AIGC賦能的科技情報智能服務：特征、場景與框架

劉逸倫　黃微　張曉君等

關鍵詞： 人工智能生成內容； ＡＩＧＣ； 科技情報； 智能服務； 服務框架

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．１２．００８

〔中圖分類號〕Ｇ２５０.２ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） １２－００８８－１２

在ＣｈａｔＧＰＴ 掀起的新一輪“ＡＩ 軍備競賽” 浪潮下， 人工智能生成內容（ＡＩ－Ｇｅｎｅｒａｔｅｄ Ｃｏｎｔｅｎｔ，ＡＩＧＣ）作為人工智能技術應用的前沿領域正迅速成為當前研究熱點。我國于２０２３ 年４ 月公布了《生成式人工智能服務管理辦法（征求意見稿）》， 在政策上明確支持對相關技術的自主創新、合作研究與推廣應用。在此背景之下， 科技情報服務應充分發揮“耳目、尖兵、參謀” 的歷史使命［１］ ， 時刻關注前沿技術， 抓住人工智能技術大發展的歷史性機遇，充分利用技術紅利解決自身發展當前面對的問題。

在科技情報服務相關研究中， 依據我國科技情報服務在不同發展階段的特征和特色， 我國科技情報服務已歷經情報１.０ 和情報２.０時代， 現已進入以“互聯網＋” 和智能服務為主旋律的情報３.０ 時代［２］ 。在此大背景下， 我國研究者開展了對新時代科技情報服務能力的相關研究， 文獻［３］提出了ＲＩ?ＡＣ 四層科技情報服務能力模型， 文獻［４］則在此基礎上構建了情報３.０ 下的科技情報服務能力評價指標體系。針對我國面對的新形勢和復雜環境， 相關文獻［５－７］對我國科技情報事業的發展指出了新的發展方向， 并對我國科技情報技術基礎建設和科技情報知識生態體系的構建進行了探究。隨著近年來人工智能相關技術的飛速發展， 有研究者對人工智能技術與我國情報工作的融合進行了理論性研究。文獻［８］探索了情報、智能與智慧三者間的關聯， 同時指出自然語言處理是科技情報工作者在未來重點關注的技術領域。此外， 文獻［９］基于情報是人腦做出的有價值的判斷這一核心概念， 針對未來可能出現的基于人工智能技術的情報判讀系統，明確了人工智能技術在情報工作中的應用依然是將“人的經驗納入情報工作”， 因而不會改變情報工作的本質。文獻［１０］通過總結ＡＩＧＣ 技術的演進，探討了ＧＰＴ 技術應用對開源情報工作帶來的影響。然而， 在科技情報研究領域， 目前我國對ＡＩＧＣ 技術與科技情報服務的融合研究尚處于起步階段。

基于以上研究， 我國科技情報服務進入“情報３.０” 時代， 既是網絡信息技術、大數據和人工智能技術發展到一定程度后的必然， 也是新技術與科技情報生產中各環節要素間相互作用、共同演進發展的結果［１１］ 。一方面， 新的技術環境帶來了傳統科技情報業務流程上的變化； 另一方面， 新需求的出現推動傳統科技情報機構進行服務功能拓展。具體表現在以下幾個方面： ①如何在復雜信息環境下保障信息獲取的全面性與數據的有效性［３，６，１１］ ；②如何高效地處理和分析海量多源異構數據［３，３６，１２］ ；③如何感知用戶需求并提供個性化情報服務［３，８，３６］ 。據此， 本文通過探索ＡＩＧＣ 的技術特征， 明確其技術賦能場景， 進而構建ＡＩＧＣ 賦能的科技情報智能服務框架， 以新技術的應用對以上問題的解決提供新思路， 推動我國科技情報服務向智能化發展， 更好地為打破外部技術封鎖、同步世界科技水平前沿和開展原創性科技創新提供基礎性支撐和保障［５］ 。

１人工智能生成內容（ＡＩＧＣ）的內核與特征

１.１人工智能生成內容（ＡＩＧＣ）

目前， 我國學術界對于人工智能生成內容（ＡＩＧＣ）的概念的界定主要從“內容生產者” 和“內容產生方式” 兩個角度出發。其中， ＡＩＧＣ 既是指代由機器（人工智能）作為內容生產者所產生的一類內容， 又代指一種內容生產的方式， 即智能內容自動生成相關技術的集合［１３］ 。從廣義上看，人工智能生成內容， 一般認為是相對于ＰＣＧ（專業生成內容）、ＵＣＧ（用戶生成內容）和ＡＩ－ＵＧＣ（ＡＩ輔助創作內容）而提出的概念。在此基礎上， ＡＩＧＣ可以看作是像人類一樣具備創造能力的內容生成式ＡＩ 技術， 即生成式ＡＩ。它可以通過數據訓練和算法模型自主生成并創造文本、圖像、音樂、視頻、３Ｄ 交互內容等各種形式的內容和數據。對此， 國際上通常稱之為“人工智能合成媒體（ＡＩ－ｇｅｎｅｒａ?ｔｅｄ Ｍｅｄｉａ／ Ｓｙｎｔｈｅｔｉｃ Ｍｅｄｉａ）”， 其定義為： 通過人工智能算法對數據或媒體進行生產、操控和修改的統稱。從技術組成上看， ＡＩＧＣ 由３ 個關鍵部分組成：數據、硬件和算法。

