复旦大学新闻学院 X 澎湃新闻美数课工作室

　　通勤时“听”新闻，休息时“看”图文，晚上回家“刷”新闻视频。同一个核心内容在不同形态间自由切换，读取适合场景的新闻。生成式人工智能正在助力新闻进入“液态内容”阶段。这不仅是分发方式的变化，也意味着新闻内容本身开始具备动态重组的能力。

　　2026年初，英国牛津大学路透新闻研究所发布《新闻、媒体与技术趋势与预测》报告（后称报告），报告将“液态内容”“答案引擎优化”等列为年度趋势词汇。而在芬兰广播公司战略主管拉赫科宁看来，新闻个性化正在进入第二阶段，而这一阶段的核心特征，正是液态内容。

　　报告原文截图

　　升级版“我的日报”

　　过去十年，我的日报（the Daily Me）几乎成为新闻个性化的代名词。这个词汇最初由麻省理工学院媒体实验室的创始人尼葛洛庞蒂提出，指的是“为个人兴趣而量身定制的虚拟日报”。抖音和今日头条的算法推送，各大平台的“猜你喜欢”，在一定程度上都属于我的日报的应用版本。这一阶段的个性化，主要是“把不同内容推给不同的人”。

　　芬兰广播公司战略主管米卡·拉赫科宁（Mika Rahkonen）回忆道：

　　芬兰广播公司在近10年前构建首个个性化新闻应用Newswatch时，团队就意识到：基于主题内容的个性化只是第一阶段，形式、结构和长度也需要遵循同样的理念。

　　随着生成式人工智能深入新闻编辑部，“我的日报”正在被重新定义，未来的新闻服务，可能结合读者的场景、时间和知识背景，动态匹配更合适的信息形态。

　　- 你此刻身处什么场景？是在通勤途中、工作间隙，还是在办公室？

　　- 你愿意花多少时间来接收信息？是想看一份4分钟即可读完的速览，还是希望获取一份需要40分钟阅读的深度内容？

　　- 你对这一议题已经了解多少？是第一次接触、需要必要的背景介绍，还是已经读过多篇相关报道，希望获得更深入、更直接的回答？

　　在这样的逻辑下，新闻内容本身会随着场景和认知差异而被重新组织：

　　开车时，系统可以提供音频简报；午休时，推送图文摘要；晚上，则给出更完整的视频解读。对背景陌生的读者，系统可以自动补足“前情提要”；而对已熟悉议题的读者，则可以直接提供更短、更聚焦的更新版本。

　　这正是新闻个性化服务的第二阶段，其关键支撑便是液态内容生产。

　　什么是“液态内容”？

　　路透研究院的报告中将液态内容定义为“非静态的内容或故事，它能根据读者所处的场景、位置、时间或互动方式实时变化”。如果说过去的个性化主要发生在推荐层面，那么液态内容意味着：变化开始进入内容本身。

　　生产：从文章到内容单元

　　内容要流动，首先就必须要能够被拆解，媒体将逐步转向生产“原子化的内容单元”。

　　原子化的内容单元是指将一篇报道拆解为可被AI识别、调用和重组的基本元素，如事实、数据、引语、时间线等，并将这些元素分别独立存储，而不是固定嵌入一篇完整的文章之中。从这个意义上说，液态内容也可以理解为内容的数据化：报道中的关键要素被转化为独立的数据单元，进入媒体数据库，供系统后续按需调用和重新组合。当用户发出请求时，AI再根据具体需求，将这些内容单元实时组装成更合适的形态。在这种生产逻辑下，记者交付的不再只是“一篇稿子”，而是一组可以持续复用的知识单元。

　　德国鲍尔传媒（Bauer Media）首席产品官马塞尔·泽姆勒（Marcel Semmler）表示：

　　“传统出版商将内容视为成品——文章、视频、故事。液态内容则将其视为可以液态传输到不同格式、平台和界面的结构化知识。”

　　分发：多模态内容转化

　　而借助Seedance、智能体等AI工具，同一组事实内容可以根据当下场景生成最适合的分发形态，比如同一个内容可以生成5分钟音频播客、图文摘要卡片、15分钟解说视频或数据可视化图表。

　　读者感受到的是“听”一篇文章，“看”一期播客，“读”一段视频。形式不再锁死内容。这正是芬兰广播公司所畅想的“同一素材，不同平台”，这家公共广播机构多年来用同一素材制作电视和广播新闻，AI的介入让这一模式从“人工二次加工”升级为“系统自动适配”，成本大幅降低。

　　普利策新闻奖得主加里·皮埃尔-皮埃尔（Garry Pierre-Pierre）表示：

　　“2026年，将有更多新闻机构意识到，人们并不总是需要一篇文章，有时候，他们只是需要把事情讲清楚（People don’t always want an article. Sometimes they just want clarity）。

