Sora刷屏后现现实问题：数字人难成实时交流起点与真智能伙伴
那些由 Sora 生成的影像，它们既熟络逼真又显得抽象，最近大概率在将你的，社交媒体刷屏了。
Sora呈现病毒式传播这一情况，证实了AI生成内容存在的一条黄金法则，那就是人类最为着迷的始终都是人类自己。这些影像能够快速变成一种赛博奇观啦，而且它的传播力超越了以往的所有 AI 视频呢，原因在于它首次高质量地把创作主体从风景、动物那儿，转移聚焦到人类自身了。
但热潮过去之后，一个更为现实的问题显现出水面，Sora生成的数字人，不论多么逼真，本质上依旧是活在预设脚本里的「演员」，它们是内容生成的终点，然而却无法成为实时交流的起点，在这种「文生视频」的范式以内，AI被困在一次性的创作流程当中，这和一个能随时响应、无处不在的智能伙伴相差很远。
那为什么一个能随时响应的 AI 数字人，至今仍未普及？
主要原因就是成本。
而这一矛盾，正是下一轮技术演进的发力点。
在 10 月 29 日，魔珐科技正式发布了 3D 数字人开放平台「星云」，其核心在于将过去那种本来属于大企业预算范畴的「项目制」奢侈品，转变成所有开发者都能够借助 SDK 迅速进行集成的基础能力。
魔珐科技曾是 3D 数字人领先提供商之一，知晓不少企业听闻高昂部署价格后会望而却步。其近期有技术突破，精准打击了这一核心痛点，凭借自研 AI 算法，替代了传统渲染流程对高端 GPU 的重度依赖，如此一来，生成的数字人既保证了高质量，又能在百元级芯片上流畅运行。
一个高质量且可交互的3D数字人，大幅地降低了运行成本，其意义远远超过了技术本身，这意谓着，AI终于得到了入住每一块屏幕的入场券，未来，不管是手机App，还是汽车座舱，又或者是商场里的一块普通广告牌，都有可能成为一个能够与你自然对话的智能体，人机交互的下一个范式，或许正因此而开启。
01
[]
让 AI 的「具身表现力」变成基础设施
要先弄清楚一个事实，在理解魔珐科技发布的「星云」平台之前，那就是我们如今于屏幕上所见到的「数字人」，并非源于同一种技术，它们看上去类似，可背后却是因不同时代、不同成本以及不同妥协而产生的产物。
最常见的一类 ，是预先制作 ，为「2.5D」视频 。这类数字人 ，表现更像高级的 ，为「PPT 动画」 ，借助 AI 技术 ，把文本合成 ，成为一段带有口型 ，还有简单动作的视频 。其中 ，它们解决了信息播报的需求 ，然而本质上 ，却是「只读」的 ，无法进行任何实时的 ，以及个性化的交互 。
更往前一步的，是那种借着「中之人」（也就是背后有真人在进行实时驱动的）的虚拟主播，这类方案确保了高质量的互动性，然而其成本和真人没什么差别，没办法实现规模化，并且也不是真正意义上的「人工智能」。
可实时交互的 3D 数字人里，完全由 AI 驱动的那些，才真正代表着未来。
这里面存在着一个明晰的逻辑，大语言模型于理解、推理以及生成内容方面的“智商”，已然获得了广泛的认同，当这颗强大无比的“大脑”被给予一个具备表达能力的“身体”时，人机交互将会产生质的变化，借助增添带有人类情感温度的语音（富有情感）、能够传达微妙情绪的微表情以及建立信任感的肢体语言，AI的回应将不再只是单纯的信息传递，而是一场完整的、个性化的交流。
它有希望提供一种超出「皮下之人」（中之人）的服务体验 ，AI没有情绪疲劳 ，能够7x24小时维持最佳状态 ，它能够瞬间调动全部知识库 ，给每一个用户给予深度定制的反馈 ，最要紧的是 ，这种具备高质量的极度个性的服务能力 ，首次能够被无限地低成本地规模化复制 ，这是人类服务者永远没法企及的优势 。
魔珐科技是此领域先行者之一，然而，在这之前，纯AI驱动一直面临一道难以跨越的“成本高墙”，致使其商业模式长年停留在项目制。