訓練數據可直接影響生成式ＡＩ的能力， 訓練數據越龐大、數據來源越豐富、數據形式越多樣，則生成式ＡＩ 所生成的內容越具備智慧性、專業性和時效性。算力支持則直接決定了生成式ＡＩ 的學習效率與生成式ＡＩ 對數據處理的效率， 本地硬件提供的算力越強， 則生成式ＡＩ 在進行大規模機器學習和深度學習時的效率越高。近年來， 隨著芯片技術與集成電路技術的飛速發展， 硬件運算設備也隨之快速迭代， 大規模機器學習的效率不斷提高。目前， 英偉達與２０２２ 年推出的５ 納米工藝的Ｈ１００－８０Ｇ ＳＸＭ５ ＧＰＵ， 其圖形處理單元的時脈速度已經達到１０６５ＭＨｚ， 相比于英偉達于２０１８ 年推出的Ｖ１００－１６Ｇ ＧＰＵ， 當二者同時用于ＢＥＲＴ 的大型推理運算時， Ｈ１００ 的運算效率達到了Ｖ１００ 的十倍以上［１４］ 。此外， 云計算技術的發展也進一步為機器學習提供了額外的算力保障， 通過云技術支持的ＧＰＵ 和ＴＰＵ 集群進一步增強大型數據訓練的效果。算法技術是ＡＩＧＣ 是否具備人類經驗與智慧的決定性因素。其中， Ｔｒａｎｓｆｏｒｍｅｒ 模型是許多先進算法模型的基礎， 它不僅應用于自然語言處理（ＮＬＰ）領域，也同時可被應用于對圖像、音頻等多模態數據進行的處理， 因此具備良好的多模態數據融合能力。作為一種神經網絡， 其最初用于彌補循環神經網絡（ＲＮＮ）在處理上下文關系感知上的不足導致的機器語言翻譯存在翻譯不準確問題。Ｔｒａｎｓｆｏｒｍｅｒ 具有獨特的自我關注機制， 使之可以直接計算任意兩個詞之間的相關性， 不再需要通過隱藏層進行傳遞，進而充分挖掘序列各節點之間的深度信息， 因此可以輕松地捕捉全局信息［１５］ 。此外， 區別于傳統的神經網絡， Ｔｒａｎｓｆｏｒｍｅｒ 模型中的自我注意力機制使之可以通過矩陣計算的并行化實現完全的并行計算，以便其進行大規模數據計算時更充分地利用ＧＰＵ算力資源， 強化模型的訓練和推理性能［１６］ 。此外，人類反饋強化學習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｒｏｍ Ｈｕ?ｍａｎ Ｆｅｅｄｂａｃｋ－ＲＬＦＨ）也是保障生成式ＡＩ 能夠提供真實的、有效的反饋內容的重要步驟。ＲＬＦＨ 作為一種機器學習的方法， 通過獨特的“獎勵與懲罰”信號機制， 使ＡＩ 能夠在人為設定的獎懲規則內，自行探索學習最合適的行為策略［１７］ 。ＲＬＨＦ 同樣具備廣泛的適用性， 能夠用于多種不同類型的任務， 如： 自然語言處理、圖像處理等， 其目前已經被應用于ＯｐｅｎＡＩ 開發的ＣｈａｔＧＰＴ 系列聊天機器人中。總結來說， 高性能硬件提供的充足算力、龐大的訓練數據和先進的算法模型是ＡＩＧＣ 技術進一步發展的必要基礎前提。

ＡＩＧＣ 技術包括以ＧＰＴ 技術為代表的諸多種類的內容生成式ＡＩ 技術。根據內容分類， ＡＩＧＣ 的技術體系可以分為ＡＩ 生成的自然語言技術、ＡＩ 生成的視覺內容技術和ＡＩ 生成的多模態內容技術三大類， 如表１ 所示。

