智慧圖書館建設之“漁”

摘 要 跨領域的知識鴻溝和較高的技術門檻長期以來一直阻礙著人工智能在圖書館的廣泛應用。論文對近年來人工智能技術發展的內涵特征進行總結歸納，提出人工智能基礎設施化時代已經來臨，指出人工智能的易用性已經產生質的飛躍，人工智能將進入像水和電等基礎設施一樣可以輕松利用的新階段；然后通過實踐案例直觀地證實當前人工智能靈活、便捷、易用的新特點；最后從思維模式重塑、知識體系完善、協同創新三個方面提出運用人工智能為圖書館建設賦能增效的具體建議。

關鍵詞 智慧圖書館；人工智能；新型基礎設施；圖書館服務創新；讀者意見分析

分類號 G250.7

DOI 10.16810/j.cnki.1672-514X.2023.10.001

A New Opportunity for the Construction of Smart Library： the AI Emerging as a Form of Infrastructure

Hou Zhijiang

Abstract The long-standing knowledge gap across disciplines and the high technological threshold have persistently hindered the widespread application of Artificial Intelligence in libraries. This paper summarizes and analyzes the intrinsic characteristics of the recent development of AI technology， proposing that AI is becoming a new type of infrastructure. It points out that AIs usability has undergone a qualitative leap and is entering a new phase where it can be utilized as conveniently as fundamental infrastructures like water and electricity. Then this paper empirically confirms the new characteristics of AIs flexibility， convenience， and ease of use through practical case studies. Lastly， it proposes specific suggestions to promote the usage of AI in smart library construction from three aspects： the reshaping of thinking mode， the reconstruction of knowledge system and the collaborative innovation.

Keywords Smart library. Artificial intelligence. AI infrastructure. Library service innovation. Reader opinion analysis.

0 引言

近年來，伴隨著人工智能（Artificial Intelligence，

AI）技術的快速發展，人工智能在生活中的創新應用如雨后春筍般涌現出來。從方便快捷的語音助手到醫學CT影像的智能診斷，從隨處可見的人臉識別到快遞面單的智能填寫，層出不窮的人工智能應用正在深刻改變著人類的生活，也加速推動著各個行業的智能化升級與變革。新一代的人工智能技術在圖像識別、機器翻譯、自然語言處理等許多領域已經取得引人矚目的成績，一些應用場景下的準確度已經顯著超越人類的水平，展現出超凡的能力和廣闊的前景[1]。正如歷史上蒸汽機、電、計算機的發明一樣，人工智能的強大驅動力正在掀起新一輪的科技革命，推動人類社會邁向智能時代。在這場改變世界、改變未來的科技革命浪潮中，人工智能必將給圖書館界帶來深刻的影響，改寫圖書館的服務方式和管理方式。如何將人工智能與圖書館相結合，運用人工智能技術為圖書館發展賦能，是時代賦予圖書館界的一道必答題，事關圖書館能否抓住智慧化升級這一寶貴的戰略發展機遇。圍繞這個時代課題，許多圖書館界學者已經展開積極有效的探索實踐。

從相關文獻統計分析來看，“人工智能”已成為“智慧圖書館”主要的關聯技術主題詞，并且兩者共現頻次呈現不斷上升的趨勢。這從側面反映出人工智能正在成為智慧圖書館建設新的研究焦點和發展趨勢。這一判斷與楊思洛[2]，王晰巍[3]等人分別基于Scopus和Web of Science數據庫文獻聚類分析得出“人工智能在圖書館應用是智慧圖書館的研究熱點”的結論一致。在現有研究中形成了一些具有代表性的觀點。楊文建提出人工智能驅動圖書館變革的方向途徑，包括資源、空間、服務、館員和用戶五個方面[4]，勾勒出人工智能在圖書館中的應用框架。楊國鳳進一步討論了人工智能時代圖書館服務的變化特征[5]。王世偉則指出要將深化人工智能應用“從圖書館的技術支撐層面上升至圖書館創新發展的戰略視野加以思考與謀劃”，把人工智能提高到智慧圖書館建設戰略的高度[6]。王晰巍探討了人工智能在智慧圖書館建設中的多種落地場景[3]。楊新涯等從“新型基礎設施”視角分析了以人工智能為代表的“新型基礎設施”賦予圖書館的三大機遇[7]。這些研究為人工智能在圖書館的應用前景描繪了清晰的輪廓，但總體側重于宏觀的討論，對具體運用的方法策略卻深入不多。然而，人工智能如何在圖書館落地實施是圖書館面臨的一個亟待解答的、繞不開的重要命題。