这实时的3D数字人之状，恰似那需要7x24小时不停歇渲染的3D动画的情形。它的每一个微表情，要进行复杂图形计算（渲染）与物理演算（解算），它的每一次手势，要进行复杂图形计算 （渲染）与物理演算（解算），它的每一根发丝的飘动，得进行复杂图形计算（渲染）与物理演算（解算），它的衣物的褶皱，也得进行复杂图形计算（渲染）与物理演算（解算），如此这般了才能确保逼真且流畅。于传统架构当中，这些计算的沉重负担，差不多全落在云端那高端的GPU之上了。
便产生了这样一个难以调和的矛盾，若要确保高质量，那就得投入高额的 GPU 资源，致使单路交互的部署成本轻易就突破数万元；一旦要削减成本，那就只能舍弃质量还有实时性。由 GPU 搭建起的这堵高墙，把真正的交互式 AI 数字人，排斥在更广泛大众的应用范围之外 。
但是，这次所发布的「星云」全新的管线，却完全重新构建了这个流程。借助自研的 AI 算法，替换了传统渲染流程对于高端 GPU 的严重依赖，一下子解决了成本以及延迟还有并发这三座大山。
新的技术栈将任务进行了巧妙的分工：
这一模式，巧妙地绕开了，最大的成本中心，它既不需要，用户拥有一部，搭载高端芯片的手机，也无需为云端，昂贵的GPU付费，由于终端的，AI渲染模型，是用最高质量的，离线渲染数据训练而成，它学会了用极低的算力，「复刻」出媲美高端GPU的，画面效果，这直接解锁了，高质量低成本的，数字人的应用空间。
官网所提供的样例呈现出这样的状况，关于其唇形同步而言精准度达到了极高的程度，完全不存在廉价数字人通常所具有的那种“木偶感”，这一情况能够证明这一路径是具备可行性的。
更为关键的是，架构创新呈现出「云端决策、终端渲染」这种状况，并且引发了一系列的连锁效应，一下子处理好了长久使 受困的另外两个瓶颈之处 。
首先存在延迟问题，在传统模式条件下，云端将视频渲染完成之后再传输至用户端，网络延迟成为巨大瓶颈，而「星云」所传输的仅仅是KB级别的参数流，该数据量远远小于视频流，极大地使得网络耗时降低，进而把端到端的总延迟平稳控制在 1.5 秒以内，达成了接近人类对话的响应速度。
其次存在并发能力，因最耗费资源的渲染工作被下放至不计其数的终端设备上，云端服务器压力获极大释放，它无需为每个用户配备一张昂贵的 GPU，进而具备支撑千万级用户同时在线交互的能力，为规模化应用清除障碍。
曾经，企业要是想拥有一个数字人，得历经数月时长的需求沟通，还得进行美术定制以及展开技术开发,，而星云发布了，这表明随便哪一个开发者，只要经几行代码去调用SDK，就能够给自己的App、小程序或者任意一块屏幕，迅速「激活」一个能言善辩的AI数字人。
02
当 AI 的「身体」出现，
世界将如何改变？
曾经，非标准且高门槛的能力，也就是那个「具身表现力」，当它变成基础设施的时候，将会打开一个全新的应用空间，而且这个空间会让AI从「后台工具」走向「前台伙伴」。
在过去之时，我们与 AI 进行交互，其本质上是属于一种非对称的、功能驱动的关系。其中，我们会朝着一个无形的黑盒方面输入指令，而它将返回一个结果。然而，当 AI 拥有了一个能够实时互动、传递情感的「身体」的时候，这当中的一切或许都将会予以改变 。
拿我们熟悉的 AI 陪伴做例子。
并非是一种全新概念的AI陪伴，长久以来受困于两种不完整形态中，其一为欠缺「在场感」的纯文本聊天机器人，其二是无法实施视觉交流的智能音箱，它们虽能够供给信息然而却难以构建起真正的情感方面的连接。
可能彻底改变这一现状的，是「星云」所代表的技术路径。一个有存在感的「人格」，作为具身化的AI伴侣，能传递出文本和语音无法承载的共情与专注。其传递凭借眼神接触、点头、微笑等非语言线索。它不再只是冰冷的问答机器，成了能「看着你」、「听着你」说话的存在 。