從數據模態上看， ＡＩＧＣ 可以被分成單模態生成式ＡＩ 與多模態（跨模態）生成式ＡＩ， 如圖１ 所示。其中， ＡＩ 生成文字內容技術與ＡＩ 圖像處理技術可以被看作單模態內容生成模型（Ｕｎｉｍｏｄａｌ Ｍｏｄｅｌｓ）。這一類模型在設計時， 主要用于接收所輸入的特定模態的原始數據（文本、圖像等）， 并通過預測后以同樣模態的數據輸出結果。與之相對的則是ＡＩ的多模態及跨模態內容生成， 依托于多模態跨模態內容生成模型［３０］ ， 其中包括視覺—語言生成（Ｖｉ?ｓｉｏｎ Ｌａｎｇｕａｇｅ Ｇｅｎｅｒａｔｉｏｎ）、文本—音頻生成（ＴｅｘｔＡｕｄｉｏ Ｇｅｎｅｒａｔｉｏｎ）、文本—圖像生成（ Ｔｅｘｔ ＧｒａｐｈＧｅｎｅｒａｔｉｏｎ） 和文本—代碼生成（Ｔｅｘｔ Ｃｏｄｅ Ｇｅｎｅｒａ?ｔｉｏｎ）等。

１.２ ＡＩＧＣ 的技術優勢特征

綜合上文的分析和總結， ＡＩＧＣ 技術有著學習能力強、數據規模巨大、數據處理高效、人機智慧融合的顯著特征。

１.２.１大規模數據訓練

為了保障ＡＩ 生成內容的實用性、專業性和時效性， 對ＡＩ 進行大規模的數據訓練成為最佳途徑。目前， 在卷積神經網絡（ＣＮＮ）和Ｔｒａｎｓｆｏｒｍｅｒ 模型基礎上， 機器學習的規模已經突破億級。目前， 由ＯｐｅｎＡＩ 開發的世界首個大規模圖文多模態數據集ＬＡＩＯＮ－４００Ｍ 的數據量級已經達到４ 億個圖片—文本配對數據［３１］ 。百度開發的百度文心一言所應用的大規模訓練數據也已達到萬億級網頁數據、搜索數據和圖片數據以及５ ５００億的事實知識圖譜。２０２３ 年７ 月， Ｍｅｔａ 宣布推出ＣＭ３Ｌｅｏｎ 的人工智能（ＡＩ）多模態語言模型， 該模型通過數百萬張來自Ｓｈｕｔｔｅｒ?ｓｔｏｃｋ 的授權圖片進行預訓練， 參數高達７０ 億個，達到了ＯｐｅｎＡＩ 的ＥＡＬＬ－Ｅ２ 模型規模的兩倍以上［２８］ 。因此， 在目前技術條件下， ＡＩＧＣ 技術已經能夠支持多模態數據的大規模模型訓練， 經大規模數據訓練后的生成式ＡＩ 本身即可作為擁有巨大知識存量的ＡＩ 系統。

１.２.２多模態數據處理與內容生成能力

目前已有多種ＡＩＧＣ 技術產品支持多模態及跨模態的內容生成， 如ＯＰＥＮＡＩ 開發的ＧＰＴ－４ 和Ｍｅｔａ 推出的ＣＭ３Ｌｅｏｎ 等。使用者可通過自然語言向ＡＩ 輸入指令， 要求ＡＩ 根據指令和用戶提供的其他形態數據進行各類內容生成任務。例如， 由Ｍｅ?ｔａ 公司開發的ＣＭ３Ｌｅｏｎ 作為ＡＩ 發展史上首個單一模態模型， 可以依據文本生成圖像， 也可以為圖像生成文本描述， 并回答有關圖像內容的問題， 或根據文本指令編輯輸入的圖像［２８］ 。此外， 得益于算力與算法技術的發展， 生成式ＡＩ 在知識組織與挖掘方面表現出較大提高。在針對文獻的知識挖掘中，生成式ＡＩ 不再局限于簡單的標題、摘要或關鍵詞，而可以深入到文獻內容， 實現更細粒度的知識表達， 有利于語義知識的組織與表達。在行業應用中，生成式ＡＩ 已在多領域實現了多模態與跨模態融合的應用。如： 在影視制作領域， 生成式ＡＩ 發揮其創造力進行協同創作， 有助于特效制作與劇本改進；在教育領域， 生成式ＡＩ 可以將抽象的教科書文字內容轉換為具體的可視化的圖片、視頻、音頻等多種形式， 有利于增進學習體驗； 在工業生產和建筑領域， 生成式ＡＩ 可以將給定的數字幾何數據迅速轉化為基于物理環境的３Ｄ 模型， 為工業生產和建筑建設節省大量成本并提高工作效率。

１.２.３智慧交互能力

人工智能內容生成技術（ＡＩＧＣ）利用技術賦予機器部分人類思維能力， 以生成有價值內容。智慧性是ＡＩＧＣ 產生有價值內容的基礎， 具備人類思維與智慧交互能力是其發展趨勢。因此， “智慧性”是ＡＩ 能夠產生有價值內容的基礎要求， 具備人類思維認知并具備智慧交互的能力， 已經成為ＡＩＧＣ未來發展的必然趨勢［３２］ 。根據目前現有研究發現，大語言模型在語言理解推理、對話生成等多項任務上已經達到甚至超越了人類的平均水平［３３］ 。而在感情分析方面， ＣｈａｔＧＰＴ 在情感分析上有著高達８５％以上的準確率［３４］ 。目前， 生成式ＡＩ 已經具備語言翻譯、語義分析、智能推薦、智能問答、知識綜述、知識提煉的相關能力， 并且在部分行業領域的服務場景下已經展開了拓展應用。如ＣｈａｔＧＰＴ－４已開放其ＡＰＩ 端口， 應用程序可通過ＡＰＩ 接入進而為用戶提供多種內容生成服務； 微軟與谷歌也接連宣布在其Ｏｆｆｉｃｅ 系列軟件和谷歌郵箱服務中內置生成式ＡＩ， 為用戶提供寫作輔助、寫作建議、主題文稿自動生成、自動郵件回復、自動排序和摘要、圖片、聲音、音視頻會議筆記自動記錄等功能。

