1）机器稿件产量的提升。“从去年8月25日开始记录到现在，”一财全球“总共产生19604篇稿件。考虑到机器写稿的简短性，平均每篇稿子64.5字，总字数为1,264,458字, 平均每篇稿件约64.5个单词。这相当于同时期一个15人编辑团队人工监控股市写稿的总产量。

　　综合分析，考虑到目前机器稿件的单调与重复等因素，稿王机器稿件的加入，相当于为一财全球增加了一个3个人的编辑团队。

　　2）成本下降和资讯反应速度的提升。基于沪市1040家公司、深市1420家公司的即时监控和异动报道工作，至少需要15名以上的编辑进行即时监控，每人要同时监控100多只股票，1名翻译即时翻译。并且，股票的异动分成多种情况，人反应和分析的时间将带来5~10分钟的延迟。

　　因为写稿机器人的使用，这些稿件在没有人工参与的情况下快速生成，延时也降低到1分钟。此外，写稿机器人还能针对大盘、板块进行着监控和稿件生成。

　　3）流量的贡献。根据Google Analytics汇总报告中显示最近1个星期， 3月20日到3月29日之间机器稿件流量占到一财全球全部流量的25%，相对于之前有显著提升。

　　利用写稿机器人的工作思路：文本分类，文本中的信息提取，文本总结，基于逻辑的自动写作方法在“文本范式”的领域，均具备可迁移的想象空间，如法律、合同、电商数据等领域。

　　“电商模式是来钱比较快的”，业内资深人士分析，并提供值得借鉴的方向思路。电商数据多而庞杂，对于当下盛行的电商导购返利网站而言，UGC（用户原创内容）需要大量的人工审核，虽然编辑自己写的少，但是仍然需要花大量人力在审查上。

　　机器审查又会过滤掉一些很有价值的商品推荐。所以建立一个机器写作的导购网站，UGC或者机器只要去发现一些有价值的线索就好，“具体的内容我们交给机器去写，赚流量的同时也赚眼球”。

　　综合以上分析，四大平台下的写稿机器人最具商业化前景和可能性。“其平台不仅具备完善的财经数据，同时得到了阿里巴巴的电商数据支持”，前文提及的“千牛”电商平台资讯服务也得益于此。

　　此外，据汤开智博士介绍，DT稿王产品的下一侧重方向在于，“为专业的内容生产方提供技术输出，建立一套辅助写作系统，能够和编辑互动”。

　　“语言生成是一个非常基础的问题，我们如果可以把这个问题解决好，自然语音的理解方面可能还会有更大的突破，我们很多方法可以把难问题变简单，如果能够设计成模型自动的做这一步，最后得到的效果会更好”，今日头条科学家、实验室总监李磊表示，可以想象围绕写稿机器人衍生的系列“文本范式”算法，将成为今日头条后续的信息流源头之一。

　　腾讯方面，则朝着产品化的路径进一步完善。“近期，我们会有一个更具象的产品发布。类似一个服务系统，可以用于前端展示”，腾讯财经副总监刘康向智东西。

　　六、大数据时代下 精细化数据却“一票难求”

　　在本月初的IT领袖峰会上，马化腾曾提到，就算是腾讯这样规模的平台，在数据应用上仍面临难题。“用户直接产生的数据还需要脱敏（保留隐私性）、清理（保留有效数据）、加标签（分类）等前序工作后才能产生出有价值的数据”。

　　机器写作需要从大量的文字资料中或许稿源信息和文本数据，然而实际上互联网上的中文信息本来质量就不高，清洗难度很大。

　　此外，稿源信息清洗后需要格式化，然后通过数据调用载入模板的形式生成自动化稿件，这里面模板越精细化，效果就越好。然而实际上没有足够好的信息源来配合模板，同时，编写模板代码的工作量，事实上不小。

　　以技术基础和数据库为导向。类似NBA、奥运会等大型赛事，大型媒体平台本身需要对接到一个信息数据库，详细的图文数据。“这个数据库是非常高质量的，包含有很多细节的”。但在赛事数据和股市数据之外，很难再找到这样结构化、高质量的数据库。

　　此外，因为纯粹一个平面化的机器写作很难去做，一般还是要垂直行业能够做精细化，比方说棒球几只安打怎么报，每个投手或者击球手什么特点。对应到法律行业就是要了解司法体系，以及不同法律条文之间的关系，这远不是一个普通创业公司能做的事情。

　　七、结语：下一个“今日头条”