通勤時“聽”新聞，休息時“看”圖文，晚上回家“刷”新聞視頻。同一個核心內(nèi)容在不同形態(tài)間自由切換，讀取適合場景的新聞。生成式人工智能正在助力新聞進入“液態(tài)內(nèi)容”階段。這不僅是分發(fā)方式的變化，也意味著新聞內(nèi)容本身開始具備動態(tài)重組的能力。

2026年初，英國牛津大學路透新聞研究所發(fā)布《新聞、媒體與技術(shù)趨勢與預(yù)測》報告（后稱報告），報告將“液態(tài)內(nèi)容”“答案引擎優(yōu)化”等列為年度趨勢詞匯。而在芬蘭廣播公司戰(zhàn)略主管拉赫科寧看來，新聞個性化正在進入第二階段，而這一階段的核心特征，正是液態(tài)內(nèi)容。

報告原文截圖

升級版“我的日報”

過去十年，我的日報（the Daily Me）幾乎成為新聞個性化的代名詞。這個詞匯最初由麻省理工學院媒體實驗室的創(chuàng)始人尼葛洛龐蒂提出，指的是“為個人興趣而量身定制的虛擬日報”。抖音和今日頭條的算法推送，各大平臺的“猜你喜歡”，在一定程度上都屬于我的日報的應(yīng)用版本。這一階段的個性化，主要是“把不同內(nèi)容推給不同的人”。

芬蘭廣播公司戰(zhàn)略主管米卡·拉赫科寧（Mika Rahkonen）回憶道：

芬蘭廣播公司在近10年前構(gòu)建首個個性化新聞應(yīng)用Newswatch時，團隊就意識到：基于主題內(nèi)容的個性化只是第一階段，形式、結(jié)構(gòu)和長度也需要遵循同樣的理念。

隨著生成式人工智能深入新聞編輯部，“我的日報”正在被重新定義，未來的新聞服務(wù)，可能結(jié)合讀者的場景、時間和知識背景，動態(tài)匹配更合適的信息形態(tài)。

- 你此刻身處什么場景？是在通勤途中、工作間隙，還是在辦公室？

- 你愿意花多少時間來接收信息？是想看一份4分鐘即可讀完的速覽，還是希望獲取一份需要40分鐘閱讀的深度內(nèi)容？

- 你對這一議題已經(jīng)了解多少？是第一次接觸、需要必要的背景介紹，還是已經(jīng)讀過多篇相關(guān)報道，希望獲得更深入、更直接的回答？

在這樣的邏輯下，新聞內(nèi)容本身會隨著場景和認知差異而被重新組織：

開車時，系統(tǒng)可以提供音頻簡報；午休時，推送圖文摘要；晚上，則給出更完整的視頻解讀。對背景陌生的讀者，系統(tǒng)可以自動補足“前情提要”；而對已熟悉議題的讀者，則可以直接提供更短、更聚焦的更新版本。

這正是新聞個性化服務(wù)的第二階段，其關(guān)鍵支撐便是液態(tài)內(nèi)容生產(chǎn)。

什么是“液態(tài)內(nèi)容”？

路透研究院的報告中將液態(tài)內(nèi)容定義為“非靜態(tài)的內(nèi)容或故事，它能根據(jù)讀者所處的場景、位置、時間或互動方式實時變化”。如果說過去的個性化主要發(fā)生在推薦層面，那么液態(tài)內(nèi)容意味著：變化開始進入內(nèi)容本身。

生產(chǎn)：從文章到內(nèi)容單元

內(nèi)容要流動，首先就必須要能夠被拆解，媒體將逐步轉(zhuǎn)向生產(chǎn)“原子化的內(nèi)容單元”。

原子化的內(nèi)容單元是指將一篇報道拆解為可被AI識別、調(diào)用和重組的基本元素，如事實、數(shù)據(jù)、引語、時間線等，并將這些元素分別獨立存儲，而不是固定嵌入一篇完整的文章之中。從這個意義上說，液態(tài)內(nèi)容也可以理解為內(nèi)容的數(shù)據(jù)化：報道中的關(guān)鍵要素被轉(zhuǎn)化為獨立的數(shù)據(jù)單元，進入媒體數(shù)據(jù)庫，供系統(tǒng)后續(xù)按需調(diào)用和重新組合。當用戶發(fā)出請求時，AI再根據(jù)具體需求，將這些內(nèi)容單元實時組裝成更合適的形態(tài)。在這種生產(chǎn)邏輯下，記者交付的不再只是“一篇稿子”，而是一組可以持續(xù)復(fù)用的知識單元。