２ ＡＩＧＣ的技術賦能路徑、場景與工作模式

綜合上文所述， 本文認為： ＡＩＧＣ 技術“大數據” “多模態” “智慧交互” 的特性與我國科技情報服務目前亟待解決的問題和需求高度契合， 共同構成了基于技術—需求—場景的ＡＩＧＣ 技術賦能路徑與場景， 如圖２ 所示。

２.１復雜信息環境下的信息獲取

當前網絡信息技術的高度發達， 為信息的傳播提供了多樣化的渠道， 同時使信息的傳播變得空前迅速， 繼而帶來信息總量的驟增。然而， 網絡信息空間中存在著大量的虛假信息、垃圾信息和不良信息， 導致了網絡信息質量的良莠不齊。網絡信息空間的發展既為情報工作中的數據獲取帶來了便利，但也為有效數據的獲取帶來了挑戰。對科技情報工作來說， “科學就是數據” “一切以數據為準”， 所有情報成果的產出都離不開數據的支持［３６］ 。因此，情報３.０ 背景下的科技情報服務對信息獲取渠道的全面性和所獲取信息的有效性提出了更高的要求。在信息源上， 主要包括商業數據庫、公開信息數據和社會化媒體數據三大類。因此， 在信息采集中，不僅要求在維普、萬方、ＣＮＫＩ 等非結構化數據庫進行有效數據抓取， 還需考慮在相關網站、論壇、微信、微博等媒體平臺進行有效數據的抓取［３５］ 。只有對信息采集渠道的全面覆蓋， 才能夠支持多種信息渠道的數據進行互相驗證， 保證所獲取數據的真實性和有效性。

通過現有的ＡＩＧＣ 技術可以解決目前所面臨的信息獲取渠道全面性和數據有效性問題。目前， 生成式ＡＩ 已經具備成熟的數據資源調用能力， 通過ＡＰＩ 接口生成式ＡＩ 能夠全面地獲取近乎無窮的網絡數據資源、云資源與科技情報機構自有的內部數據庫， 利用ＡＩＧＣ 技術可以自動識別和調用這些接口， 獲取信息采集不易觸達的深層數據， 擴展采集渠道的廣度與深度。例如， 目前ＣｈａｔＧＰＴ－３ 所采用的網頁抓取技術（Ｗｅｂ Ｓｃｒａｐｉｎｇ）， 能夠支持ＡＩ自動根據需求， 從互聯網網頁上抓取文本數據進而提取出所需信息。此外， 通過數據庫查詢技術和ＡＰＩ 收集技術， 生成式ＡＩ 能夠通過ＡＰＩ 接口實現與其他信息系統之間的數據交互， 并進行數據檢索和調用， 如圖３ 所示。

在保障數據的有效性上， 目前生成式ＡＩ 在大量數據訓練基礎上已經具備對基礎常識問題和部分專業領域問題進行判斷的能力。通過以科技情報領域的專業語料庫對ＡＩ 進行強化訓練的同時增加人類反饋強化學習（ＲＬＨＦ）， 可以進一步強化ＡＩ 的情報數據判別能力。此外， 利用知識圖譜等技術，對采集數據中的實體、事件和關系等要素進行知識驗證與標注， 能夠在一定程度上判斷數據信息的準確性與可信度， 為后續利用提供參考依據。因此，通過ＡＩＧＣ 技術對獲取數據進行過濾清洗、校驗、仿真、交叉印證等方式進行數據清洗和真偽識別，替代人力對數據的有效性、真實性進行初步篩選、過濾和驗證， 能夠有效防止垃圾數據、無效數據和無關數據對分析結果產生干擾。

２.２多源異構數據的分析和處理

在情報３.０時代， 科技情報工作中的信息獲取不再局限于傳統的情報信息資源體系和信息獲取渠道， 情報數據分析的要求從抽樣分析向全樣本分析轉變［３４］ 。隨著網絡信息空間的空前發展， 科技情報工作正面臨采集到的大量數據來源復雜、結構多樣且真假難辨［１１］ 。從數據結構上看， 所獲取的數據包括結構化數據和非結構化數據； 從數據的形式來看， 包括文本、圖像、音頻、視頻、數值等； 從數據來源上看， 分為公開信息數據庫、商業化數據庫和社會化媒體平臺。因此， 目前科技情報工作所需要進行處理和分析的數據通常具有海量化與碎片化的特征。在傳統的科技情報服務中， 往往需要投入大量人力、花費整個情報工作流程中大部分時間用于處理與分析數據。因此， 高效地處理和分析采集到的數據， 已經成為當前科技情報業生產中的急需解決的問題。在此情況下， 以機器學習、知識挖掘、語義推理、知識圖譜等技術為基礎的智能知識計算技術成為解決問題的最佳方案。

