AI相关文章4篇

来源：期刊VIP网时间：

篇(1)

　　由于深度学习推进，人工智能技术已经进展到一个热火朝天的状态，人工智能技术的发展在各个产业里面都引起了很大的变革，当然金融行业也在内。我接下来主要讲的就是人工智能在金融方面的一些应用。

　　人工智能带来产业的全面升级，不仅可以提高我们生产的工作效率，而且可以在金融行业领域大大提高智能分析和决策水平。金融行业每天都面临着大量的各种金融数据、政策消息，如何能够全面掌握金融行业的发展趋势?我们知道任何一个人在获取知识和对知识分析的过程中，个人的能力是有边界的，是有限的。但是现今数据、消息铺天盖地呈指数级增长，人工智能借助于强大的计算背景和学习能力，辅助人类开展各项智能活动，金融行业引入人工智能是必然的趋势。

　　到目前为止，人工智能在金融行业的很多领域都得到了广泛的应用，如智能支付、人脸支付、指纹支付、生物特征支付、智能客服等。自然语言处理技术的飞速发展，可以使得公司客服服务24小时不间断，这背后是强大的人工智能技术的支撑。再有就是关于智能理财方面，人民生活宽裕，有一定的资金，就希望通过一些渠道增值，发挥更大的效能。借助于人工智能技术，我们增长了对投资信息的判断能力，增加投资的回报率，这是我们大家都很期待的事。

　　对于智能的信用评级系统，实际上现在很多的保险公司、银行已经在大量使用了。AI本身是从简单到复杂的发展过程，从1956年定义人工智能这个词，到现在已经有60多年的历史。人工智能的发展是一个曲折的过程，经历过寒冬，也得到过大家的追捧。现今人工智能处于一个爆发期，是第三次人工智能浪潮的爆发期。人工智能变革显得尤为重要，从简单的浅层学习过渡到复杂的深度学习阶段。深度学习的强大学习能力，加上大量的数据作为支撑，人工智能的飞跃发展毋庸置疑。

　　人工智能应用于股市投资这个领域，也是经历了一个非常曲折的过程。

　　股票投资其实是一个量化的投资过程。现在人工智能可以在量化投资里面帮助我们完成很多以前无法完成的工作，而且可以在急剧变化的股市中，做出非常高效的、回报率高的决策。传统量化投资实际上是一个多因子模型，这个模型都是由有经验的基金经理分析、挖掘这些股票的价值，分析哪些因素是赢利的主要因素，建立起一个模型来进行投资，进行决策。基金公司需要这种高智商的学者或者研究人员帮他们建立模型，提高模型的精确度。我们发展人工智能技术实际上希望用人工智能模型来替代上述基金经理的工作，这有什么好处呢?

　　人工智能技术不仅是分析投资过程中的多因子之间的关系，还需要分析高阶的、深层次的关系，甚至是各种股票之间弱相关的关系都能被人工智能提炼出来。通过利用大数据和人工智能技术，我们开发出的模型，可以很好地适应市场的变化，而且克服了人的主观心理因素的影响。

　　人工智能投资模型是建立在深度学习基础上的量化投资模型，整个投资模型分成两大块，其中一块是智能选股。在中国的A股市场，如果我们需要从3000多支股票当中选出需要投资的两支股票或者10支股票，或者100支股票，我们就可以用智能选股模型来进行选股操作。而且我们还专门针对突然性的股市大跌，开发出避险功能。

　　模型以大数据分析为支撑，用深度学习来进行建模，采用循环神经网络、多模态特征抽取、多任务学习等方式来提取信息，并建立信息间的潜在关系，选定投资目标，从而完成股市投资。对于择时避险，模型实际上利用了三个比较主要的信息：一是近期市场形势，包括数量文本的;二是近期投资收益水平;三是未来风险水平。三者有机组合在一起，输入到避险模型里面，得出避险信号。

　　在这里我要举一个例子，让大家对这个模型有一个比较直观的认识。根据模型对2011-2017年的回测结果，我们对全A股、沪深300和中证500的情况都有了详尽的了解，并且还制作了一年半的模拟交易情况，模拟交易中对A股市场来说2018年是一个熊市，在实际情况中，2018年上证指数跌了24%，中证跌37%，沪深跌了24%，确实是下行的熊市。