當前圖書館界在運用人工智能技術時，主要依賴于采購第三方的技術設備來實現，例如常見的人臉識別、語音識別等，而那些沒有現成設備或商品的人工智能技術，如智能情感分析、語義理解等，則在圖書館鮮有落地應用的案例。依賴市場上的技術設備來實現人工智能，雖然簡單快捷，但這些終究只是智慧圖書館建設的一些“魚”，而不是“漁”，缺乏靈活性和自主性，不僅嚴重受制于圖書館經費預算和第三方技術設備供給，而且猶如無本之木，束縛了圖書館自主發展的后勁與潛力。這樣的現實困境在一定程度上影響了圖書館智慧化變革的進程，所以正如楊新涯[7]所指出的問題“目前人工智能在圖書館的應用普遍還處于弱智能狀態”。相比生活中精彩紛呈的人工智能應用，人工智能在圖書館服務智慧化領域的應用則顯得相對“冷清”，側面反映了人工智能技術在圖書館應用落地的現實困難。人工智能應用技術的短缺已經成為阻礙圖書館發展的一種“卡脖子”問題，特別是在當前“過緊日子”的經濟背景下，僅靠“魚”發展顯得格外困難。如何破解新一代智慧圖書館建設有“魚”無“漁”的難題，促進人工智能在圖書館深入而廣泛的應用正是本文研究的出發點。

本文運用跨學科研究方法，首先闡釋解讀人工智能基礎設施化的內涵與現實意義，特別指出人工智能基礎設施化對人工智能在圖書館的應用是一個具有重要意義的轉折點。然后通過一個讀者情感智能分析的實踐案例來證實人工智能技術的“工具化”變革，展示了圖書館借助遷移學習平臺可以像日常使用水、電、網絡等基礎設施一樣，便捷、高效、靈活地運用人工智能技術。最后就圖書館如何把握人工智能基礎設施化的戰略契機，加快智慧圖書館高水平發展提出參考建議。

1 人工智能基礎設施化的內涵

2018年12月，中央經濟工作會議提出“加強人工智能、工業互聯網、物聯網等新型基礎設施建設”，首次提出了“新型基礎設施”的概念。2020年4月，國家發改委進一步界定了“新型基礎設施”的范圍[8]，明確指出新型基礎設施包括“以人工智能、云計算、區塊鏈等為代表的新技術基礎設施”，人工智能技術正式成為了國家與社會的一種基礎設施。

在此有必要厘清人工智能的概念。人工智能本身是一個古老而寬泛的概念，只要能夠體現智能的人造機器都屬于廣義人工智能的范疇。實現人工智能的途徑有很多種，其中現代常用的途徑是機器學習，通過數據訓練得到一個數學模型來進行判斷預測，使機器表現出一定的智能性。人工神經網絡是眾多機器學習方法中的一種，但是近年來，得益于深度人工神經網絡技術的顛覆性進步，人工智能取得了革命性的提升。因此，當今學術界和社會上被人們廣泛提及的“人工智能”準確來講是指基于“深度人工神經網絡技術”所實現的新一代人工智能，是一個狹義的有具體指向性的概念，而不是傳統意義上廣義的人工智能。