在信息的處理與分析上， ＡＩＧＣ 技術的多模態數據處理能力包括： 真偽識別、內容轉化、數據清洗、數據評估等， 能夠有效解決目前科技情報生產中大量多源異構數據的處理和分析問題。首先， 如上文所述， ＡＩＧＣ 技術的數據清洗能力能夠刪除冗余、提取詞干、識別錯漏進而輔助情報的真偽識別［３６］ 。同時， ＡＩＧＣ 技術具有處理結構化數據、非結構化數據和半結構化數據的能力， 能夠實現這３種數據類型之間的自動關聯、映射和融合， 進而實現不同數據模態之間的有效結合， 豐富數據的內涵與關聯， 提高數據加工的效率。此外， ＡＩＧＣ 技術可以在不同數據模態（文本、圖像、視頻等）中自動發現相同的或相關的知識要素， 如同一事件或概念的不同表現形式， 進而挖掘不同數據模態之間隱含的深層關聯， 發現更加全面而準確的知識， 節省人力。ＡＩＧＣ 技術還可以根據不同數據模式之間的關聯， 構建涵蓋多個數據模式的統一數據模型， 如知識圖譜、關聯圖譜等。此類型的數據模型可以綜合存儲和表達不同數據模式中的信息， 從而為數據管理和應用提供更加全面系統的支持。綜上所述，ＡＩＧＣ 技術能夠實現不同數據模式之間的自動關聯、融合和建模等， 在一定程度上能夠替代人工進行多源異構數據處理的工作， 并顯著提高科技情報生產中數據處理的效率和質量。

２.３科技情報服務中的個性化服務

得益于近年來移動通信技術的快速發展， 世界也被無形中的網絡連接成了一個整體， 瞬息萬變的科技與社會發展導致用戶對情報服務產品也提出了動態性、便捷性和實時性的需求， 即： 情報數據動態化、服務情境移動化和服務內容個性化。為了滿足以上需求， 利用數據對情報用戶需求的精準感知成為了提供情報服務的前提。為了獲得足夠的用戶行為數據和用戶需求反饋， 則需要情報用戶全程參與情報工作中， 以便情報工作者通過與情報用戶的交互數據對其需求進行精確分析， 進而提供精確服務。因此， 情報用戶與情報工作者之間的交互成為解決問題的關鍵。目前， 個人移動終端如智能手機、智能平板電腦等已經具備較為強大的硬件性能和高速網絡的接入能力。在此基礎上， 開發情報服務的移動端服務ＡＰＰ和基于微信、微博等平臺的小程序成為了滿足當下交互需求的最佳方案。移動端服務ＡＰＰ 可以為情報工作者和用戶之間的實時數據交互更新提供便利， 一方面， 通過移動終端收集用戶行為數據； 另一方面， 傳遞用戶各種基于不同情境下的個性化情報服務需求， 進而按需求為用戶提供個性化的實時情報推送， 并隨時為用戶提供有效的情報監測和預警服務。

為了更好地感知情報用戶的需求并為用戶提供更為及時的、個性化的服務， 同時更充分地發揮互聯網技術與ＡＩＧＣ 技術的優勢， 構建以生成式ＡＩ為服務核心的科技情報智能服務平臺成為了最佳解決方案。如圖４ 所示， 新技術的應用也帶來了工作模式上的變化， 一方面應充分發揮生成式ＡＩ 在數據獲取、加工、處理等方面的優勢， 并應用于情報工作相關流程， 提高效率； 另一方面， 充分發揮其智慧交互能力和多模態內容生成能力， 以用戶數據分析其需求。具體來說， 情報工作者可通過利用移動端的情報服務應用程序（或微信小程序）與用戶進行實時信息交換， 在獲得用戶允許后通過移動端服務應用程序對用戶的信息行為和服務需求進行收集。隨后將收集到的信息行為數據與用戶需求數據匯總到預置生成式ＡＩ 的智能情報業務平臺， 通過大量數據進行預訓練后的生成式ＡＩ 利用其分詞技術、翻譯技術、對話機制與大量機器學習、用戶畫像技術、內容推薦算法技術等對用戶信息行為數據的分析， 進而向情報用戶移動端服務ＡＰＰ 進行主動內容推送服務。目前， 互聯網搜索引擎、電商ＡＰＰ和短視頻平臺普遍已經應用了類似的算法推薦服務。此外， 通過將用戶行為數據與用戶需求數據相結合， 情報工作者在生成式ＡＩ 的輔助下可以獲取更多的用戶特征信息， 從而更為精準地分析用戶需求后為情報用戶提供內容服務。此外， 預置了生成式ＡＩ 的科技情報服務平臺可以在情報工作者非工作時間獨立為用戶提供７?２４ 小時的智能自助情報服務， 充分滿足情報用戶的全天候情報服務需求。情報用戶可以通過在移動服務端進行設置條件， 根據設定數據數值觸發條件或時間觸發條件， 以獲取ＡＩ 服務助手第一時間的實時情報更新及狀態追蹤推動。目前， 類似的ＡＩ 服務功能已經在金融證券市場交易、電子商務服務等多領域廣泛應用， 可以為科技情報服務中相關服務內容提供實踐性經驗。