德國鮑爾傳媒（Bauer Media）首席產(chǎn)品官馬塞爾·澤姆勒（Marcel Semmler）表示：

“傳統(tǒng)出版商將內(nèi)容視為成品——文章、視頻、故事。液態(tài)內(nèi)容則將其視為可以液態(tài)傳輸?shù)讲煌袷?、平臺和界面的結(jié)構(gòu)化知識。”

分發(fā)：多模態(tài)內(nèi)容轉(zhuǎn)化

而借助Seedance、智能體等AI工具，同一組事實內(nèi)容可以根據(jù)當下場景生成最適合的分發(fā)形態(tài)，比如同一個內(nèi)容可以生成5分鐘音頻播客、圖文摘要卡片、15分鐘解說視頻或數(shù)據(jù)可視化圖表。

讀者感受到的是“聽”一篇文章，“看”一期播客，“讀”一段視頻。形式不再鎖死內(nèi)容。這正是芬蘭廣播公司所暢想的“同一素材，不同平臺”，這家公共廣播機構(gòu)多年來用同一素材制作電視和廣播新聞，AI的介入讓這一模式從“人工二次加工”升級為“系統(tǒng)自動適配”，成本大幅降低。

普利策新聞獎得主加里·皮埃爾-皮埃爾（Garry Pierre-Pierre）表示：

“2026年，將有更多新聞機構(gòu)意識到，人們并不總是需要一篇文章，有時候，他們只是需要把事情講清楚（People don’t always want an article. Sometimes they just want clarity）。

液態(tài)內(nèi)容生產(chǎn)正在成為現(xiàn)實

如果說“液態(tài)內(nèi)容”還是一個相對新的概念，那么過去一年涌現(xiàn)的一批產(chǎn)品和平臺，已經(jīng)讓它從想象逐漸走向現(xiàn)實。這些探索都未必成熟，但它確實提供了一些演化方向。

從文字到音視頻

第一個演化面向，是將文字內(nèi)容轉(zhuǎn)化為音頻與視頻。

在文字轉(zhuǎn)音頻方面，美國《華盛頓郵報》已在其App中推出AI驅(qū)動的音頻產(chǎn)品。郵報自稱產(chǎn)品以記者當天采寫的新聞為素材庫，圍繞讀者關(guān)注的話題，自動生成由AI主持人以對話形式呈現(xiàn)的個性化播客。讀者可以自定義主題、主持風格和時長，從而實現(xiàn)“千人千面”的音頻分發(fā)。后續(xù)，該產(chǎn)品還計劃增加“暫停提問”功能，使讀者能夠在收聽過程中隨時向AI主持人追問更多背景信息。《華盛頓郵報》認為，這并不是對傳統(tǒng)播客的替代，而是一種“拓展型產(chǎn)品”。它試圖將新聞報道延伸到核心受眾之外的“新類別”讀者，使傳統(tǒng)新聞文章能夠迅速“流動”為滿足不同需求的個性化音頻內(nèi)容。

《華盛頓郵報》推出的“個性化播客（Personalized podcast）”界面

騰訊混元也推出了交互式AI播客。其工具介紹中提到，讀者在收聽過程中可以隨時打斷播報，并通過語音或文字提問，由AI實時回應(yīng)。文本、網(wǎng)頁和文檔等內(nèi)容也都可以一鍵轉(zhuǎn)化為雙人對談式音頻。

在文字轉(zhuǎn)視頻方面，文生視頻也正在逐步進入新聞生產(chǎn)流程。例如，澎湃新聞“派生萬物 SUPAI”平臺已實現(xiàn)文章轉(zhuǎn)視頻、數(shù)字人播報、自動配音和智能剪輯等功能。記者上傳一篇文字報道后，AI能在幾分鐘內(nèi)生成適配短視頻平臺傳播的豎版視頻。