　　人工智能技术用于2018年的股票市场是什么结果呢?即使在这样大跌的趋势下，人工智能还是有收益的，超额收益是39.5%，净值收益14.91%，人工智能交易面对股市大跌，只要我们能检测到精准的数据分析，也能得到很好的收益。

　　最近我们对人工智能投资模型在不断地改进，融入关系编码，更加精准地通过整个A股市场股票之间的关联构建关联性模型，同时我们还跟美股、港股联系在一起，随着A股市场的发展，我们把这个模型做成了App，大家有兴趣的可以去體验一下。

　　AI赋能是金融行业大势所趋，智能投资也是主要的潮流，AI在实际应用中面临很多困难，我们必须不断创新，解决实际问题。

篇(2)

　　【摘要】人工智能技术已经成为国家发展倡议。目前人工智能技术对算力需求与集成电路所能提供支持的差距日益加大，人工智能信息处理平台需要在处理速度、复杂度和功耗等方面有数量级的改善，才能满足人工智能技术在军民领域的应用，因而需要寻求新颖的技术路线解决人工智能的算力问题。介绍了一种颠覆性的技术——概率计算方法，该技术采用了一种类脑的非精确的模糊计算模式。相关研究工作表明，在现有工艺条件下该技术能够满足人工智能系统对处理速度、复杂度和功耗的要求，可以支持未来人工智能系统应用的要求。

　　【关键词】人工智能;计算能力;概率计算

智能制造

　　《智能制造》面向国内外公开发行.杂志以提高企业应用水平，追踪技术研发热点。

　　1 引言

　　最近有关机器学习最出名的案例就是Google的AlphaGo与人类进行的围棋人机大战，AlphaGo完胜了人类顶尖棋手，展现出了机器学习算法和系统的强大分析和处理能力[3-4]。因此，将机器学习算法应用到目前的数字信号处理系统中，这将是未来重要的一个发展和研究方向[5-6]，有很高的实用价值和倡议价值。

　　而基于机器学习的大数据处理算法和系统需要极高的计算复杂度，因此对后摩尔时代的计算处理器和芯片提出了巨大的挑战。当前，随着集成电路工艺的发展，芯片的特征尺寸已经接近1 nm的界限[7]。这个界限在工业界看来是基于硅工艺的芯片发展的极限，如若不能突破这个极限，未来的芯片生产和制造将举步维艰。同时一些新兴的技术，如量子计算、碳纳米管等，真正进入实用还有很长的路需要探索[8]。

　　推动AI技术发展和应用的三大助力是：大数据、算法和算力。很多企业和高校的研究重点都集中在大数据和算法上面，只有Intel、Nvidia等芯片供应商和HP、浪潮等服务器供应商在对算力问题进行研究。本文将简单分析一下对AI算力研究的思考。

　　2 算力问题目前的技术路线

　　近年來深度学习的处理芯片蓬勃发展。大致来看可以分为以下几种：

　　(1)GPU：英伟达以其大规模的[23]并行GPU和专用GPU编程框架CUDA主导着当前的深度学习市场[24]。GPU在处理图形的时候，从最初的设计就能够执行并行指令，从一个GPU核心收到一组多边形数据，到完成所有处理并输出图像可以做到完全独立[25]。由于最初GPU就采用了大量的执行单元，这些执行单元可以轻松地加载并行处理，而不像CPU那样的单线程处理。另外，现代的GPU也可以在每个指令周期执行更多的单一指令。所以GPU比CPU更适合深度学习的大量矩阵、卷积运算的需求[26]。

　　在若干代表性神经网络上的实验结果表明[28]：DianNao的平均性能超过主流CPU核的100倍，但是面积和功耗仅为1/10，效能提升可达三个数量级;DianNao的平均性能与主流GPU相当，但面积和功耗仅为主流GPU百分之一量级。另有IBM主导的SyNAPSE巨型神经网络芯片(类人脑芯片)TrueNorth，在70 mW的功率上提供100万个神经元内核、2.56亿个突触内核以及4 096个神经突触内核，神经网络和机器学习负载超越了冯·诺依曼架构[29]。

　　(3)TPU：张量处理单元(Tensor Processing Unit， TPU)。这是一款由Google开发的，为了机器学习而定制的ASIC，并且经过了TensorFlow的调教。TPU已经在Google数据中心运行了一年多，实践表明它可以为机器学习带来相当出色的每瓦特性能表现。TPU是专为机器学习应用而定制的，它的宽容度更高，可以降低计算的精度(所需的晶体管操作也更少)[30]。