為什么現在才將人工智能列入基礎設施的范疇？其原因正是由于人工智能技術在近些年產生了質的飛躍，“功能大幅提升，門檻大幅下降”，使之能夠成為一種基礎設施為各個行業賦能，這一重要的轉變可概括為“人工智能基礎設施化”。人工智能基礎設施化不僅是一個新的概念，更意味著一種全新的方法論，它將像一座橋梁一樣消除圖書館與人工智能之間難以逾越的鴻溝，自此以后“一橋飛架南北，天塹變通途”。準確把握人工智能基礎設施化的內涵，有助于更加透徹地認識人工智能的重要價值，在智慧圖書館建設中充分發揮人工智能的作用和力量。結合近年來人工智能的最新進展，人工智能基礎設施化的邏輯內涵可以概括為以下三個方面。

1.1 意味著人工智能的功能已經非常強大

2006年以來，得益于海量訓練數據的出現、計算機并行計算能力的提升、模型訓練算法的改進，深層人工神經網絡模型的學習訓練（即深度學習）取得了突破性的進展，使得過去難以訓練的大規模復雜神經網絡模型也能夠得以訓練[9]。理論上，人工神經網絡模型規模越大，其功能就越強，越能解決各種復雜的問題[10]，因此，深度學習的發展推動人工智能的智能化水平實現爆發式提升。除了廣為人知的AlphaGo戰勝人類世界圍棋冠軍這一標志性的事件之外，人工智能在機器問答[11]、語音識別[12]等領域也已經超出人類的水平。生活中快速普及的人臉識別、語音助手等技術，也從側面印證了人工智能前所未有的智慧能力。

隨著科學家對人工神經網絡結構的優化改進，人工智能不斷在新的應用領域表現出驚人的成績，持續刷新人們的想象，其性能的優越性、通用性、穩定性已經實現由量的積累邁向質的飛躍，對很多領域都產生了重要的推動，因此，有必要將其基礎設施化，使其進一步推廣普及，惠及更多行業。

1.2 標志著人工智能的利用已經足夠容易

回顧信息化時代計算機與互聯網等基礎設施的發展歷史，可以發現一項技術的基礎設施化包含兩個內在的邏輯過程。首先需要功能上的突破性進展，使其給各行業都能帶來革命性的影響，從而具備基礎設施化的必要性，同時還需要較低的應用門檻和成本，使其具備在各領域推廣應用的可行性。“功能強大性”與“易于實施性”兩者缺一不可。

早期深度學習的發展為人工智能帶來了史無前例的提升，但在當時距離普及應用仍有較大的差距。主要原因是每個不同的應用場景、不同的實際問題都需要分別從零開始進行獨立完整的全過程訓練，包括搜集海量的訓練數據、設計專用的人工神經網絡結構、運用大規模計算集群進行訓練等，每一個步驟都充滿挑戰。且不說數據標注的龐大工作量、訓練集群高昂的價格，僅人工神經網絡選型設計所需要的技術知識就足以將大多數非專業人員拒之門外。幸運的是在這一關鍵時刻，人工智能發展進程中的另一個里程碑——“遷移學習”的出現大幅降低了運用人工智能解決各種場景問題的技術門檻和成本壁壘，掃清了人工智能走向普及化應用道路上的主要障礙[13-14]。

具體而言，遷移學習是指研究人員在訓練人工神經網絡模型的過程中發現，人工神經網絡模型與人類大腦一樣具備知識遷移的學習能力[15]。人類大腦具有天然的知識遷移能力，人在掌握一個技能后再學習相似的技能就會容易得多，例如學會騎自行車后再學習騎摩托車，就會比直接學習騎摩托車的過程要明顯輕松快捷。研究人員同樣地發現，基于一個預先已經訓練好的神經網絡模型，利用少量新數據進行微調訓練即可快速解決一個相似的新問題，例如在圖像識別領域，以手寫數字識別模型為基礎，只需要少量的手寫字母訓練數據就可以使模型快速掌握識別手寫字母的新能力。

