我們離“數(shù)字人自由”還有多遠(yuǎn)？

　　作者 | 曉陽(yáng)

　　編輯 | 周燁

　　早在2007年，日本公司Crypton Future Media推出的虛擬聲優(yōu)“初音未來”，便將虛擬人推向大眾視野。遺憾的是，往后數(shù)年，數(shù)字人并沒有在真正意義上迎來爆發(fā)。

　　但2021年以后，基于AI技術(shù)深度開發(fā)的AYAYI、度曉曉等應(yīng)用場(chǎng)景更廣泛的數(shù)字人的出現(xiàn)，展現(xiàn)了更自然逼真的體驗(yàn)，也向“真實(shí)”邁進(jìn)了一大步。

　　在寫作、手語(yǔ)翻譯、直播等領(lǐng)域，數(shù)字人開始發(fā)揮作用。AI數(shù)字人挑戰(zhàn)高考作文，得分排總考生的前25%;數(shù)字人主播小C，已連續(xù)兩年報(bào)道兩會(huì)并采訪人大代表;AI手語(yǔ)主播，在今年冬奧會(huì)期間為數(shù)千萬(wàn)聽障用戶提供直播及賽事的手語(yǔ)服務(wù);百度數(shù)字人希加加，甚至成為麥當(dāng)勞的首位虛擬代言人。

　　虛擬數(shù)字人正在快速走向大眾，經(jīng)歷著大量的制作生成、不同場(chǎng)景的應(yīng)用，展現(xiàn)出一幅“人”與人共生的未來圖景。

　　2022年，這場(chǎng)有關(guān)“造人”的暢想、實(shí)驗(yàn)仍在進(jìn)行。業(yè)內(nèi)普遍認(rèn)為，以洛天依為代表的“形象+語(yǔ)音合成”的數(shù)字人，為1.0階段。2.0階段，則是依靠“2D/3D模型+實(shí)時(shí)動(dòng)作捕捉+聲優(yōu)配音”模式。

　　而如今進(jìn)入的3.0階段，將考驗(yàn)企業(yè)的AIGC(人工智能自動(dòng)生成內(nèi)容)能力。算法、程序是數(shù)字人的基因，但通過AI，它們能在面部表情、形體表達(dá)、語(yǔ)音表述上變得更加“真實(shí)”、“個(gè)性”。

　　近期，沙利文發(fā)布的《2022年中國(guó)數(shù)字人市場(chǎng)觀測(cè)報(bào)告》(下稱報(bào)告)顯示，按綜合競(jìng)爭(zhēng)實(shí)力量化評(píng)估，小冰、百度、商湯三家位列第一梯隊(duì)。從硬軟件、AI能力平臺(tái)到各產(chǎn)業(yè)的應(yīng)用，各大廠商也開始試圖打通數(shù)字與現(xiàn)實(shí)的入口。

　　但目前為止，企業(yè)以及個(gè)人還無法獲得“數(shù)字人自由”。虛擬數(shù)字人距離真正意義上的爆發(fā)，還有一段路要走。

　　大多數(shù)字人僅能進(jìn)行簡(jiǎn)單的決策，而無法達(dá)到完全智能化交互。同時(shí)，數(shù)字人的生產(chǎn)效率問題，導(dǎo)致難以滿足企業(yè)的高頻需求，數(shù)字人制造成本較高。

　　打造有“靈魂”的數(shù)字人，能聽、能說、能理解、能互動(dòng)，是企業(yè)、用戶的訴求，但技術(shù)方面依然面臨高難度挑戰(zhàn)。

　　1、數(shù)字人為什么被需要?

　　數(shù)字人浪潮的興起、爆發(fā)，一直是伴隨需求而生。

　　千禧年后，CG合成的“初音未來”讓虛擬偶像概念破土而出，愿意買單、參與創(chuàng)作的年輕人，制造了第一場(chǎng)圍繞虛擬偶像的“吸金效應(yīng)”。

　　回到當(dāng)下，在社交媒體上，虛擬美妝主播、虛擬換裝達(dá)人、虛擬演員等一夜爆紅的案例數(shù)不勝數(shù)。Z世代的新消費(fèi)趨勢(shì)，驅(qū)動(dòng)著數(shù)字人進(jìn)入更多產(chǎn)業(yè)鏈條。

　　提及數(shù)字人，大多年輕人的第一反應(yīng)也許是主打顏值的“演藝型”數(shù)字人。一位90后女生小蕾提到，她最早關(guān)注到虛擬人是在小紅書上，關(guān)注時(shí)尚博主AYAYI后，她隔幾天就會(huì)點(diǎn)進(jìn)她的賬號(hào)瀏覽最新的發(fā)帖內(nèi)容，后來才發(fā)現(xiàn)這是虛擬人。但目前，AYAYI小紅書的筆記點(diǎn)贊數(shù)已經(jīng)從十萬(wàn)+驟降至幾十，純演藝型數(shù)字人如何打破“虛火”、“過氣”的命運(yùn)，也是各大數(shù)字人廠商面臨的難題。