　　(4)FPGA：在2017现场可编程门阵列国际大会(ISFPGA)上，来自英特尔加速器架构实验室(AAL)的Eriko Nurvitadhi博士展示了有关“在加速新一代深度神经网络方面，FPGA可否击败GPU”的研究。该项研究使用最新的DNN算法在两代英特尔FPGA(Arria 10与Stratix 10)与目前最高性能的英伟达Titan X Pascal GPU之间做了对比评估。和高端GPU相比，FPGA的能量效率(性能/功率)会更好，而且它们还可以提供顶级的浮点运算性能(Floating-Point Performance)。FPGA技术正在快速发展。即将上市的Intel Stratix 10 FPGA能提供超过5 000个硬浮点单元(DSP)，超过28 MB的片上内存(M20K)，同时整合了高带宽内存(最高可达4×2

　　50 GB/s/stack或1 TB/s)，以及由新的HyperFlex技术改善了的频率。英特尔FPGA能提供全面的软件生态系统——从低级硬件描述语言到OpenCL、C和C++的高级软件开发环境。使用MKL-DNN库，英特尔将进一步将FPGA与英特尔机器学习生态系统和诸如Caffe这样的传统架构结合起来。Intel Stratix 10基于英特尔的14 nm技术开发，拥有FP32吞吐量上9.2 TFLOP/s的峰值速度。相比之下，最新的Titan X Pascal GPU提供FP32吞吐量11 TLOP/s的速度[31]。

　　綜上所述，目前工业界解决AI算力有三个方法，通用平台、半定制平台和定制平台。这三种平台的特性对比如表1所示。

　　从表1可以看出，通用平台在开发软件环境支撑和大规模部署方面有得天独厚的优势，成为AI应用落地和云端部署的主力。因此，当今绝大多数的AI示范工程和云端部署都采用GPU和CPU服务器或服务器阵列完成。然而通用平台在计算效率和功率效率与半定制平台、定制平台有数量级的差距。面向嵌入式应用、移动设备应用，通用平台则难以支撑。对于云端应用，当越来越多的AI应用被部署到云端，功率保障可能会成为其瓶颈。如正在研发的“天河3”超算平台(该平台依然采用CPU+GPU架构)，其功率可能达到百万千瓦量级。CMOS工艺已经接近理论极限，而以量子计算为代表的新型计算平台距实际应用还有很长的道路。因此，通过工艺和计算介质进步解决目前通用平台功率效率问题不是十分现实，未来可能会出现发电量不足以支持全社会大规模AI应用的困境。

　　半定制和定制平台对于嵌入式应用和移动设备应用非常友好，可以成为未来在嵌入式或移动设备实现本地AI应用的主力。由于这些平台在功率效率和计算效率方面的优势，在大规模云端部署也有一定的空间。如阿里云和亚马逊都采用了以FPGA阵列为核心的计算平台。面向半定制和定制平台的大规模部署需要解决软件开发环境支持的问题。现在的AI应用开发已经形成以开源的开发环境为主流的情况，而且这些开发环境支持GPU、CPU平台以及阵列平台。因此，需要解决通用开发环境面向FPGA阵列部署的软件中间件问题，即利用Python设计的AI应用可以一键部署到FPGA阵列平台上，而不需要AI设计者面对硬件描述语言的开发问题。这样才能够很好地解决AI应用在以FPGA阵列为代表的半定制平台上大规模部署的问题。

　　3 基于概率计算方法的解决方法

　　计算效率和功率效率是AI算力面临的永恒的挑战，AI应用对算力的需求每3.5个月增加一倍，而基础电路工艺已经进入后摩尔时代，AI系统应用在算力上的“鸿沟”将越来越大。随着集成电路工艺的发展，芯片的特征尺寸已经接近1 nm的界限，如若突破这个极限，未来的芯片生产和制造将举步维艰。同时一些新兴的技术，如量子计算、碳纳米管等，真正进入实用还有很长的路需要探索。因此，目前迫切需求一种新颖数值系统，即数的表征和计算模式来打破传统密集计算的不足，同时该方法可以在现有的集成电路工艺条件下实现且兼容未来的集成电路工艺。