遷移學習為人工智能開發模式帶來轉折性的變化，人工智能從此進入“預訓練模型”時代[16]，開發利用的門檻大幅降低。一些知名的科技公司先后推出各種預訓練的人工神經網絡模型，供公眾免費使用，例如自然語言處理領域具有代表性的谷歌BERT模型[17]和百度ERNIE模型[18]。從應用者角度看，運用這些優秀的大規模預訓練模型，僅需要少量程序代碼就可以快速、低成本地實現文本、圖像、語音等數據的各種常見智慧功能，并可以取得傳統方法難以達到的模型效果[19]。正如圖1所示，新的應用開發模式一方面增加了人工智能模型的通用性與可共享性，使得用戶在面臨新任務時不再需要從零開始進行全新訓練，而是可以直接“踩在巨人的肩膀上”快速實現目標；另一方面全面降低了人工智能所依賴的數據量、計算力、資金、人力等關鍵要素的門檻高度。回首人工智能技術發展歷程，正是得益于近年來遷移學習的發展，人工智能具備了“飛入尋常百姓家”的普及條件，客觀上實現了人工智能由“高科技”向“工具化”方向的重要蛻變，有力推動了人工智能在生活中的大范圍應用。

圖1 遷移學習對人工智能應用開發模式的影響

1.3 預示著人工智能的機遇已經不容錯過

近年來人工智能技術的不斷突破勾勒出一個引人注目、令人激動的智慧未來，而遷移學習為人工智能在各個場景中的落地應用提供了重要的“杠桿”，使各個行業可以用較小的代價“撬動”人工智能的巨大潛力，這是一個任何領域都不能錯過的戰略機遇。人工智能大規模產業化應用漸露端倪，通過賦能各個領域的變革升級，人工智能正在成為經濟社會高質量發展的新引擎，為各個行業注入源源不斷的智慧化新動能。

歷史上互聯網的發展促進了數字圖書館的誕生，人工智能基礎設施化將成為數字圖書館向智慧圖書館升級轉變的重要力量。面對人工智能基礎設施化的戰略新契機，圖書館需要積極應對、主動適應，從而掌握新一輪產業變革的主動權。首先，從讀者角度來看，隨著社會智能化的發展，讀者對圖書館服務的智慧化水平必將提出更高的要求和期待。“時代是命題人，我們是答題人”，針對讀者日益增長的高水平智慧化服務需求，圖書館緊緊抓住人工智能基礎設施化這一歷史性機遇是時代賦予的使命。其次，人工智能應用是一個新的賽道、新的起點，圖書館盡快占領人工智能基礎設施運用技術的制高點，不僅能夠實現自身的創新發展，在科技革命中贏得發展主動權，還有助于構建行業核心競爭力，擺脫對第三方的過度依賴，增強智慧圖書館建設的源生力量。

2 人工智能基礎設施化的實踐案例

在當今網絡自媒體高度發展的背景下，通過互聯網、新媒體等渠道傾聽讀者聲音，成為圖書館了解讀者所思所愿，收集讀者意見建議的重要途徑。但由于網絡信息數量龐大而分散，數據的收集識別需要耗費大量時間，依靠人工方式長期持續不斷地跟蹤讀者網絡輿情并不是一件輕松的事情，常常存在嚴重的滯后性，其時效性難以滿足圖書館現代化管理需求。

針對這一問題，本文提出一種基于人工智能的讀者網絡意見自動監測系統。該系統能夠高效率自動識別讀者網絡反饋信息的情感傾向，幫助圖書館第一時間了解讀者的意見和難題，使得圖書館能夠靠前指揮，提前干預，及時做出針對性的服務改進。

2.1 實現過程

讀者網絡意見自動監測分析系統可分為數據采集、智能情感分析、用戶界面三個功能模塊。數據采集模塊負責收集來自不同網絡渠道的讀者反饋信息，包括圖書館微信公眾號后臺讀者留言、校內信息門戶讀者咨詢、貼吧和微博中與圖書館相關的話題，可通過基于WebDriver的交互式數據采集技術[20]實現數據的采集功能。用戶界面模塊用于向用戶提供數據可視化展示功能，可以借助常見的儀表盤類Web前端模板來快速實現。數據采集模塊和用戶界面模塊均有成熟的實現方案，因此本文不再贅述。