　　液态内容生产正在成为现实

　　如果说“液态内容”还是一个相对新的概念，那么过去一年涌现的一批产品和平台，已经让它从想象逐渐走向现实。这些探索都未必成熟，但它确实提供了一些演化方向。

　　从文字到音视频

　　第一个演化面向，是将文字内容转化为音频与视频。

　　在文字转音频方面，美国《华盛顿邮报》已在其App中推出AI驱动的音频产品。邮报自称产品以记者当天采写的新闻为素材库，围绕读者关注的话题，自动生成由AI主持人以对话形式呈现的个性化播客。读者可以自定义主题、主持风格和时长，从而实现“千人千面”的音频分发。后续，该产品还计划增加“暂停提问”功能，使读者能够在收听过程中随时向AI主持人追问更多背景信息。《华盛顿邮报》认为，这并不是对传统播客的替代，而是一种“拓展型产品”。它试图将新闻报道延伸到核心受众之外的“新类别”读者，使传统新闻文章能够迅速“流动”为满足不同需求的个性化音频内容。

　　《华盛顿邮报》推出的“个性化播客（Personalized podcast）”界面

　　腾讯混元也推出了交互式AI播客。其工具介绍中提到，读者在收听过程中可以随时打断播报，并通过语音或文字提问，由AI实时回应。文本、网页和文档等内容也都可以一键转化为双人对谈式音频。

　　在文字转视频方面，文生视频也正在逐步进入新闻生产流程。例如，澎湃新闻“派生万物 SUPAI”平台已实现文章转视频、数字人播报、自动配音和智能剪辑等功能。记者上传一篇文字报道后，AI能在几分钟内生成适配短视频平台传播的竖版视频。

　　派生万物文章转视频功能

　　从自然语言到可视化图表

　　AI也在改变数据新闻和可视化的生产方式。英国《金融时报》透露其正在探索从数据到图表的自动转化。按其描述，记者只需用自然语言输入指令并上传数据集，AI便可跳过复杂的编程过程，直接完成从“数据”到“可视化”的转换。人民日报社的“智媒引擎”也对外展示出类似的能力。相关应用可极大降低数据新闻与可视化内容的生产门槛。

　　《金融时报》开发的AI可视化应用示意图

　　除了将自然语言文本直接转化为可视化图表，数据图文的视频化也逐渐成为国内数据新闻生产的探索方向。在2026年全国两会报道中，澎湃新闻美数课工作室借助大模型的文本向量化能力，对《政府工作报告》全文进行语义解析，识别出历年政府报告中未出现的新词，以及持续被提及的关键词。与以往不同的是，美数课工作室还借助AI的帮助，将这篇数据分析稿件转化成数据视频，转评赞破6000，传播效率优于传统数据图文稿件。

　　澎湃新闻·美数课利用大模型梳理2026年政府工作报告的高频关联词

　　主创团队认为：

　　数据新闻不再被绑定于某一种媒介形态，而是在图文、视频等表达之间自由迁移。AI的介入显著降低了文风调节与视频生产的门槛，一篇数据新闻，只要数据内核扎实，这个内容就可以被“变形”，在不同平台上被更多人看到。

　　内容层次的流动

　　更接近未来新闻内容演化方向的不只是内容形式的简单流动，更是基于读者知识背景，对内容形式与信息层次进行同步转换。一款名为Particle的应用已经在尝试相关实践。严格来说，Particle并不是一个新闻生产工具，而更像是一个“新闻组织”工具。它能够将分散在不同媒体中的相关报道重新组织为一个较为完整的“故事”，并在同一页面中呈现事件的多个视角、关键引语与背景脉络。

　　真正使 Particle与“液态内容”发生深度关联的，是其于 2026 年 2 月上线的一项新功能——Podcast Clips（播客片段）。这一功能可以借助AI从海量播客内容中自动识别并筛选出与特定新闻最相关的片段，再将其剪辑为数十秒的音频。这意味着，读者在阅读某一事件的文字报道时，也可以同步听到播客主持人对该事件的评论和解读。

　　Particle推出的Podcast Clips界面

　　借助类似应用，芬兰广播公司新闻实验室负责人尤卡·尼瓦（Jukka Niva）提出了一个颇具启发性的前景：

　　假设一位读者已经阅读过大量关于乌克兰战争的报道，那么当新的事件发生时，AI可以推送一个较短的更新信息版本；而对于另一位几乎没有相关知识储备的读者，系统则会提供一个包含战争起因、发展时间线等背景信息的较长的完整版本。

　　此时新闻分发的逻辑已不再是“推荐什么内容”，而是“面对同一事件，不同读者会看到深度不同、结构不同的内容版本”。换言之，流动的不只是分发路径，更是内容本身。

　　液态内容需要生产端革新

　　要实现内容的流动，内容首先必须是结构化的。如果内容始终以非结构化形态存在，例如一段几十分钟的采访录音、一个没有字幕的视频、一堆散乱的照片，那么AI就无法理解它，也无法将其变形。