　　另一位90后男生周凡也提到，從小他就混二次元圈，從動(dòng)畫、游戲中的二次元人群到虛擬偶像，無論是顏值還是人設(shè)，都更能讓他產(chǎn)生興趣。真實(shí)的明星他絲毫不關(guān)心，卻很愿意為“虛擬人老婆”花錢買單。

　　主打顏值的演藝型數(shù)字人，常被塑造成網(wǎng)紅并進(jìn)行品牌代言活動(dòng)。比如希加加便是一個(gè)演藝型數(shù)字人，在多個(gè)社交平臺(tái)運(yùn)營(yíng)著個(gè)人IP賬號(hào)，一邊與蜘蛛俠、三體等超級(jí)IP合作，打造人氣，一邊與品牌在年輕化營(yíng)銷方面進(jìn)行合作，此前希加加便成為麥當(dāng)勞的首位虛擬推薦官，還與Qee熊、FE賽車合作畫作并發(fā)布售賣。

　　可以看出，數(shù)字人扮演著為品牌開辟全新營(yíng)銷場(chǎng)景、與未來消費(fèi)主力軍溝通的角色。

　　但市場(chǎng)對(duì)數(shù)字人的期待不僅僅停留在“顏值”上，人們希望數(shù)字人承擔(dān)的角色從演藝?yán)^續(xù)向服務(wù)型擴(kuò)展，撐起更大的市場(chǎng)需求。

　　在過往提到人“人”共存爭(zhēng)議時(shí)，數(shù)字人替代人類的問題總被提及，但無論是前端的開發(fā)者還是投身其中的科技公司都一再?gòu)?qiáng)調(diào)，數(shù)字人的服務(wù)屬性。百度智能云AI人機(jī)交互實(shí)驗(yàn)室負(fù)責(zé)人李士巖便曾提到，做數(shù)字人的初衷，并非為了替代人，而是為了“服務(wù)人和陪伴人”。

　　如何服務(wù)?取代部分基礎(chǔ)性工作、提升效能，是當(dāng)下能看到的答案。數(shù)字員工、智能客服已經(jīng)被廣泛應(yīng)用到很多企業(yè)中，這幫助了企業(yè)降本增效、提升客戶體驗(yàn)。

　　京東的數(shù)字人出現(xiàn)在618，在電商、社交、媒體等領(lǐng)域上崗就業(yè);在直播帶貨領(lǐng)域，網(wǎng)易伏羲的24小時(shí)AI虛擬主播，可以填補(bǔ)真人主播無法出鏡的空白時(shí)間;在新聞報(bào)道方面，度曉曉與《工人日?qǐng)?bào)》合作，在兩會(huì)期間應(yīng)用“AI記者”播報(bào)、采訪。

　　百度數(shù)字人度曉曉則屬于典型的“服務(wù)型選手”。2022年百度世界大會(huì)即將在7月21日舉行，在其預(yù)溝通會(huì)上也提到，百度智能云專門打造了一個(gè)數(shù)字人平臺(tái)“曦靈”，基于此形成了一個(gè)“AI數(shù)字人家族”，包括虛擬偶像、數(shù)字人主播、數(shù)字人員工等，都在為企業(yè)品牌提供服務(wù)。

　　而今年的大會(huì)中，度曉曉還將迎接一個(gè)難度系數(shù)翻倍的新挑戰(zhàn)。此前，在寫作方面，度曉曉參與作答全國(guó)議論文，拿下48分高分;作畫方面，其具備領(lǐng)先的跨模態(tài)理解和生成能力，可以根據(jù)個(gè)性化需求自動(dòng)生成油畫、水彩畫、中國(guó)畫等多種風(fēng)格的圖像，還能實(shí)現(xiàn)“看圖說話”的效果;度曉曉甚至還能創(chuàng)作歌曲方面，其與龔俊數(shù)字人聯(lián)合演唱的歌曲，從作詞到編曲均由AI“操刀”。報(bào)告也提到，服務(wù)型數(shù)字人是百度的優(yōu)勢(shì)所在，產(chǎn)品類型豐富，從最早的企業(yè)服務(wù)場(chǎng)景已經(jīng)延伸到營(yíng)銷、辦公等領(lǐng)域。

　　這一切也讓人們展望數(shù)字人在更多領(lǐng)域被全面喚醒。

　　2、實(shí)現(xiàn)“數(shù)字人自由”的技術(shù)難題

　　虛擬數(shù)字人呈現(xiàn)的爆發(fā)態(tài)勢(shì)，是過去數(shù)年制作水平、軟硬件技術(shù)等各方面的跨越式升級(jí)在催動(dòng)。