３ ＡＩＧＣ賦能的科技情報智能服務模型構建

３.１服務框架構建原則

本文構建科技情報服務框架模型應遵循全面性、邏輯性、應用性、前瞻性和開放性的原則。其中，全面性指本文所構建服務框架模型應涵蓋科技情報工作中的所有關鍵環節， 從而更好地指導科技情報服務的智能化發展。邏輯性與應用性指本文構建的框架模型應保障各層級之間邏輯銜接緊密， 各要素之間能夠互相協同支持， 從而為科技情報工作者提供清晰的工作指引、提高工作效率， 同時具備較強的實際應用可行性。前瞻性指本文在構建的服務框架中充分考慮科技情報服務的未來發展趨勢與可能出現的全新的服務需求， 推動智能化技術的進一步實際應用。開放性指本文在服務框架的設計上應充分考慮未來新技術、新業務與新需求的融入， 提供較大擴展空間以適應當前不斷變化的外部環境。

３.２服務框架的構成

綜上， 本文基于ＡＩＧＣ 技術內核與優勢， 并結合科技情報服務當前的發展需求， 以我國杰出科學家錢學森提出的系統工程理論為基礎， 構建了面向ＡＩＧＣ 技術的科技情報服務４ 層框架模型， 如圖５所示。

系統工程理論既不是單純的整體論， 也不是還原論， 而是將整體論和還原論辯證地結合后得到的成果。錢學森認為， 系統是由相互作用、相互依賴的多個部分結合的， 具有特定功能的有機整體［３７］ 。從系統工程視角出發， 可以從服務框架的環境、結構和功能三大要素對科技情報服務框架的構建展開討論。在系統工程視角下的“環境”， 可以劃分成軟件環境與硬件環境。其中， 硬件環境指保障科技情報智能服務能夠開展的物理設施和技術設備； 軟件環境則由保障科技情報智能服務的相關技術、數據和方法組成。“結構” 則指服務框架下各個構成要素之間的邏輯關聯和相互作用關系。在系統工程視角下， “功能” “環境” 與“結構” 共同構成一組轉化關系。其中， “功能” 受到“環境” 和“結構” 的影響， 既為科技情報工作者和外部參與者提供工作上的智能化便利， 也為用戶提供高質量的智能化服務體驗。基于以上論述， 在結構上， 根據服務框架下各個構成要素之間的相互關聯可以分為４ 個層級， 包括： 支撐保障層（Ｓ）、智慧應用層（Ａ）、平臺服務層（Ｐ）、成果產出層（Ｏ）。

３.２.１支撐保障層

支撐保障層是整個服務框架實現智能服務的基石。從支撐保障層面看， 算力、數據和算法技術是構成科技情報智慧服務ＡＩ 的必要組成要素。在設備方面， 高性能的運算設備如高性能計算機、大型服務器、工作站等， 其所提供的算力是支撐ＡＩ 高效工作的必要條件。而云服務平臺、存儲設備和網絡安防設備如云服務器、ＳＳＬ ＶＰＮ、ＡＰＩ 網關、身份認證服務器等， 則是保證本地數據安全、云端數據安全進而構建巨型科技情報知識庫的重要設備。在數據方面， 充分的外部和內部數據能夠為ＡＩ 提供源源不斷的“學習資源”， 進而提升ＡＩ 所生成內容的深度和廣度， 滿足最終情報成果的專業性、時效性和智慧性。在數據上， 外部數據包括并不限于科技知識數據、科技活動數據、科技產業數據、科技管理數據等， 其獲取渠道則包括目前主流的維普、萬方、ＣＮＫＩ 等非結構化數據庫和其他相關的網站、論壇、微信、微博等媒體平臺。與之相對的， 內部數據則是指科技情報機構業務平臺、情報服務門戶網站和移動端ＡＰＰ 及微信小程序中的用戶信息行為數據、用戶注冊數據、用戶業務咨詢數據等隱私數據， 也包括科技情報機構內部業務流與辦公數據、自有知識成果庫等。此外， 構建巨型科技情報云知識庫， 則可在未來情報工作中起到“儲存池、發酵池和蓄電池” 的作用， 成為未來科技情報業務的“中心廚房”［３４］ 。此外， 從算法技術上來看， 算法模型的先進性對ＡＩＧＣ 的學習能力和輸出成果起到了關鍵性作用， 算法的不斷迭代更新推動著ＡＩＧＣ 從單一模態內容生成向多模內容生成跨越。其中， 對抗生成網絡（ ＧＡＮ）、擴散模型（Ｄｉｆｆｕｓｉｏｎ Ｍｏｄｅｌ）、神經網絡模型（Ｔｒａｎｓｆｏｒｍｅｒ）、跨模態深度學習模型（ＣＬＩＰ）等算法模型構建了目前ＡＩＧＣ 技術的算法基礎， 大量新模型都是在這些模型的基礎上進行擴展和改進［３８］ 。因此， 為了保障科技情報智慧服務ＡＩ 的多模態內容識別與內容輸出能力， 科技情報工作者應不斷更新算法庫， 保持所應用算法技術的先進性。

