统计期望，提升智能融合系统进行音乐塑造传播的能力。强化学习模式的可行性在前期研究[28]中已被证实。

图2.2.1（d）运用当前取得重大突破的非监督式与监督式机器学习融合流派中的GAN深度生成模型[29]，建构智能融合音乐塑造传播的生成对抗网络模式。音乐人生成的人类智能音乐传播讯息及其传播效果，与生成模块运用动机输入生成的人工智能音乐传播讯息及其传播效果一起被用来训练判别模块，以建构传播讯息映射到传播需求满足度的高维函数。训练好的判别模块将为生成模块的参数调节提供反馈，指引其进化。而进化完毕的人工智能生成模块又继续与人类智能生成模块一起训练新的判别模块，如此持续迭代，不断升级智能融合音乐塑造传播的生成与判别水平。生成对抗网络模式的可行性在前期研究[30]中已被证实。

可以发现，上述建构的智能融合计算机音乐塑造传播模式的三类体系架构皆包含生成（G）、判别（D）、反馈（F）、迭代（I）四大模块。这与传统音乐塑造传播的GDFI四大模块循环往复、递进优化的核心流程逻辑一致。必须指出的是，并不是所有的人工智能都可以运用于计算机音乐塑造传播的智能融合之中，相应的人工智能需具备以下四种能力：

一是时序处理的能力。无论是传统线性音乐还是新媒体非线性音乐，其都需要在时间的维度上开展绽放。具备生成或判别时序模式的能力是选择此深度学习模型（如RNN、LSTM等）的必要条件。

二是融汇创新的能力。一些深度学习模型（如VAE等）容易出现“优秀的艺术家复制”（good artists copy）的问题，即其生成的作品只是其学习之前作品的特征的线性组合。换而言之，存在“抄袭”的问题。而另一些深度学习模型（如GAN等）则能够到达“伟大的艺术家偷取”（great artists steal）的境界，即对之前作品进行融会贯通的学习，并生成源之于斯又不同于斯的全新作品。计算机音乐塑造传播宜选择后者。

三是异步迁移的能力。随着智能移动设备的计算与储存能力的不断提升、云计算虚拟化的优化整合以及机器学习算法的不断精进，人工智能的移动化是必将到来的现实，同时也是计算机音乐塑造传播的有效助力。具备异步迁移学习能力的深度学习模型可以随时通过将在异地已充分训练好的深度模型与本地模型相融合，提高人工智能的提升效率。

四是增强学习的能力。计算机音乐塑造传播中，受众的反馈是生成链接和判别模块的关键。深度机器学习模型需要拥有能够根据此反馈进行自我调整进化提升的能力。强化深度学习即其中的重要分支。

在人工智能的发展产生质的飞跃的新形势下，计算机音乐塑造传播的智能融合需要人类智能也做出相应的努力。具体而言，在人类智能与人工智能的智能融合系统中，计算机音乐塑造传播者所需演绎的角色较以往传统的音乐塑造传播者相比发生了翻天覆地的变化：计算机音乐塑造传播者需要建构智能融合系统的运行流程与逻辑。这既需要其对计算机深度学习模型有深入的理解（即科技），又需要其拥有音乐创作制作的经验积累（即艺术），更需要其具备传播学的知识储备和开拓意识（即人文社科），是一项融汇三大领域的跨学科工作。在这三者当中，传播学因其能够揭示音乐塑造传播产生传播效果之功用的原理与规律，可起到举足轻重的指引作用。基于此原理与规律建构出的系统运行流程与逻辑，往往可以形成有效高效的解决方案。