　　盡管虛擬數(shù)字人不再停留在“紙片人”的階段，向智能化、精細(xì)化、多樣化方向發(fā)展，但還沒有到達(dá)談?wù)?ldquo;普及”、甚至大規(guī)模“復(fù)制”的階段。

　　由此，在談?wù)撎摂M數(shù)字人“服務(wù)和陪伴人”這件事之前，似乎需要先解答“數(shù)字人自由”的問題：數(shù)字人大規(guī)模普及，依然面臨著技術(shù)發(fā)展的阻礙。

　　經(jīng)歷了長(zhǎng)期的發(fā)展，如今到了數(shù)字人產(chǎn)業(yè)的3.0階段，通過掌握語(yǔ)義智能解析(NLP)和語(yǔ)音在線合成(TTS)等AI技術(shù)，數(shù)字人將變得更加“聰明”。

　　AIGC將進(jìn)一步在數(shù)字人領(lǐng)域滲透，將顛覆現(xiàn)有的內(nèi)容生產(chǎn)模式，AI將成為打造數(shù)字人的基礎(chǔ)硬實(shí)力。

　　AIGC的應(yīng)用，說到底還是依賴于大模型等底層技術(shù)的創(chuàng)新。2022年百度數(shù)字大會(huì)的預(yù)溝通會(huì)也提到，希加加、度曉曉AI作畫、AI寫作文、AI作曲等，都是AIGC在內(nèi)容生產(chǎn)提效的體驗(yàn)，而這背后，是百度飛槳及大模型的支持。

　　AIGC如何讓數(shù)字人成為一個(gè)更真實(shí)的“人”，首先要從“真實(shí)”的要素說起。主要可分為：身體的靜動(dòng)態(tài)(軀體、面部、口型)，感知能力(看、聽、說)，認(rèn)知能力(情感識(shí)別、知識(shí)理解)，它們都被期待著擺脫“紙片人”的僵硬。

　　目前而言，部分?jǐn)?shù)字人僅僅擁有單一能力，且單一能力也僅僅是“半吊子”水平。

　　以涉及聽和說的“可交互”能力舉例，被稱作“人工智障”的數(shù)字人，無法完成多輪對(duì)話，更達(dá)不到“語(yǔ)言理解力”。當(dāng)你說“不喜歡”時(shí)，它可能會(huì)回答，“我不明白你在說什么。”

　　但與度曉曉等更“真實(shí)”的數(shù)字人對(duì)話時(shí)，你會(huì)發(fā)現(xiàn)，跟她說你想看電影，她會(huì)給你推薦影片;你提到想喝咖啡，她就會(huì)跳轉(zhuǎn)到咖啡外賣的小程序去下單。顯然，度曉曉在對(duì)話中不僅能與用戶閑聊，同時(shí)能識(shí)別用戶說話的意圖，來提供給用戶搜索、推薦等，更好地為用戶服務(wù)。

　　那么，這樣流暢的對(duì)話是如何實(shí)現(xiàn)的?這需要依賴數(shù)個(gè)步驟：首先，預(yù)訓(xùn)練對(duì)話大模型，使數(shù)字人學(xué)習(xí)通用的對(duì)話生成能力。再進(jìn)一步學(xué)習(xí)不同畫像信息下的對(duì)話生成能力，使模型的答復(fù)更具“定制化”“一致性”。最后，將海量的問答知識(shí)內(nèi)化到模型參數(shù)中，使得模型具備準(zhǔn)確的問答能力。百度文心PLATO大模型，便具備接近真人水平的多輪對(duì)話能力。

　　簡(jiǎn)單來說，不斷迭代大模型的能力，提高各項(xiàng)AI能力，而基于大模型生成的數(shù)字人也將擁有更高的“智商”“情商”。

　　不過，提高單一能力并非終點(diǎn)，數(shù)字人需要走向全能。隨著虛擬人扮演的角色逐漸復(fù)雜，比如協(xié)助國(guó)家隊(duì)訓(xùn)練的虛擬教練觀君、負(fù)責(zé)萬(wàn)科內(nèi)部財(cái)務(wù)催收的虛擬員工崔筱盼、百度的AI手語(yǔ)數(shù)字人等，內(nèi)容生成、感知表達(dá)等都在逐步進(jìn)化。

　　比如在直播場(chǎng)景中，百度的AI手語(yǔ)數(shù)字人，需要“聽到”主播的話，并“理解”字句，再實(shí)時(shí)轉(zhuǎn)換成手語(yǔ)“動(dòng)作”，展示給觀眾看。顯然，相比其他數(shù)字人，它進(jìn)行著更高強(qiáng)度的“大腦”運(yùn)轉(zhuǎn)，完成著更復(fù)雜的工作。

　　這便要考驗(yàn)數(shù)字人背后的大模型的跨模態(tài)能力。從文字、聲音到圖像模態(tài)，AI需要讓數(shù)字人做到“聽說讀寫”樣樣俱全。AI驅(qū)動(dòng)下，數(shù)字人將不斷成長(zhǎng)，擁有更多可能性。

　　3、技術(shù)越來越強(qiáng)，大量復(fù)制卻依然艱難?

