■高晓辉（同济大学出版社常务副总编辑）
同济大学出版社（以下简称“同济社”）在教育出版数字化建设方面积极探索。在外语教材建设方面，针对语言学习的特点和要求，进行数字化赋能、平台建设的布局。如在德语教材基础上开发了德语教学与文化交流在线平台，包括同济德语网站、布谷德语课堂、微信公众号“同济德语出版中心”、同济德语 APP、布谷词场微信小程序等数字内容，打造了较成熟的融合出版矩阵。围绕英语教材建设了“同学堂”APP英语教学模块、教材配套微课、教学课件、配套音视频资源等数字内容。在专业教材建设方面，重点建设了计算机系列、建筑设计系列、智慧财经系列、智能汽车系列等高教和职教专业教材，这些教材均配套微课视频及实操视频等数字化资源，通过同济社官网“同济书房”和“同学堂”APP平台实现了线上的资源整合和师生互动。
开发数字教材有两个关键问题。一是针对盗版问题要从4个方面解决。首先，通过防盗链技术和用户白名单确保数据资源只能由被授权平台访问和使用，防止数据泄露和盗窃。其次，通过规范的储存机制，确保数据资源在需要时准确获取和使用，并建立完备的数据恢复机制。再次，通过用户或用户组权限设置，保证只有授权用户才能修改数据资源。此外，在提供付费内容的场景中，通过“一书一码”，确保只有购买者才能访问和使用付费内容，防止非法传播和盗版。二是直面数字化开发成本高的问题，首先减少数字化开发成本，通过和触讯、知谱、超星、智慧树等技术平台合作，降低出版社自身技术建设和运维费用。其次从两方面降低数字教材内容建设成本，包括将存量的纸质教材转化为数字教材，其成本相对可控；存量教材和新开发数字教材中的媒体资源大部分由教师团队提供，以此控制投入成本。
同济社和同济大学部分学院及职能部门签订了战略合作协议，如与同济大学研究生院一起打造了同学堂在线课程平台，充分开发建设较成熟、用量较大的精品课程，从中了解用户使用数据和反馈，在此基础上进一步开发数字教材，实现先开发通识类课程，再开发教材的转化。
同济社已具备开发数字化教材的自主可控平台，以及制作各类多媒体资源的能力，正在进行《理论力学》《国土空间规划原理》等系列数字教材开发，可提供在线阅读、下载、互动问答、笔记、成绩数据、考试、作业及课程AI问答助手等教学服务功能。
学生自主购书后，很难预估实际使用量。如同济大学本校使用的《高等数学》教材，大一新生的实际采购量为学生数的60%~70%。大三、大四学生以专业课程学习为主，教材实际采购量不到学生数的20%。市场化教材销售以线上为主，占比超过90%。而专业类培训教材营销采取几种方式：一是与相关行业协会合作，将教材精准送至每位考生手中，减少中间环节损耗；二是寻找垂直类公号或博主进行宣传，同时对一些培训班进行有的放矢的跟踪和推广；三是借出版社自营平台大力宣传，踩准关键时机（开学开班或考试前一个月），最后所有流量引到线上平台，产生销售。对于线上差异化营销，经过多年实践经验，采取优化渠道、重点陈列、线上控价三步。优化渠道指选择优质合适且可控的合作平台或书商，切忌全平台铺货；重点陈列能确保产品在各大平台展示，且通过关键字、直通车等方式增加曝光度；线上控价指与合作控价公司一起，确保最终售价全网统一，保证毛利率，这是三步中最关键的一步，也是确保前两步走稳的基础。
同济社与AI技术公司合作，主要利用其技术平台对书稿进行内容查重、智能审校，目前涉及编审校等内部管理环节，还将AI技术用于内容查重、书稿审校、AI助手等方面。目前已与3家公司达成合作。一是超级知识产权顾问公司的源文鉴查重系统，主要用于学术著作、大中专教材来稿后的内容查重，对于编辑预判作者是否存在学术不端和侵权行为帮助较大。二是方正电子开发的“方正智能审校辅助系统”，其具备字词检查、知识性检查、体例格式检查、重点内容检查等编校辅助功能。出版社要求每本书稿都必须使用这一系统，以进一步理顺书稿，消灭基本差错，提高编校质量和工作效率。三是金山黑马公司开发的黑马校对系统，该系统能嵌入编辑、排版场景，帮用户发现文章中的政治性和文字错误。
目前我们正在测试两个AI平台，一是“同学堂”APP数字教材平台，该平台的AI教学助手问答功能可回答学生阅读中的问题，提高学习效率；二是数传公司的“编辑工作全流程AI助手”功能，它包括7个AI编辑助理、7个AI校对助理、4个AI创作者，并支持按需创建自定义员工，覆盖从选题策划、图书制作、三审三校、到数字出版、营销发行等出版业务全场景。例如，通过编辑+AI儿童作者+AI画师的自主协作，可完成一本儿童读物的初稿制作；输入图书相关信息，可自动生成相关内容的媒体推文，为编辑提供内容参考。
数据和隐私安全取决于技术平台的可靠性。为避免AI生成内容有虚假、错误甚至偏见等问题，首先，要保证源数据的正确性、原创性且具有自主知识产权。这要求出版社从源头保证AI在“源数据库”基础上自主学习、生成的内容具有科学性。其次，“源数据库”应为多样性数据集。确保训练数据集涵盖不同群体和环境，以避免过度拟合和偏见产生。再次，可利用IT技术实现AI生成内容来源可追溯，从而利于从源头判定AI生成内容是否有虚假、错误或偏见。最后，选择可靠的AI模型，一方面让用户能理解模型的行为和预测结果；另一方面，模型应有完善的数据预处理和清洗功能，能在训练数据中识别和纠正偏见与错误，确保数据和生成内容的质量。