　　在此背景下，基于概率计算的新型计算方式应运而生。2010年，当基于概率计算的图像处理芯片横空出世后，概率计算的发展就开始突飞猛进了，并且于当年被《美国科技评述》评为未来十大最有前景的技术。

　　此后，MIT的研究团队更是提出了概率计算是继云计算之后最有潜力的一项技术。概率计算中最基本的运算单元采取一种非精确的近似计算的模式打破了传统电路的实现方式，可以对传统的算法进行向概率域的重新映射，使其符合满足概率计算的模式。概率计算再通过误差分析和建模，设计各种系统参数，使其满足系统的需求，最后根据设计的算法映射到实际的电路架构中，完成算法的最终实现。其基本的原理就是利用大量的非精确计算模拟出复杂的系统功能，这其实和人类强大的大脑工作原理不谋而合。人类大脑就是基于大量的直观和非精确的计算方式来处理当今信息社会的海量数据。而AI的算法也是模拟人类的大脑，在此环境下概率计算应运而生，因此概率计算能够非常好地乘载复杂的AI算法。

　　据悉，Google AlphaGo所使用的处理器就是基于一种非精确的概率计算模式。相信基于概率计算和AI的结合能够使得未来的数据处理和信息分析达到一个新的高度。如今人工智能的一个关键障碍是——给计算机提供的自然数据大多是非结构化和“嘈杂”的数据。Intel公司认为，概率计算可以使计算机在处理大规模的概率时更有效率，这是将当前系统和应用程序从先进的计算辅助工具转变为理解和决策的智能合作伙伴的关键。

篇(3)

　　【关键词】人工智能;计算能力;概率计算

大数据论文发表

　　推荐阅读：AI和大数据赋能金融

　　1 引言

　　人类世界的信息业务量正在呈爆发式的增长，传统的数字信号处理和统计方式已经难以满足未来的数据和信息处理的需求[1]。在此背景下，出现了一批以机器学习算法为代表的处理算法和系统，来协助人类处理“大数据”时代下的海量信息与数据[2]。同时，随着机器算法的不断发展优化，计算机处理能力的突飞猛进，机器学习算法的能力越来越强，完成的功能越来越强大。最近有关机器学习最出名的案例就是Google的AlphaGo与人类进行的围棋人机大战，AlphaGo完胜了人类顶尖棋手，展现出了机器学习算法和系统的强大分析和处理能力[3-4]。因此，将机器学习算法应用到目前的数字信号处理系统中，这将是未来重要的一个发展和研究方向[5-6]，有很高的实用价值和倡议价值。

　　2 算力问题目前的技术路线

　　近年來深度学习的处理芯片蓬勃发展。大致来看可以分为以下几种：

　　(2)NPU：中科院研制的人工智能芯片——寒武纪1号(DianNao，面向神经网络的原型处理器结构)、寒武纪2号(DaDianNao，面向大规模神经网络)、寒武纪3号(PuDianNao，面向多种机器学习算法)[27]。CPU、GPU与NPU相比，会有百倍以上的性能或能耗比差距，以寒武纪团队和Inria联合发表的DianNao论文为例，DianNao为单核处理器，主频为0.98 GHz，峰值性能达每秒4 520亿次神经网络基本运算，65 nm工艺下功耗为0.485 W，面积3.02 mm2。在若干代表性神经网络上的实验结果表明[28]：DianNao的平均性能超过主流CPU核的100倍，但是面积和功耗仅为1/10，效能提升可达三个数量级;DianNao的平均性能与主流GPU相当，但面积和功耗仅为主流GPU百分之一量级。另有IBM主导的SyNAPSE巨型神经网络芯片(类人脑芯片)TrueNorth，在70 mW的功率上提供100万个神经元内核、2.56亿个突触内核以及4 096个神经突触内核，神经网络和机器学习负载超越了冯·诺依曼架构[29]。