更关键的原因在于，过去的技术无法同时满足低成本与低延迟。
要使一个AI“边听边回应”，并且在对话里自然地作出点头、注视、微笑等细微动作，这并非仅仅是动画渲染的问题，它还需在毫秒级的延时内达成感知、推理与生成，对算力、算法以及网络延迟的要求极高。
更为复杂的是，我们期望这个数字人，它不仅能够反应灵敏，还能够「认识你」，它要有独立的人格，可以记住每个人的偏好以及历史，这就意味着系统必须要支撑高并发的个性化记忆，而并非播放一段事先渲染好的动画。
当运行成本降低到几乎可以忽略的高质量数字人开始运行时，AI陪伴形态便会彻底反转，之前它是一种「公共设施」，之后它会变成一段「私人关系」。
它甚至会现身于你的车载屏幕之上。
然而，于企业端而言，这一套基础设施，极有可能催生出一支不知疲倦的，能力超群的，并且成本极低的「数字员工」大军 。
魔珐科技有所透露，他们正在和多家企业开展合作，一同去探索这一模式在B端的落地可能性 。
在金融、文旅、政务等服务场景比如，有一个「AI理财顾问」，它部署在银行App或大厅屏幕上，它具备整个银行的知识库，它能以极大的耐心，它会解答用户的每一个琐碎问题，它没有情绪，它不会不耐烦，它永远能保持最专业的服务姿态 。
更为关键的是，在用户突然间进行打断行为的情况下，或者是出现临时提出问题这种状况的时候，它能够即刻暂停当下正在进行的讲解，并且可以灵活地做出应答，切实达成那种被称作是「对话式服务」的自然流畅的转换。
通过说话语速变得更为缓慢，以语气变得更加柔和，借助熟悉的面孔，运用贴心的语气，对于那些年龄较大且知晓有限智能设备相关知识的用户而言，这样类型的数字人能够提供相对更具充满温情含义的帮助，以此拉近人与技术之间所存在的距离。
这一切得以达成的根基，同样是技术的大众化。企业不用再为每一路客服支付数万元的硬件费用，就能够轻易地把「数字员工」布置到每一个服务接触点，进而在提高效率之际，确保服务体验的热情和连贯性。
或许，「具身表达力」会深刻使我们获取知识的方式被改变，或许，「将身表达力」会深刻使我们交互沟通的方式被改变。
在教育场景中，它能让抽象的知识长出「人格」。
试想一下，当你学习外语之际，你的陪练并非是一个冷冰冰的App，而是一位口型符合标准、表情十分生动的虚拟语伴，能够直观地看到其发音时口型怎样变化，还能获得实时的反馈以及纠正，如此一来学习过程会更具沉浸感，效果也会远远超过传统模式。
在消费电子领域当中，电视制造商正迎来另外一种想象，以往他们一直期望在软件跟服务层寻觅到突破口，然而却受到硬件成本的限制，想要在电视里装入一块高端GPU，只是为了达成流畅的3D交互，这几乎是不太可能的。
「星云」的低成本办法，能促使这种 AI 助手进而直接实施于电视所携带的百元级数的芯片之上运行过程里，借此让「人格化交互」自此首次具备可行前提成为电视标准配置要素之一，而非属于可供选择配置范畴。
于是，电视勿需复杂遥控器，勿需层层嵌套菜单，一个常驻屏幕角落的 AI 伴侣，会成为家庭的交互中心，这不仅是体验的进化，更或许是一场商业模式的重构，AI 首次使电视从「内容入口」变为「关系入口」。
如若讲上述场景仍被限定于屏幕的虚拟 realm，那么该项技术的终极潜能，便在于连通现实——使唤物理世界的机器人 。
魔珐所作的演示，展现出了这样一种可能性，用于驱动屏幕内3D数字人的那一组参数，能够同样被运用于驱动一个物理人形机器人的关节活动。
那个 AI 助手，在虚拟世界里教会我们使用产品，为我们规划旅行，未来或许能直接“下载”到家中服务机器人体内，用同样熟悉的声音，甚至通过屏幕或指示灯模仿出“表情”，与我们进行交流。
