场景喂出来的数字人，谁做得更稳、更真、更活？

文/纪德

编辑/子夜

AI什么时候能真正“干活”？今年的世界人工智能大会（WAIC），给出了最直观的答案。

大会现场，60台人形机器人第一次以“志愿者”的身份上岗，在展馆里跑导览、答问询。而在去年，它们还只是在展台上奔跑、跳舞和打拳。

在数字人领域，变化同样正在发生。虎牙发布的VAM 1.0实时多模态数字人，用一张照片，就能驱动一个7×24小时实时直播互动、唱歌跳舞、游戏陪玩与赛事解说的数字人。

而科大讯飞、商汤、Soul等展台上的数字人产品也集体换代，更多数字人走向各自的“岗位”了。

机器人在展馆当志愿者，数字人在直播间当主播。背后是整个行业的转向：AI的竞争，正在从拼模型能力，变成拼工程化落地。

1、模型差距在收窄，工程差距在拉开

这届WAIC传递出一个共识：拿到AI时代门票的真正门槛，不在模型，而在把模型能力转化为生产力的工程化能力，以及基于场景的交付能力。

大会上腾讯副总裁林松涛说得直接，“当前模型能力的差距在收窄，但工程化的差距在拉开。”他认为，真实场景是AI价值的第一现场，终端是AI普及的最后一公里。

商汤CEO徐立说的也是同一个意思：“未来的核心计费维度应当是任务完成的价格”——AI的衡量单位，要从Token转向Task，从卖算力转向卖结果。

无论工程化还是“卖结果”，最终都要落到场景上。而场景恰恰是不能速成的。这届大会上跑在前面的产品，几乎都是从自家场景里长出来的。

虎牙的VAM 1.0背后是十几年的直播间，弹幕、连麦、打赏构成的交互现场，倒逼出了技术；科大讯飞的AI主播“小百惠”从媒体播报场景里长出来，今年已能与真人主持同台对话；京东的言犀数字人，则背靠多年的电商供应链。

但把模型用进真实场景的每一步，都要靠工程磨出来。

例如虎牙给VAM设计了三段式训练：先让它稳，故意喂入模糊、抖动的劣化画面；再让它真，用偏好优化算法在唇形、表情、动作之间做平衡；最后让它快，把生成步骤从20步压到4步，并自己给自己批改作业，减少误差。

百度一镜则靠编剧、导演、剪辑三个AI智能体和80多个技能组件，把一条播客、带货视频的生产做成流水线。

大模型时代，手里只有技术的公司，是“拿着技术找场景”；有高频交互场景的公司，则是“在场景里长技术”。这届WAIC给出的信号是，下半场或许属于后者。

2、稳、真、活，数字人躲不开的三道工程题

所谓“工程化”，并非简单的API调用，而是将模型能力与企业复杂的业务流程、私域数据、安全合规要求以及现有的IT架构进行深度融合。它要求技术团队不仅要懂算法，更要懂业务，能够将抽象的模型能力转化为具体的、可执行的、可量化的生产工具。这正是虎牙所强调的“真正将模型能力转化为企业生产力，放大模型效能的技术核心”。

以直播为例，AI生成长时间视频会累积误差，跑久了五官偏移、动作撕裂。一个随时会“脸崩”的主播，品牌方不敢用，观众留不住。

虎牙基于DiT架构的VAM 1.0先解开的就是这道题。它生成的数字人在可以在24小时的实时直播中，不崩、不走样，还能在直播间长时间进行唱歌、跳舞，换装也不会黑屏。通过DPO偏好优化算法做到了高质量的唇形同步，声音各有辨识度，听声就能认“人”；生成的也不是一个漂浮的头，而是会拂头发、带手势、丢硬币的完整身体。

“拟人”之外，还得会互动。在短视频赛道，百度一镜正试图让数字人在访谈类节目里像人类一样自然插话，与嘉宾进行深度对谈。在社交赛道，Soul重点展示了基于自研交互大模型SoulX打造的实时数字人方案，可实现自然对话、表情动作同步生成，覆盖AI直播、内容创作等场景。

图源Soul微信公众号

而在虎牙的直播间里，数字人的强互动，会让娱乐性更高。用户说话时数字人会点头，被夸奖时会露出愉快的表情。当每秒几十条弹幕、语音同时涌入时，VAM 1.0创造的数字人能像真人主播一样决定先接哪句——这是全双工实时对话能力。

稳、真、活，构成了数字人行业的“不可能三角”：要么稳而假，要么真而慢，大多数方案只能顾住一样，这是行业的真实状态。但虎牙、百度、Soul等平台拿出来的方案，至少证明这张“不可能”的考卷，是有解的。

3、以工程化为基，让AI成为普惠生产力

数字人上岗之后，会发生什么？

对企业内部而言，是成本结构的重写。

以直播为例，其本质上是“人力生意”。新增一个直播间、一段直播时长，就要对应新增一位主播和一整套配套班组，长时段运营意味着高追加成本。数字人改写的，正是这个等式。

这笔账还会算到虎牙的主业上。虎牙正在打造一个成规模、7×24小时运转的数字人直播间网络。矩阵聚起流量，流量再喂给游戏发行，发行业务的地基会越垫越大。

但企业内部的账算通了，需求侧的门槛还剩下最关键的一个：账要算得平。

降本的曲线已经跑了几年：这两年，模板化的2D数字人进一步下探到几百元档。现在，交互型数字人也开始跟上，按虎牙公布的路线图，VAM 1.2版本的推理成本将再降50%以上。

虎牙CEO黄俊洪表示，“直播平台的内容供给会从线性走向指数，内容的边际成本随规模持续下降，成本结构随之改善，利润空间自然打开”。

对数字人行业来说，这不是存量生意的改善，而是增量空间的打开。过去只有大品牌用得起的超写实数字人，正在沉向中小商家的直播间；文旅、陪伴等那些“想要但算不过账”的长尾需求，也会一批批被激活。可以看见，数字人的下半场，将是由工程落地能力带来的AI普惠生产力的释放。谁的数字人更稳、更真、更活，谁的账算得更平，谁就能多拿下一个岗位。

这场大考没有终点，但答卷已经开始计分。