　　和高端GPU相比，FPGA的能量效率(性能/功率)会更好，而且它们还可以提供顶级的浮点运算性能(Floating-Point Performance)。FPGA技术正在快速发展。即将上市的Intel Stratix 10 FPGA能提供超过5 000个硬浮点单元(DSP)，超过28 MB的片上内存(M20K)，同时整合了高带宽内存(最高可达4×250 GB/s/stack或1 TB/s)，以及由新的HyperFlex技术改善了的频率。英特尔FPGA能提供全面的软件生态系统——从低级硬件描述语言到OpenCL、C和C++的高级软件开发环境。使用MKL-DNN库，英特尔将进一步将FPGA与英特尔机器学习生态系统和诸如Caffe这样的传统架构结合起来。Intel Stratix 10基于英特尔的14 nm技术开发，拥有FP32吞吐量上9.2 TFLOP/s的峰值速度。相比之下，最新的Titan X Pascal GPU提供FP32吞吐量11 TLOP/s的速度[31]。

　　綜上所述，目前工业界解决AI算力有三个方法，通用平台、半定制平台和定制平台。这三种平台的特性对比如表1所示。

　　对于云端应用，当越来越多的AI应用被部署到云端，功率保障可能会成为其瓶颈。如正在研发的“天河3”超算平台(该平台依然采用CPU+GPU架构)，其功率可能达到百万千瓦量级。CMOS工艺已经接近理论极限，而以量子计算为代表的新型计算平台距实际应用还有很长的道路。因此，通过工艺和计算介质进步解决目前通用平台功率效率问题不是十分现实，未来可能会出现发电量不足以支持全社会大规模AI应用的困境。

　　现在的AI应用开发已经形成以开源的开发环境为主流的情况，而且这些开发环境支持GPU、CPU平台以及阵列平台。因此，需要解决通用开发环境面向FPGA阵列部署的软件中间件问题，即利用Python设计的AI应用可以一键部署到FPGA阵列平台上，而不需要AI设计者面对硬件描述语言的开发问题。这样才能够很好地解决AI应用在以FPGA阵列为代表的半定制平台上大规模部署的问题。

　　3 基于概率计算方法的解决方法

　　在此背景下，基于概率计算的新型计算方式应运而生。2010年，当基于概率计算的图像处理芯片横空出世后，概率计算的发展就开始突飞猛进了，并且于当年被《美国科技评述》评为未来十大最有前景的技术。此后，MIT的研究团队更是提出了概率计算是继云计算之后最有潜力的一项技术。概率计算中最基本的运算单元采取一种非精确的近似计算的模式打破了传统电路的实现方式，可以对传统的算法进行向概率域的重新映射，使其符合满足概率计算的模式。

　　概率计算再通过误差分析和建模，设计各种系统参数，使其满足系统的需求，最后根据设计的算法映射到实际的电路架构中，完成算法的最终实现。其基本的原理就是利用大量的非精确计算模拟出复杂的系统功能，这其实和人类强大的大脑工作原理不谋而合。人类大脑就是基于大量的直观和非精确的计算方式来处理当今信息社会的海量数据。而AI的算法也是模拟人类的大脑，在此环境下概率计算应运而生，因此概率计算能够非常好地乘载复杂的AI算法。

篇(4)

　　摘要：本文以大数据和人工智能为技术手段，分析技术支撑下如何推动媒体的场景创新，其中包括智能策划、智能生产、智能分发、智能评价等场景，为媒体融合发展赋能。

　　关键词：四全媒体;媒体融合;县级融媒体;智能化;业务场景

传媒论文发表

　　2019年1月25日，中共中央政治局在人民日报社进行第十二次集体学习时，习近平同志提出了新时代对媒体行业的更高要求——四全媒体。总书记提出“全媒体不断发展，出现了全程媒体、全息媒体、全员媒体、全效媒体，信息无处不在、无所不及、无人不用，导致舆论生态、媒体格局、传播方式发生深刻变化，新闻舆论工作面临新的挑战。”融媒体已经上升为国家倡议，需要从技术、业务、生态等多维度相互协同，秉持“人在哪儿，宣传思想工作的重点就在哪儿”的理念，着力构建资源集约、结构合理、差异发展、协同高效的全媒体传播体系。

　　1.媒体融合的三阶段

　　媒体融合之路历经了三个阶段，首先是 “从流程中心转变为数据中心”的数媒时代，以新华社待编稿库、人民日报公共稿库为融合数据资源的典型案例;第二个阶段是“从新媒体转向为融媒体”的融媒时代，重点是实现渠道、体质、机制、技术、平台等全方位的融合传播体系;第三个阶段就是当下正在探索的“大数据+智能化赋能”的智媒时代。

