数字人 ayayi「注入AI的灵魂后，数字人将成为所有人的“门户”」

声明:本文来自于微信公众号 AI新智能（ID:alpAIworks），作者:举大名耳，授权转载发布。

自古以来，人类就有着对自我影像的追求和渴望。影像是人类的延伸、记忆，也是人类的表达。

过去的两百多年里，人类为了留住自我的影像，创造了各种手段和工具。从最初的画像，到后来的摄像机，再到今天的数字人，都是人类为了留住画像，解放人类的躯体，而进行一次次技术革新。

尽管数字人从诞生那天起，就一直在试图模仿和复制真实的人类，但由于时代的局限，以往的数字人，离人们想象中那栩栩如生的形象，总是差了点气候，

其在商业上的应用，也总是难免被人视作“鸡肋”。

然而，AI时代的到来，似乎为这一曾经“聊胜于无”的技术，注入了新的灵魂。凭借愈发逼真的形象，数字人开始在更多的场景、行业中进行赋能。

1

“前浪”艰难探索

很多人在谈到数字人的过去时，往往都会陷入一个误区，认为最初的数字人仅仅是个被炒起来的概念，是个像VR那样，看似潜力无限，实则可有可无的“鸡肋”。

实际上，这样的看法，忽略了一个重要的现实，那就是:

在数字人诞生的早期，不是人们没有对数字人的需求，而是当时的技术、成本，根本满足不了这样的需求。

具体来说，早期的数字人，主要存在着成本高昂、技术标准不统一、形象难以与真人媲美等缺陷。

据国内领先的数字人企业风平智能介绍，在数字人处于2D卡通时代时，虽然也有部分企业，出于营销时增加新奇感的需要，订购了一些数字人，但其中99%的数字人，在订购之后半年就再无人问津。

究其原因，是当时数字人的成本太高，而应用场景却又太窄了。

试想一下，花费数十万制作出来的卡通数字人，除了在部分需要增加“新奇感”的应用场景外，还能用在什么地方呢?

你不能指望人们在上课、开会或讲座这些严肃的场景里，看着一个卡通形象滔滔不绝吧?

后来，虽然随着技术的进步，数字人的形象开始逐渐朝着写实、3D的方向发展，可居高不下的成本，仍然让许多企业望而却步。

一般来说，数字人的制作主要包括了数据采集、处理和应用等方面，而根据数据处理的复杂度和效率，以及数据应用的规模和质量的不同，一个3D化的写实数字人，成本可达到数十万到百万元不等。

这还是剔除了后期运营成本的情况下。

以抖音美妆达人“柳夜熙”为例，其制作企业创壹科技CEO梁子康曾对媒体表示，“柳夜熙”仅制作投入就在百万元级别，而第一条“柳夜熙”的短视频成本约几十万元。超写实虚拟人视频每秒的成本都在万元区间。

因为想要让数字人“动”起来，就需要让AI驱动数字人的语音表达、 面部表情、动作生成等等，这都是巨大的投入。

而花费了如此巨大的数字人，最后还是只能局限在娱乐、直播、内容IP等领域;

这是因为，当时的数字人，交互能力还不够强大和智能，无法理解复杂语境、也无法处理多轮对话，导致用户的沟通和服务效率很低。

即便有的数字人，可以通过真人的方式驱动，可这类数字人的交互能力，也要受限于真人操作者的水平和风格，这使其很难满足不同用户和场景的多元化需求。

因此，只有在娱乐、直播等更加看重“门面”和“颜值”的场景中，数字人才能占据一席之地。

然而，所有这一切的限制，都随着当今AI革命的到来，而被纷纷打破了。

2

成本暴降、井喷来临

2020年，随着元宇宙概念的火热，市场对于提高数字人生产效率和提升商业化的诉求日益高涨。同时，5G、AI等新技术更新换代，也让数字人得到了焕发新生的机会。

其中几项关键的技术，让数字人极大地提升了与真人的接近度。

例如，人像驱动引擎，可以通过4D扫描、智能绑定等AI技术，实现数字人的唇形驱动、肢体驱动、表情驱动、手势感知等，同时减少动作捕捉、CG合成的制作流程，大幅降低了成本。