派生萬物文章轉(zhuǎn)視頻功能

從自然語言到可視化圖表

AI也在改變數(shù)據(jù)新聞和可視化的生產(chǎn)方式。英國《金融時報》透露其正在探索從數(shù)據(jù)到圖表的自動轉(zhuǎn)化。按其描述，記者只需用自然語言輸入指令并上傳數(shù)據(jù)集，AI便可跳過復(fù)雜的編程過程，直接完成從“數(shù)據(jù)”到“可視化”的轉(zhuǎn)換。人民日報社的“智媒引擎”也對外展示出類似的能力。相關(guān)應(yīng)用可極大降低數(shù)據(jù)新聞與可視化內(nèi)容的生產(chǎn)門檻。

《金融時報》開發(fā)的AI可視化應(yīng)用示意圖

除了將自然語言文本直接轉(zhuǎn)化為可視化圖表，數(shù)據(jù)圖文的視頻化也逐漸成為國內(nèi)數(shù)據(jù)新聞生產(chǎn)的探索方向。在2026年全國兩會報道中，澎湃新聞美數(shù)課工作室借助大模型的文本向量化能力，對《政府工作報告》全文進行語義解析，識別出歷年政府報告中未出現(xiàn)的新詞，以及持續(xù)被提及的關(guān)鍵詞。與以往不同的是，美數(shù)課工作室還借助AI的幫助，將這篇數(shù)據(jù)分析稿件轉(zhuǎn)化成數(shù)據(jù)視頻，轉(zhuǎn)評贊破6000，傳播效率優(yōu)于傳統(tǒng)數(shù)據(jù)圖文稿件。

澎湃新聞·美數(shù)課利用大模型梳理2026年政府工作報告的高頻關(guān)聯(lián)詞

主創(chuàng)團隊認為：

數(shù)據(jù)新聞不再被綁定于某一種媒介形態(tài)，而是在圖文、視頻等表達之間自由遷移。AI的介入顯著降低了文風調(diào)節(jié)與視頻生產(chǎn)的門檻，一篇數(shù)據(jù)新聞，只要數(shù)據(jù)內(nèi)核扎實，這個內(nèi)容就可以被“變形”，在不同平臺上被更多人看到。

內(nèi)容層次的流動

更接近未來新聞內(nèi)容演化方向的不只是內(nèi)容形式的簡單流動，更是基于讀者知識背景，對內(nèi)容形式與信息層次進行同步轉(zhuǎn)換。一款名為Particle的應(yīng)用已經(jīng)在嘗試相關(guān)實踐。嚴格來說，Particle并不是一個新聞生產(chǎn)工具，而更像是一個“新聞組織”工具。它能夠?qū)⒎稚⒃诓煌襟w中的相關(guān)報道重新組織為一個較為完整的“故事”，并在同一頁面中呈現(xiàn)事件的多個視角、關(guān)鍵引語與背景脈絡(luò)。

真正使 Particle與“液態(tài)內(nèi)容”發(fā)生深度關(guān)聯(lián)的，是其于 2026 年 2 月上線的一項新功能——Podcast Clips（播客片段）。這一功能可以借助AI從海量播客內(nèi)容中自動識別并篩選出與特定新聞最相關(guān)的片段，再將其剪輯為數(shù)十秒的音頻。這意味著，讀者在閱讀某一事件的文字報道時，也可以同步聽到播客主持人對該事件的評論和解讀。

Particle推出的Podcast Clips界面

借助類似應(yīng)用，芬蘭廣播公司新聞實驗室負責人尤卡·尼瓦（Jukka Niva）提出了一個頗具啟發(fā)性的前景：

假設(shè)一位讀者已經(jīng)閱讀過大量關(guān)于烏克蘭戰(zhàn)爭的報道，那么當新的事件發(fā)生時，AI可以推送一個較短的更新信息版本；而對于另一位幾乎沒有相關(guān)知識儲備的讀者，系統(tǒng)則會提供一個包含戰(zhàn)爭起因、發(fā)展時間線等背景信息的較長的完整版本。