智能情感分析模塊是整個系統實現的重點難點，其功能是自動識別讀者反饋信息背后的情感傾向。情感傾向分析本質上是基于語義的文本分類，是機器學習中常見的一種任務。在PaddleNLP、PaddleHub等一些開放的深度學習預訓練模型庫中提供大量的情感分析模型[19]，但其主要基于電商商品評論數據訓練得出，不能很好地適用于圖書館讀者意見的情感傾向識別，并不能直接拿來使用。以“自習室桌子上都是占座的書，根本找不到地方學習！”文本為例，現有通用的情感分析預訓練模型將其識別為“正面反饋”，但其實在圖書館讀者情感分析的場景下顯然應該判定為“負面反饋”。因此，在本案例中需要根據圖書館的實際情況定制化訓練一個專用的情感分析模型。在過去，定制訓練人工智能模型常常意味著需要從零開始，算法復雜且工作量大，具有極大的挑戰性，但在人工智能基礎設施化時代，人們可以自主、快速地得到具有頂尖級效果的人工智能模型。

2.1.1 EasyDL開發工具簡介

如1.2節所述，遷移學習的發展，使得當今深度學習模型普遍采用了成本更低、效率更高、性能更好的預訓練模型。“預訓練模型+小數據精煉”成為高效率定制訓練人工智能模型的最新模式，這種日漸趨于統一的技術模式，使得自動化實現人工智能成為可能。因此，2019年前后，陸續出現了Cloud AutoML[21]、EasyDL[22]等自動化人工智能開發平臺，這一類自動化工具以可視化的界面集成了人工智能開發利用所需的各個步驟，封裝了大量的技術實現細節，使得不具備機器學習領域知識的用戶也可以輕松構建出高質量的人工智能模型[23]。

EasyDL是國內一款基于云端的可視化人工智能集成開發平臺，提供數據標注、模型訓練、模型評估、服務部署等貫穿人工智能應用開發全過程的一整套工具。因其界面對中文用戶更為友好，本文選擇EasyDL作為讀者情感識別模型的訓練工具。EasyDL內置豐富的預訓練模型，并將遷移學習的過程進一步“黑盒化”，用戶無需搭建專門的開發環境，無需編程知識，只需根據需求場景提供少量的訓練數據，即可定制開發出高精度的人工智能模型。

2.1.2 數據標注

數據標注的目的是為機器學習模型提供一份“標準答案”，使之能夠從中學習到預測判斷的模式，是生成人工智能模型的必備“原料”。筆者隨機選擇200余條讀者網絡反饋信息文本，以每行一條數據的格式上傳到EasyDL，使用EasyDL內置的數據標注功能標注出每條數據的情感傾向性。

情感傾向基本可分為正面負面兩種，但兩者間的界限并無嚴格的標準，有較大的主觀性。由于本系統旨在及時發現讀者對圖書館服務的不滿意之處，因此采取了一種簡化的標注規則：只要文本表達出讀者的抱怨、指責、謾罵等不滿情緒，就將其標注為“負面反饋”，其余的文本則標注為“正面反饋”。

2.1.3 模型訓練和評估

在“訓練模型”頁面，選擇本次訓練使用的數據集，然后點擊“開始訓練”按鈕，EasyDL便開始在后臺自動訓練模型。EasyDL會根據任務的類型自動選取最合適的預訓練模型，自動設置訓練超參數，整個訓練過程不需要用戶介入，基本實現了模型的“一鍵訓練”。

根據任務類型和數據量的不同，模型訓練所需時間長度不等。訓練結束后，EasyDL會自動對所得到的模型進行效果評估，如果模型效果不理想，通常可采用增加訓練樣本數據量的方式逐步提高模型訓練效果。在本例中，經過大約五分鐘的訓練，EasyDL得到了精確率96.0%，召回率95.3%的高精度情感傾向識別模型，整體效果優異。該評估結果證明：經過個性化定制訓練，該模型自動適應了讀者意見情感分析這一新的應用場景，能夠較好地滿足系統設計需要。