３.２.２智慧應用層

文獻［２］將科技情報工作流程主要劃分為： 業務受理—信息獲取—信息處理與分析—情報加工—情報交付。本文嘗試以ＡＩＧＣ 技術賦能科技情報服務的各個工作流程， 構建智慧科技情報服務功能性應用。智慧應用層的核心是情報智慧服務ＡＩ， 其本質上是通過科技情報專用知識語料庫進行大規模數據訓練的生成式ＡＩ。科技情報機構可以通過委托開發的形式， 根據現有情報服務需求進行定制化開發其所需生成式ＡＩ 產品。以目前生成式ＡＩ 的技術水平， 已經可以實現對科技情報工作的全流程的ＡＩ 賦能， 包括智能業務受理、智慧信息采集、智能情報加工和智慧內容生成。在業務受理階段， 用戶通過智能身份認證后， 可通過自然語言、圖片、代碼等多種形式將情報需求提供給智慧服務ＡＩ 進行需求分析。智慧服務ＡＩ 則基于用戶需求、用戶信息行為深度挖掘用戶個性化需求并同步反饋給科技情報機構。同時， 智慧服務ＡＩ 可根據用戶需求進行快速工作方案制定， 并為用戶、情報工作者分配合適的權限以完成本次服務。在信息加工與情報分析階段， ＡＩ 將根據對用戶情報需求的分析計算整體工作量， 并據此進行合理的任務分配， 幫助情報工作者進行初步信息采集、處理和分析， 為情報工作者進一步的情報判讀與應用提供全面的數據保障。在情報生成與成果交付階段， 在智慧服務ＡＩ支持下， 可完全由人工智能為用戶提供部分科技情報功能性服務， 如： 研究熱點分析與熱點追蹤、智慧情報搜索、指定題目的情報自動生成、情報數據趨勢預測、訂閱情報智能推送等。智慧服務ＡＩ 還可以通過移動客戶端所收集的客戶信息行為， 進而分析客戶實時場景需求， 并為科技情報移動服務端ＡＰＰ 提供７?２４ 小時無人化智能客戶服務和動態情報數據監測等個性化服務。在科技情報服務綜合管理上， 管理者也可通過智能服務ＡＩ 對科技情報服務進行監督、管理和維護， 如智能計費管理、智能業務進度監測、智能權限分配等。

３.２.３平臺服務層

服務平臺是承載各種智慧情報服務應用的基本載體。通過構建數智化的科技情報服務平臺， 將各類智慧情報服務應用有效集成、統一維護和管理，進一步強化人的智慧與機器智慧的融合發展， 提高情報工作效率的同時也可對ＡＩ 進行反饋訓練， 不斷強化其智慧程度。在平臺服務層面上， 服務平臺主要分為３ 個部分： 情報服務門戶網站系統、科技情報移動服務客戶端ＡＰＰ 和微信／ 微博小程序。科技情報服務門戶是為情報用戶提供科技情報服務的主要網絡平臺， 用戶可以通過平臺提出服務需求，全程跟蹤情報工作進度并參與到情報工作中去。情報門戶網站也同時負有情報資源共享和辦公系統的功能。科技情報移動服務客戶端則是作為情報服務門戶網站的移動服務補充， 移動服務端一方面可以為情報用戶提供實時情報服務， 也為情報工作者和情報用戶之間的實時交互提供巨大便利。針對科技情報機構的日常辦公管理需求和科技情報工作中的業務需求， 科技情報機構可基于智慧服務ＡＩ 構建智能辦公系統、智能情報業務系統和科技情報機構的移動辦公端ＡＰＰ。其中， 內部智能辦公系統專門用于情報機構的日常辦公與行政管理， 同時兼顧與政府等涉密用戶之間的文件和數據交互， 通過ＡＰＩ 接口管理系統可以精確地對智慧服務ＡＩ 的數據獲取權限進行規定， 進而避免數據外泄相關的安全風險。此外， 科技情報移動辦公端ＡＰＰ 則為科技情報工作者和參與情報工作的外部專家提供全天候移動化辦公的便利。智能情報業務系統可通過智能服務ＡＩ 大大提高情報工作者在情報工作流程上的工作效率， 節約人力資源。