此時新聞分發(fā)的邏輯已不再是“推薦什么內(nèi)容”，而是“面對同一事件，不同讀者會看到深度不同、結(jié)構(gòu)不同的內(nèi)容版本”。換言之，流動的不只是分發(fā)路徑，更是內(nèi)容本身。

液態(tài)內(nèi)容需要生產(chǎn)端革新

要實現(xiàn)內(nèi)容的流動，內(nèi)容首先必須是結(jié)構(gòu)化的。如果內(nèi)容始終以非結(jié)構(gòu)化形態(tài)存在，例如一段幾十分鐘的采訪錄音、一個沒有字幕的視頻、一堆散亂的照片，那么AI就無法理解它，也無法將其變形。

因此，液態(tài)內(nèi)容生產(chǎn)需要生產(chǎn)端基礎(chǔ)設(shè)施升級。換句話說，前端的內(nèi)容流動，依賴的是后端的內(nèi)容資產(chǎn)系統(tǒng)、數(shù)據(jù)庫和檢索能力的升級。

實現(xiàn)音視頻跨模態(tài)檢索

以往記者常常對海量音視頻顯得無力處理，因其音畫不同步或文稿缺失，常難以檢索，海量音視頻因此常耗費數(shù)月時間才能轉(zhuǎn)化為有用的內(nèi)容，搜索引擎也無法根據(jù)關(guān)鍵詞檢索音視頻內(nèi)容。而跨模態(tài)檢索技術(shù)正在改變這一現(xiàn)狀。

長江日報社推出的“長江數(shù)智媒資一體化能力平臺”提供了一個解決方案。按其介紹，當編輯或記者輸入一段文字描述時，如“尋找武漢櫻花盛開時的唯美視頻”，系統(tǒng)便通過技術(shù)理解文字含義，并對圖片、音頻、視頻等已有媒體資源進行聚類分析，定位到符合需求的視頻內(nèi)容。

長江日報社開發(fā)的“長江數(shù)智媒資一體化能力平臺”界面

CNN也正在“攻克部分視頻檔案的語義搜索”，讓制作人能瞬間找到海量素材中的關(guān)鍵畫面。

計算機視覺 AI 系統(tǒng) VFRAME信息處理示意圖

類似的應(yīng)用也出現(xiàn)在敘利亞沖突報道中。沖突期間，民間產(chǎn)生了數(shù)百萬條記錄現(xiàn)場情況的視頻和照片，單靠記者人工篩看幾乎不可能完成。為此，科技研究者亞當·哈維（Adam Harvey）開發(fā)了計算機視覺 AI 系統(tǒng) VFRAME，并與新聞?wù){(diào)查機構(gòu)“敘利亞檔案館”合作，訓練 AI 對 300 多萬個視頻進行“觀看”和識別，判斷畫面中是否出現(xiàn)特定類型的非法武器。

在處理完海量視覺信息后，AI 并不是簡單輸出圖像結(jié)果，而是進一步生成了一份結(jié)構(gòu)化文本表格，標注出關(guān)鍵信息，包括相關(guān)視頻的來源、具體出現(xiàn)于第幾分幾秒、對應(yīng)坐標位置以及識別出的武器類型。借助這份表格，記者得以在極短時間內(nèi)完成原本幾乎需要數(shù)十年才能處理完的素材篩查工作，并據(jù)此完成多篇深度調(diào)查報道，其中部分報道后來還被國際法庭作為審判證據(jù)采用。

這就是生產(chǎn)端流動，從非結(jié)構(gòu)化→結(jié)構(gòu)化→可調(diào)用→可變形。

風險：流動增加信任成本

液態(tài)內(nèi)容在賦能新聞的同時，也將帶來前所未有的挑戰(zhàn)。

首當其沖是深度偽造的跨模態(tài)內(nèi)容，其正成為事實核查的新難題，虛假的劇本驅(qū)動虛假的聲紋，再合成虛假的視頻，多重模態(tài)的造假讓真相甄別難上加難。在中東地緣沖突升級的背景下，大量關(guān)于戰(zhàn)區(qū)轟炸的深度偽造視頻在社交平臺傳播。這些視頻畫面真實感強、聲音匹配度高、傳播速度快，因此在真相核實之前，虛假視頻已經(jīng)獲得了數(shù)百萬次觀看。