2.1.4 模型部署

定制訓練得到的情感傾向識別模型需要安裝部署到服務器運行環境中才能正式運行工作。在EasyDL中，用戶只需在“發布模型”頁面提交即可將模型直接部署在云端服務器。模型部署完成后，用戶可以隨時隨地通過網絡API接口調用模型實現的功能。在調用時，用戶不需要進行傳統自然語言處理所需的分詞、向量化等繁瑣的預處理，只需要基于HTTP協議將文本信息提交到云端API，即可得到模型判定識別的結果。

2.2 實踐結果與結論

基于人工智能的讀者網絡意見自動監測系統投入使用后，顯著提高了圖書館工作效率，有效解決了傳統人工方式耗時費力、反應滯后的問題。系統每天抓取一次網絡讀者意見并自動進行智能分析統計，能夠直觀地展示讀者網絡意見的反饋情況，在實踐中有力地支撐了圖書館的智慧化、科學化管理決策。一方面，幫助圖書館更加全面地掌握讀者的意見反饋，快速發現讀者的新需求。另一方面，輔助圖書館及時做出針對性的改進，化被動為主動，前瞻性地提升服務質量。例如，本系統能夠實時監測讀者負面反饋信息的數量，超出閾值后會向指定的管理人員推送消息進行預警。在2022年暑假初期，系統突然預警網絡上出現大量的負面意見信息，圖書館及時組織調查發現，讀者的負面意見主要是關于閱覽室座位短缺的問題。原來由于圖書館對暑假期間的讀者流量估計偏低，開放的閱覽室區域較少，導致一些到館讀者找不到合適的座位。隨后，圖書館及時調整開放區域，優化服務方案，很快在第二天的時候負面意見數量就恢復正常，讀者的困難在第一時間得到妥善解決。讀者需求的快速響應，為圖書館塑造了更優質的服務形象，提升了讀者的體驗，也贏得更好的讀者口碑。

讀者網絡意見自動監測系統案例是運用人工智能為圖書館服務提質增效的一個佐證，展示了人工智能作為智慧圖書館建設的一個重要工具，能夠為圖書館變革發展注入新動能，為智慧化管理服務提供新方案，并呈現了人工智能基礎設施化時代人工智能應用開發的便捷性。用戶只需少量的數據、知識、時間和投入，就可以定制訓練出高質量高精度的個性化模型。EasyDL之類的自動化人工智能開發平臺，大幅降低了人工智能應用的難度，消除了人工智能技術與圖書館之間的鴻溝，為智慧圖書館建設插上了前所未有的“翅膀”。

3 人工智能助力智慧圖書館建設的對策建議

智慧圖書館是未來圖書館發展的重要目標。人工智能作為引領新一輪科技革命和產業變革的戰略性技術，在對人類社會生活產生深刻影響的同時，也將為智慧圖書館建設提供新的發展方式。廣泛應用人工智能提高圖書館智慧化現代化水平，不僅是滿足讀者更高品質需求的需要，也是社會產業全面升級變革背景下圖書館行業發展的必然要求。為此，本文建議從以下三個方面著手，運用人工智能賦能智慧圖書館建設，推動人工智能在圖書館落地生根，開花結果。

3.1 重塑思維模式，樹立人工智能時代新思維

為了充分發掘人工智能的效能，圖書館工作人員的思維模式需進行一定的調整重塑，其中重點是將“人工智能思維”和“人工智能工具化思維”貫穿于日常工作全過程中，形成新的思維習慣。

“人工智能思維”是指在圖書館服務管理工作中遇到困難問題時要主動想到可否運用人工智能來解決。工作的效率瓶頸、讀者的“急難愁盼”等難點痛點，往往就是人工智能的用武之地，就是圖書館服務創新的著力點。圖書館應常態化地用人工智能思維來審視和改進圖書館的各類服務，向人工智能要方案。

“人工智能工具化思維”是指在人工智能進入基礎設施化的時代，應該消除對人工智能的神秘感和陌生感，把人工智能當作一種輔助人類工作的基本工具來認識利用。借助EasyDL等零門檻的人工智能開發平臺，可以便捷高效地實現圖像、語音、文本等數據的智慧化應用。隨著技術的進步，人工智能將變得像電、網絡、辦公軟件等工具化基礎設施一樣，圖書館必須用好，也一定能用好。