而智能对话引擎，通过自然语言处理技术，为数字人快速定制对话能力、持续提升对话效果。

这些技术，让数字人在表现力、智慧度、交互能力上都得到了大幅提升。

也就是在这一阶段，包括百度、腾讯在内的国内各大企业，开始在数字人领域八仙过海，各显神通。

例如，百度推出的曦灵数字人平台，通过自然语言处理、语音识别、计算机视觉等技术的提升，让数字人在视觉表现力上有了显著提升。

虽然形象仍然是3D人物，但从五官细节，神态动作等方面，都明显在朝着更写实的方向进行发展。

以前需要两三个月时间做出来的3D数字人，现在可以压缩到小时级。

同时，通过在线语音交互注意力模型，数字人也终于变得“音画同步”了，逐字口型准确率达到了98.5%。

而得益于新一代数字更生动的表现力，曦灵平台推出的数字人，也从单一的娱乐领域，扩展到了更多元的行业。例如在2B端担任数字理财专员、数字客服、虚拟培训师等角色，或是新闻播报员等。

腾讯在数字人方面，也发布了智能小样本数智人生产平台。

腾讯方面称，该平台可实现“自助式”数智人生产制作，只需经过3分钟真人口播视频、100句语音素材的训练，便可在输入音频、文本等多模态数据后，实时建模并生成高清人像，在24小时内制作出与真人近似的“数智人”，其使用成本也将被降至千元级别。

可以说是BAT三巨头中，最早实现真人级数字人的企业。

小样本“数智人”从直观上感受是2D视频，但背后其实是3D人像技术在支撑。通过3D人脸结构的先验信息引入，使数智人口型、表情更到位，让小样本“数智人”形象实现“皱纹级”还原。

除了百度、腾讯这些大厂外，一些默默耕耘于数字人垂直赛道的企业，也凭借日益精湛的技术，打造出了更逼真和生动的数字人。

在数字人领域钻研已久的风平智能，就是一个这样的代表。

其独特的XGen智造系统，和丰富、可定制的知识库，在低成本高质量生产数字人的同时，还能使每一个数字人都拥有独一无二的“智能大脑”。从而扩展了其多元化的场景应用能力。

同时，通过深度学习技术建模，风平智能的数字人还能支持129种语种，实现了跨国互动无障碍的交流。其制造的数字人，已应用在了新东方的课堂直播中。

在这一阶段，数字人所呈现出的总体趋势，是制作成本的大幅度下降，以及表现力的突飞猛进。

而这些技术进步，所带来的直接的后果，就是数字人技术的不断下沉和趋同。

3

当AI的灵魂注入数字人

从概念提出到场景落地，AIGC加持下的数字人，已经从原先几十万、上百万的制作成本，数个月的制作周期，降低到了现在数千元，十几个小时的制作门槛。

数字人的应用场景，早已从单一的B端逐渐向C端扩散。而这样的扩散，必将会重塑人类信息的输出端口。

纵观数字时代的每一次变革，人类信息的输出端口，一直在不停变化。

在传统的PC时代，这样的端口是屏幕上的一个个网页;

到了移动互联网时代，这样的端口则变成了一个个APP;

自媒体兴起后，这样的端口又变成了一个个公众号、短视频;

而在AIGC时代，经过AI大模型强化后的数字人，则注定会拥有以往各类端口所不具备的知识量和交互能力。

到了那一天，也许人类真的会像比尔盖茨所说的那样:“再也不会去使用搜索引擎，不会去生产力网站，也不会再去使用亚马逊。”

在盖茨的设想中，这个“AI助理”将有能力理解人类的需求和习惯，同时会帮助人类“读他们没有时间读的书。”

如此一来，AI加持下的数字人，就成为了人类更终极、更先进的输出端口。

此外，在每一具数字生成的皮囊下，人们仍能看到不一样的灵魂。

这也是今天GPT-4等先进的大模型，与数字人进行结合的最大意义。

通过大模型丰富的知识，纯熟的语义理解和交互能力，和相应行业、个人不同的需求，每一个数字人，都可以“因地制宜”、“因人制宜”地幻化出各种不同性格、思想和技能，进而真正做到了“千人千面”的效果。

由此可见，在必将到来的AGI时代，真正决定数字人高下的，就是其独一无二的灵魂。