　　在大数据+AI这个新时代背景下，传媒行业也向着智媒时代进发，越来越多的媒体利用大数据和人工智能的先进技术手段，打造智媒平台以迎接未来趋势的挑战。人工智能在媒体传统的策、采、编、发、评等环节进行赋能，从整个行业的技术格局探析：“AI重构生产，智能升维传播”。从传统媒体到新媒体、从新媒体升维到智媒体，其技术支撑必然是大数据+AI，但是技术支撑的有效落地一定还是场景服务，只有合理的场景才能将智能化技术实现赋能创新。人工智能的分支方向很多，和媒体有机融合的技术主要有：认知智能、智能语音、智能图像、虚拟现实、知识图谱等，其中媒体行业应用最广泛和扎实的则是基于知识图谱相结合的自然语言理解(NLP)，有专家曾提出“语言理解是人工智能领域皇冠上的明珠”。

　　2.智能化赋能媒体的业务场景

　　智媒时代核心是智能传播，智能传播的本质是“建立智能的人的情、境、意、识+机的态、势、感、知的协同机制”。智能化赋能媒体业务的场景服务，主要体现在智能策划、智能生产、智能分发与智能评价四大方向。

　　2.1智能策划场景

　　依托于海量数据中筛选价值点，辅助媒体用户实现选题与策划的数据智能决策;同时利用NLP技术对大数据实时数据流进多维分析，结合知识图谱体系规划场景服务。智能策划的场景选型从多种维度方向进行垂直细化延伸，主要是线索发现、热点挖掘、情感关注、突发爆料、流量异动、深度追踪等等。

　　如线索发现场景，重点是从海量数据流中实时发现可供决策和选题辅助的线索信息，在线索发现的模型算法后，还需配套一系列模型才能提高线索供给背后的有效支撑。线索真伪认证，不仅是从线索内容表面进行分析，还需要结合上下文语境、线索溯源的源头发布信源的公信力、传播图谱上关键节点的信源评估、历史相似内容的发布信源等级，还有持续更新的谣言库比对等，只有通过诸多环节的算法模型处理，为每条线索赋予置信度阈值，才能提炼线索真伪性的量化数值依据，并供给为媒体从业者参考。

　　热点挖掘，不仅是从海量数据中发现聚类热点数据，而且需要将热点数据进行下钻分析、挖掘热点背后的多元因子，才能帮助內容生产和决策者从不同角度来选择合适的选题方向;因此从技术角度来看，每个热点多层级分析至少需要热度模型机选、子话题时移、热点趋势预测、爆点溯源评价、重要观点提炼、热力图谱、政策关联、报道角度预测、实体热度抽取等数十种子模型算法来匹配。

　　此外，智能策划还有情感关注、突发爆料、信息(或流量)异动、专题事件的深度追踪等一系列诸多场景服务。

　　智能策划场景其本质就是为媒体发现值得报道或者跟进的线索热点等信息，在海量数据信息的筛选上，需要借助诸多算法理论和模型实现不断的优化调整。“信息论之父”克劳德·香农为信息发现提供了扎实的理论基础，香农在1948年的论文中，首次提出了“信息熵”的概念，，在信息论的这个著名公式下，通过单调性、非负性和累加性三个维度的计算，可以量化关于内容策划化解所决策的信息增益和信息量，辅助媒体决策事件报道的方向和深度。

　　2.2智能生产场景

　　在媒体的内容创作过程汇总，利用大数据+人工智能为生产环节提供知识服务，以“人机协同”实现智能创作辅助;运用语音智能、图像智能、虚拟现实等创新性先进技术，提升专业创作、全息内容形态和安全发布等。

　　智能生产场景大致可以分为四类方向：知识服务类、生产辅助类、全息创作类和内容安全类。

　　知识服务类，核心是利用大数据+认知智能技术，将媒体知识图谱的语义关联有机结合，在内容创作过程中，通过“机器大脑”的方式理解内容创作者的思路目的，以主动推荐式的服务提供内容紧密相关的知识、素材和延展等，通常被应用于主题延展、背景分析、智能配图、素材关联、语义关联和以图搜图、视频关键帧查询等场景，实现内容与知识的“人机协同”创作。

　　推荐阅读：传媒评论新闻类职称论文

AI相关文章4篇

热门文章