3.2 完善知識體系，提升館員人工智能素養

人才的培養是圖書館事業發展的基石，在技術變革時代尤其如此。人工智能時代，圖書館對高層次創新人才的需求更加迫切，圖書館應加強知識更新培訓，增進對人工智能應用技術的了解，持續提升構建智慧服務的創新能力，為圖書館智慧化發展注入強大的內生動力。

傳統的圖書館學科人才培養知識體系中對機器學習、數據挖掘等人工智能相關基礎知識涉獵較少。雖然有一些院校已經將大數據處理、機器學習等納入了培養體系，但由于知識背景迥異、學科跨度大等原因，底層復雜的理論性知識常常令人望而生畏，使學生陷入技術的細節而失去宏觀的駕馭能力。

為積極面對人工智能帶來的改革浪潮，建議圖書館學科以實踐應用為導向，及時將最新的人工智能領域進展及自動化人工智能開發工具，納入到學科人才培養和館員業務素養培訓的知識范疇。其中關鍵的知識點包括兩個：一是人工智能的能力有哪些，以便開闊視野，啟發人工智能與圖書館場景的融合；二是如何運用EasyDL等人工智能工具解決實踐問題，確保能夠把想法變成現實。在學習過程中不需要，也沒必要去過度深究人工智能底層的實現細節，正如生活中使用電并不需要去了解發電的原理，這是人工智能基礎設施化帶來的一個重要變化。

3.3 推進協同創新，構建場景驅動的“人工智能+”創新體系

多主體協同創新是推動人工智能與智慧圖書館建設有機融合，促進人工智能在圖書館縱深發展的重要途徑。人工智能的技術特征決定了人工智能驅動的智慧圖書館建設需遵循“場景驅動，技術牽引，數據支撐”的路徑。圖書館需圍繞這三個要素，積極開展館際、館企之間的協同合作，凝聚創新合力，形成多主體多要素相互促進的良好局面，充分釋放人工智能技術在智慧圖書館建設中的巨大潛能。

“場景”和“數據”要素是協同創新過程中圖書館擁有的獨特優勢，也是具有重要價值的寶貴資源。數據因場景而生，場景因數據而立，圖書館應以敏銳的眼光去挖掘需求場景，不斷豐富人工智能在圖書館的應用場景，以“用”促“進”，同時，要高度重視“數據”作為一種新型生產要素的重要性，形成留存數據日志的工作新習慣。

“技術”要素是增強人工智能技術能力，拓展人工智能應用范圍的關鍵。相較于圖書館，企業在這方面具有顯著的優勢，對技術、用戶有著更深入的理解。結合實際來看，微軟、百度、谷歌等科技公司在人工智能技術研發上投入了大量的資源，其理念和實踐都走在時代的前沿，可以作為圖書館智慧化升級過程中學習借鑒的目標對象。例如百度EasyDL豐富的人工智能應用案例[22]，為圖書館提供了很好的場景參考，可作為舉一反三的創新基點，值得圖書館密切關注。

4 人工智能驅動的智慧圖書館建設展望

當前，人工智能技術的發展和應用日新月異，如火如荼。2022年11月，OpenAI發布的ChatGPT使得人們通過對話的形式就可以實現文本創作、語言翻譯、獲取答案等很多智慧功能，人工智能使用門檻又一次大幅下降，同時也再次證實了“人工智能基礎設施化”的技術趨勢，確認了本文提出的分析和判斷[24]。人工智能作為新一輪科技革命和產業變革的核心驅動力，將進一步釋放巨大的能量，加速推動社會生產與服務的智慧化升級，深刻改變人類生活面貌。對各個行業領域來說，挑戰和機遇并存，人工智能帶來的技術重構期，既是彎道超車的戰略機遇期，又是能否實現轉型升級發展的“分水嶺”。形勢的發展、事業的開拓、讀者的期待，都要求圖書館以改革創新精神緊抓人工智能基礎設施化的戰略機遇，全面推進人工智能在圖書館全過程全場景的深度應用，全面提升圖書館管理與服務的智慧化水平。