AI生成的戰(zhàn)爭視頻

與此同時，AI摘要正在削弱新聞品牌的影響力。路透報告中也指出，當人們通過AI聊天機器人或社交媒體片段獲取碎片化信息時，他們往往失去了完整的新聞事實圖景。但也同時帶來了新的機會，“新聞機構(gòu)合理的做法是推動AI在后端效率的提升，以便將更多資源投入到一線新聞采編中，同時對前端應(yīng)用保持高度謹慎，因為公眾是警惕的，那么經(jīng)過人工核實的可信信息很可能會變得更加珍貴。”這恰恰說明，新聞液態(tài)內(nèi)容越普及，人工核查、新聞機構(gòu)的信譽和編輯判斷就越成為稀缺資源。

從“內(nèi)容生產(chǎn)”到“內(nèi)容資產(chǎn)運營”

當新聞走向液態(tài)，新聞生產(chǎn)的核心能力也在發(fā)生根本性遷移。

過去，新聞機構(gòu)的核心競爭力是“誰生產(chǎn)得快”。未來，核心競爭力是 “誰的內(nèi)容資產(chǎn)更結(jié)構(gòu)化、更可復(fù)用、更易流動”。而這也將導致媒體行業(yè)的經(jīng)濟模式隨之改變，從從前的“售賣版面/時段”轉(zhuǎn)向“售賣內(nèi)容資產(chǎn)使用權(quán)”。同一組事實內(nèi)核，可以同時服務(wù)于短視頻讀者、播客讀者、深度閱讀讀者，實現(xiàn)“一次生產(chǎn)、多次轉(zhuǎn)化”。

芬蘭廣播公司戰(zhàn)略主管米卡·拉赫科寧認為這是一種“成本效益非常高的方式”，AI讓規(guī)?；蔀榭赡?。而規(guī)?；⒖蓮?fù)制恰恰是商業(yè)化的前提。

黑客與記者組織（Hacks/Hackers）聯(lián)合創(chuàng)始人伯特·赫爾曼（Burt Herman）提出了更激進的預(yù)測：

“五年內(nèi)，新聞編輯室的每個人都將成為程序員。你不會再有內(nèi)容管理系統(tǒng)了。你需要為一個‘后網(wǎng)站’的世界做好準備，AI代理將成為主要的守門人?！?/span>

這并不意味著記者會被取代。恰恰相反：當內(nèi)容變成流體，事實的核實、敘事的邏輯、資產(chǎn)的運營——這些人類獨有的能力，將變得更加重要。

當然，當前常見的AI生成摘要、AI配圖、AI轉(zhuǎn)視頻，仍然更多停留在工具應(yīng)用層面。AI對新聞業(yè)更深的改變在于，它正在推動新聞從“固態(tài)產(chǎn)品”走向“液態(tài)內(nèi)容”，從“一次性成品”走向“內(nèi)容資產(chǎn)”。媒體不再只是“寫稿子的”，而是持續(xù)組織、維護和運營事實內(nèi)核的機構(gòu)。

執(zhí)筆：

未來新聞計劃

復(fù)旦大學新聞學院副教授 徐笛

澎湃新聞美數(shù)課工作室主理人 呂妍

復(fù)旦大學新聞學院研究生 謝澤圻 吳袁

主要參考文獻：

[1] Guaglione, S. (2026, January 28). WTF is liquid content? Digiday. https://digiday.com/media/wtf-is-liquid-content/

[2] Nash, A. (2025, February 11). What is “l(fā)iquid content” and why should we talk about it? INMA Newsroom Innovation Initiative Newsletter Blog. https://www.inma.org/blogs/newsroom-initiative-newsletter/post.cfm/what-is-liquid-content-and-why-should-we-talk-about-it

[3] Newman, N. (2026). Journalism, media, and technology trends and predictions 2026. Reuters Institute for the Study of Journalism. https://reutersinstitute.politics.ox.ac.uk/journalism-media-and-technology-trends-and-predictions-2026