　　因此，液态内容生产需要生产端基础设施升级。换句话说，前端的内容流动，依赖的是后端的内容资产系统、数据库和检索能力的升级。

　　实现音视频跨模态检索

　　以往记者常常对海量音视频显得无力处理，因其音画不同步或文稿缺失，常难以检索，海量音视频因此常耗费数月时间才能转化为有用的内容，搜索引擎也无法根据关键词检索音视频内容。而跨模态检索技术正在改变这一现状。

　　长江日报社推出的“长江数智媒资一体化能力平台”提供了一个解决方案。按其介绍，当编辑或记者输入一段文字描述时，如“寻找武汉樱花盛开时的唯美视频”，系统便通过技术理解文字含义，并对图片、音频、视频等已有媒体资源进行聚类分析，定位到符合需求的视频内容。

　　长江日报社开发的“长江数智媒资一体化能力平台”界面

　　CNN也正在“攻克部分视频档案的语义搜索”，让制作人能瞬间找到海量素材中的关键画面。

　　计算机视觉 AI 系统 VFRAME信息处理示意图

　　类似的应用也出现在叙利亚冲突报道中。冲突期间，民间产生了数百万条记录现场情况的视频和照片，单靠记者人工筛看几乎不可能完成。为此，科技研究者亚当·哈维（Adam Harvey）开发了计算机视觉 AI 系统 VFRAME，并与新闻调查机构“叙利亚档案馆”合作，训练 AI 对 300 多万个视频进行“观看”和识别，判断画面中是否出现特定类型的非法武器。

　　在处理完海量视觉信息后，AI 并不是简单输出图像结果，而是进一步生成了一份结构化文本表格，标注出关键信息，包括相关视频的来源、具体出现于第几分几秒、对应坐标位置以及识别出的武器类型。借助这份表格，记者得以在极短时间内完成原本几乎需要数十年才能处理完的素材筛查工作，并据此完成多篇深度调查报道，其中部分报道后来还被国际法庭作为审判证据采用。

　　这就是生产端流动，从非结构化→结构化→可调用→可变形。

　　风险：流动增加信任成本

　　液态内容在赋能新闻的同时，也将带来前所未有的挑战。

　　首当其冲是深度伪造的跨模态内容，其正成为事实核查的新难题，虚假的剧本驱动虚假的声纹，再合成虚假的视频，多重模态的造假让真相甄别难上加难。在中东地缘冲突升级的背景下，大量关于战区轰炸的深度伪造视频在社交平台传播。这些视频画面真实感强、声音匹配度高、传播速度快，因此在真相核实之前，虚假视频已经获得了数百万次观看。

　　AI生成的战争视频

　　与此同时，AI摘要正在削弱新闻品牌的影响力。路透报告中也指出，当人们通过AI聊天机器人或社交媒体片段获取碎片化信息时，他们往往失去了完整的新闻事实图景。但也同时带来了新的机会，“新闻机构合理的做法是推动AI在后端效率的提升，以便将更多资源投入到一线新闻采编中，同时对前端应用保持高度谨慎，因为公众是警惕的，那么经过人工核实的可信信息很可能会变得更加珍贵。”这恰恰说明，新闻液态内容越普及，人工核查、新闻机构的信誉和编辑判断就越成为稀缺资源。

　　从“内容生产”到“内容资产运营”

　　当新闻走向液态，新闻生产的核心能力也在发生根本性迁移。

　　过去，新闻机构的核心竞争力是“谁生产得快”。未来，核心竞争力是 “谁的内容资产更结构化、更可复用、更易流动”。而这也将导致媒体行业的经济模式随之改变，从从前的“售卖版面/时段”转向“售卖内容资产使用权”。同一组事实内核，可以同时服务于短视频读者、播客读者、深度阅读读者，实现“一次生产、多次转化”。

　　芬兰广播公司战略主管米卡·拉赫科宁认为这是一种“成本效益非常高的方式”，AI让规模化成为可能。而规模化、可复制恰恰是商业化的前提。

　　黑客与记者组织（Hacks/Hackers）联合创始人伯特·赫尔曼（Burt Herman）提出了更激进的预测：

　　“五年内，新闻编辑室的每个人都将成为程序员。你不会再有内容管理系统了。你需要为一个‘后网站’的世界做好准备，AI代理将成为主要的守门人。”

　　这并不意味着记者会被取代。恰恰相反：当内容变成流体，事实的核实、叙事的逻辑、资产的运营——这些人类独有的能力，将变得更加重要。

　　当然，当前常见的AI生成摘要、AI配图、AI转视频，仍然更多停留在工具应用层面。AI对新闻业更深的改变在于，它正在推动新闻从“固态产品”走向“液态内容”，从“一次性成品”走向“内容资产”。媒体不再只是“写稿子的”，而是持续组织、维护和运营事实内核的机构。

　　执笔：

　　未来新闻计划

　　复旦大学新闻学院副教授 徐笛

　　澎湃新闻美数课工作室主理人 吕妍

　　复旦大学新闻学院研究生 谢泽圻 吴袁

　　主要参考文献：

　　[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 “liquid 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

　　本期编辑 邹姗

作者：澎湃新闻