通過本文的闡釋，希望幫助圖書館界深化對人工智能的理解與把握，更加透徹地理解人工智能基礎設施化的轉折性意義，從而能夠看得清、抓得住、用得好人工智能這一智慧圖書館建設的新機遇、新工具。站在新的歷史起點上，圖書館應緊抓契機，“魚”“漁”并重，不斷拓展人工智能的應用場景，深挖資源與服務的智慧化升級潛力，把智慧圖書館美好的藍圖一步步變為現實。

參考文獻：

Our World in Data Organization. The brief history of artificial intelligence： the world has changed fast-what might be next？ [EB/OL].[2023-03-17]. https：//ourworldindata.org/brief-history-of-ai.

楊思洛，董嘉慧.國內外智慧圖書館研究熱點及發展趨勢探究[J].現代情報，2020，40（11）：167-177.

王晰巍，羅然，劉宇桐.AI在智慧圖書館應用趨勢：機遇與挑戰[J].情報科學，2021，39（9）：3-10，41.

楊文建.人工智能驅動下的圖書館變革[J].圖書館，2020（10）：40-46.

鄧李君，張曉梅，戴君琴.圖書館應用人工智能的障礙與對策分析[J].圖書館工作與研究，2022（4）：65-69.

王世偉.深化人工智能與圖書館更新的若干問題：再論人工智能與圖書館更新[J].圖書與情報，2020（3）：93-103.

楊新涯，羅麗，楊斌，等.論“新基建”賦予圖書館的新機遇[J].圖書館論壇，2020，40（12）：95-101.

人民網.“新基建”怎么定義？發改委權威解釋[EB/OL].[2022-02-15].http：//it.people.com.cn/n1/2020/0420/c1009-31680461.html.

HINTON G E， SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science， 2006， 313（5786）：504-507.

GOODFELLOW I， BENGIO Y， COURVILLE A.

Deep learning[M]. Cambridge：MIT press， 2016：221-227.

Stanford NLP Group. SQuAD Leaderboard[EB/OL].[2022-09-05].https：//rajpurkar.github.io/SQuAD-explorer/.

KIELA D， BARTOLO M， NIE Y， et al. Dynabench： rethinking benchmarking in NLP[J]. arXiv preprint arXiv：2104.14337， 2021.

ZHUANG F， QI Z， DUAN K， et al. A comprehensive

survey on transfer learning[J]. Proceedings of the IEEE， 2020， 109（1）：43-76.

侯志江.人工智能在圖書館的實施路徑研究[J].圖書館工作與研究，2021（6）：82-88.

PETERS M， NEUMANN M， IYYER M， et al. Deep contextualized word representations[J]. arXiv preprint arXiv：1809.09795， 2018.

SUN T X， LIU X Y， QIU X P， et al. Paradigm shift in natural language processing[J]. Machine Intelligence Research， 2022， 19（3）：169-183.

DEVLIN J， CHANG M W， LEE K， et al. Bert： pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv：1810.04805， 2018.

SUN Y， WANG S， FENG S， et al. Ernie 3.0： large-scale knowledge enhanced pre-training for language understanding and generation[J]. arXiv preprint arXiv：2107.02137， 2021.

PaddleHub. Awesome pre-trained models toolkit based on PaddlePaddle[EB/OL].[2022-11-15].https：//github.com/PaddlePaddle/PaddleHub.

侯志江.借助WebDriver技術實現圖書館Web業務操作自動化：以VPN賬號申請的自動審核為例[J].新世紀圖書館，2018（2）：62-64，93.

Google Cloud. Cloud AutoML： Custom Machine Learning Models[EB/OL].[2022-10-22].https：//cloud.google.com/automl/.

EasyDL. 零門檻AI開發平臺[EB/OL].[2022-07-10].https：//ai.baidu.com/easydl.

HE X， ZHAO K， CHU X. AutoML： a survey of the state-of-the-art[J]. Knowledge-Based Systems， 2021 （212）：106622.

OpenAI. Introducing ChatGPT[EB/OL]. [2023-02-14]. https：//openai.com/blog/chatgpt.