３.２.４成果產出層

從科技情報成果與產出層面看， 科技情報成果作為科技情報服務的直接產出， 既是科技情報服務經濟與社會價值的體現， 也是評價科技情報服務的重要依據。結合前文對當前科技情報服務在功能和內容上亟需擴展的相關闡述， 情報３.０ 時代下的科技情報智能服務不僅要求科技情報機構提供傳統意義上的科技情報產品， 如： 情報研究、外部環境監測、需求分析、風險預警等［３９］ ， 也應具備部分“智庫化” 服務內容， 如： 政策咨詢、戰略分析和決策制定等［４０］ 。因此， 在科技情報智慧服務ＡＩ 的支持下， 結合當前科技情報服務中新增的實時情報監測和科技情報預警等個性化服務需求， 科技情報智能服務的產品與成果應包括并不限于： 文獻服務、科技服務、出版物服務、創新服務、政策服務、戰略與決策服務六大門類， 如圖４ 所示。其中， 文獻服務構成了情報服務的基礎， 包括： 文獻檢索、文獻傳遞、文獻編目、查收查引等。情報服務則是傳統情報服務的核心內容之一， 包括： 知識產權服務、競爭情報服務、統計分析等。平臺服務是指利用網絡技術構建的情報服務平臺， 實現情報資源的集成與共享， 并依靠服務平臺提供數據共享、實時數據監測、預警服務等。科技服務主要指通過專業的科技信息與知識， 為相關用戶提供技術咨詢評估、技術轉移與科技監測、科技查新等服務。出版物服務主要利用情報處理與編輯能力， 對選定的情報資源進行整理和編輯， 形成系統的文字、圖表與數據等形式的出版物， 為用戶提供情報簡報、情報年鑒、科技期刊等形式的宣傳與策劃服務。創新服務是近年來科技情報服務轉型升級的重點發展方向， 目前主要包括區域創新服務和企業創新服務。其中， 區域創新服務主要針對區域內企業及相關機構的技術創新需求， 提供技術情報監測、技術路線圖繪制、技術標準服務等， 支撐區域技術創新與產業發展；企業創新服務主要針對企業在技術研發與產品創新過程中的情報需求， 提供技術情報監測、競爭情報分析、知識產權服務等， 支撐企業技術創新、提升行業競爭力。政策服務主要為政策的制定與執行提供咨詢和決策支持， 以提高政策的執行能力。其中，政策咨詢服務主要根據用戶在政策制定、執行與應用等過程中的需求， 提供定制化的政策咨詢與建議，幫助用戶制定科學的決策方案。政策分析服務指通過對相關政策內容和環境的深入分析， 提出政策效果評價與政策建議， 為未來決策提供理論與思路支持。戰略與決策服務主要包括戰略策劃服務和決策分析服務。其中， 戰略策劃服務主要根據用戶的發展定位與目標， 進而提供戰略研究、產業策劃與路線圖等服務， 幫助用戶制定科學的發展戰略； 決策分析服務則針對用戶在重大決策過程中的情報需求， 為其提供情報監測、問題分析與方案評估等服務， 充分保障用戶決策的科學性。

４總結與展望

本文通過總結科技情報服務當下的需求， 遵循需求—技術—場景—服務框架邏輯， 嘗試將ＡＩＧＣ相關技術應用于科技情報服務中， 構建了ＡＩＧＣ 技術賦能的科技情報智能服務框架模型。在理論上，本文提出了以ＡＩＧＣ 為代表的數智技術賦能情報服務的內涵與路徑， 回答了“如何將人工智能技術融入科技情報服務” 的關鍵問題， 進一步拓展了情報服務向“數智化” 發展的理論內涵。在技術視角上， 本文通過對ＡＩＧＣ 技術的有效利用， 合理地將其與科技情報服務的業務各環節流程相匹配，實現了情報服務業務流程的數字化與智能化。在情報服務內容上， 本框架利用ＡＩＧＣ 技術增加新的業務模塊與服務模式， 實現服務的優化與升級， 滿足用戶更深層次的情報需求。在科技情報服務組織與管理角度上， 新建框架為科技情報服務的組織和機構的日常管理提供了自動化與智能化支持， 提高組織與管理能力。在用戶體驗角度上， 本文所構建的框架通過ＡＩＧＣ 技術為用戶提供在移動端、聊天接口等新渠道的情報服務應用， 提高了用戶的互動性與獲取感知水平， 強化了用戶體驗。在未來研究中，將繼續探索先進技術在科技情報服務中的應用， 進一步構建完整的科技情報智能服務體系， 進一步推動我國科技情報服務邁入數字智能時代。