　　解決“數(shù)字人自由”，技術(shù)難題之外，生產(chǎn)效率問題也是討論的主要問題——如何低成本且快速地生成數(shù)字人，去滿足高頻的需求。

　　當(dāng)下，數(shù)字人還很難快速低成本生成。當(dāng)企業(yè)希望借助數(shù)字人營(yíng)銷、服務(wù)用戶時(shí)，面臨著數(shù)字人的投入成本高、制作周期長(zhǎng)、人設(shè)運(yùn)營(yíng)難、技術(shù)難度高等難題。

　　提供解決方案的服務(wù)平臺(tái)，被認(rèn)為是“數(shù)字人自由”的加速器。如百度、騰訊、網(wǎng)易伏羲等，都是平臺(tái)型技術(shù)服務(wù)商。

　　通過服務(wù)平臺(tái)，企業(yè)品牌借助批量生成功能，定制與業(yè)務(wù)方面吻合的數(shù)字人，同時(shí)，可以通過平臺(tái)進(jìn)行內(nèi)容生產(chǎn)和運(yùn)營(yíng)，比如直播、制作短視頻等，或是對(duì)數(shù)字人的“人設(shè)”進(jìn)行包裝。

　　過去兩年，縮短生產(chǎn)周期——企業(yè)的這一核心需求，在不斷被滿足。

　　比如根據(jù)不同需求所需時(shí)間區(qū)分：在百度智能云曦靈平臺(tái)上，較為簡(jiǎn)單的2D數(shù)字人像，以前需要兩三個(gè)月時(shí)間做出來的3D數(shù)字人，現(xiàn)在可以壓縮到小時(shí)級(jí);困難度最高、成本最高的特異型數(shù)字人(有具體的參照形象要求)，也可在10到30天內(nèi)生成。

　　另外，不同類型的數(shù)字人的制作成本都很高昂，企業(yè)品牌既要避免數(shù)字人同質(zhì)化競(jìng)爭(zhēng)，又要低成本，實(shí)屬艱難。

　　越來越多的企業(yè)也在通過AI技術(shù)釋放生產(chǎn)力、降低成本。比如在人像制作上，掃描真人、捏臉是常規(guī)手段，但生產(chǎn)周期長(zhǎng)至3個(gè)月，成本高至上百萬(wàn)。而各個(gè)平臺(tái)也在試圖尋找降低成本的方法。如百度的技術(shù)團(tuán)隊(duì)，通過積累人像數(shù)據(jù)，利用數(shù)據(jù)訓(xùn)練AI生成模型，最終通過AI模型快速打造各種需求的人像，大幅降低成本。

　　百度讓數(shù)字人制作成本十倍、百倍地下降，使數(shù)字人生產(chǎn)周期，從動(dòng)輒幾個(gè)月，縮短到小時(shí)級(jí)別。2022年百度世界大會(huì)的預(yù)溝通會(huì)提到這一數(shù)據(jù)。

　　可以預(yù)見，未來數(shù)年，更多企業(yè)會(huì)加入應(yīng)用數(shù)字人的隊(duì)伍，數(shù)字人的商業(yè)價(jià)值將在更多領(lǐng)域發(fā)揮，數(shù)字人幫助品牌代言、與用戶溝通互動(dòng)等，都會(huì)變得普遍起來，而不止企業(yè)，甚至個(gè)人也能擁有屬于自己的數(shù)字人。

　　作為國(guó)內(nèi)AI領(lǐng)先企業(yè)，百度多年積累的AI能力，成為它在數(shù)字人產(chǎn)業(yè)實(shí)力領(lǐng)先的基礎(chǔ)。此前互聯(lián)網(wǎng)周刊發(fā)布的《2021虛擬數(shù)字人企業(yè)排名TOP50》榜單中，百度因?yàn)檎Z(yǔ)音、視覺等AI能力的積累，在數(shù)字人綜合實(shí)力方面排名第一。百度等服務(wù)平臺(tái)的下場(chǎng)也助推了數(shù)字人產(chǎn)業(yè)的發(fā)展。

　　數(shù)字人變得更加“真實(shí)”，服務(wù)于更多產(chǎn)業(yè)，得益于百度等廠商對(duì)AI能力的投入、培育，并將解決方案提供給更多有需求的企業(yè)，將數(shù)字人產(chǎn)業(yè)從0推向1，再走向虛實(shí)融生。