这使得机器人切实从一个要学习怎样操作的“工具”，演进成一个能够自然交流的“伙伴”。当AI的“灵魂”跟机器的“身体”借由一套标准化的“表达系统”精妙融合之际，科幻电影里的场景，才切实拥有了映照进现实之可能。
03
一场源自中国的交互创新
发布「星云」平台，这不仅是一次技术方面的突破，更是于全球 AI 竞赛当中，开拓出一条跟主流硅谷范式不一样的、以「交互」作为核心的创新路径。想要理解这场变革的重要程度，最佳的参照系便是 Sora。
Sora展现出当下AI那处于顶尖程度的“生成能力”，其仿若一位具备全方位能力的电影导演，有着借助强大算力，一次性打造出一段逻辑连贯、细节完备的影像“作品”的目标，它的价值存在于“创世”方面，存在于从不存在状态抵达可生成供人观赏的静态世界，然而，一旦生成过程告终，这个世界就如同凝固了一般，它没办法针对外界刺激做出任何全新反应，Sora的交互具有单向性，终点是作品完工 。
AI「表达能力」有一次关键跃迁，此跃迁由「星云」所代表，它宛如优秀的即兴戏剧演员，其价值并非在于一次性的完美演出，而是在于针对台下观众的每个提问，每回打断，都能够做出即时的、恰当的、带有情绪的「回应」，它的世界是动态的、持续演进的，且永远对新的输入保持开放。
这样一种，以“应用”以及“普及”作为导向的创新范式，能够在第一时间于中国结出成果，并不是偶然的。它深深地扎根于中国独一无二的市场，以及供应链和商业化环境。
首先，存在中国市场对于「商业闭环」的执念，当海外大模型公司在算法与参数的「军备竞赛」里持续推高AI的理论上限之际，中国的AI从业者们很早便面临一个更为直接的问题，即怎样让技术落地，怎样实现盈利，在此处，一个单纯的「AI大脑」是不足够的，它必须寻得一个能够依附的「身体」，不管是屏幕，还是终端，又或是机器人，才能够在政府服务、教育、零售、制造等具体的行业场景当中创造价值。此等强烈的商业化需求，使得中国的创新者们，不得不把目光从云端拽回到地面，思索怎样为AI搭建与物理世界相连的桥梁。
其次，中国有着全球最为完备的智能硬件生态，当AI需要“身体”之时，中国可以说是这个星球上最为强大的“身体制造商”，不管是机器人本体、各类交互屏幕，还是AR/VR设备，其背后的供应链、制造能力以及成本工程能力几乎没有可与之匹敌的，把3D数字人的运行门槛降低到“百元级芯片”，这一壮举正是依靠于此 。要说硅谷界定了「AI 大脑」的研发模式，那中国把控了制造「AI 身体」所需的全部要素，从开展设计直至进行量产，构建成一个自然的硬件试验场地。
在这般大背景情形之下，魔珐科技实现崛起，进而成为这宏阔叙事的绝妙缩影，其具备的独特优势，正好全然契合中国市场的需求以及禀赋 。
魔珐有着护城河，这不只在于其创始人柴金祥教授团队具备深厚学术背景，他们是全球最早运用AI算法生成3D动画的先行者，这确保了技术的原创性与深度，更关键的是，在于其过去多年身为3D数字人内容服务商积累的海量且、高质量的专有数据，
具身智能的核心燃料，不只是算法，更是海量的3D视觉与交互数据，在长期为游戏影视及各类企业提供服务时，魔珐并非在象牙塔搞研究，而是在解决一个个真实商业问题之际，积累了中国市场独有的无可替代的3D素材与真实交互数据，当竞争对手还在寻觅数据「养料」时，魔珐早已拥有了一片富饶的「黑土地」。
能够讲，“星云”的问世，恰是顶尖技术理论，于中国这片别具一格的“商业需求 + 硬件生态 + 数据土壤”里，寻觅到的最优落脚点。它存在源自全球前沿的“AI 大脑”，还处于中国市场内，为自身打造出了一副能够被低成本、大规模复制的“AI 身体”。
让AI走出文本框，出现率先情况的是中国企业，世界或许会对和他国相互联系、交流、沟通的「交互」进行重新的定义。
「星云」的意义，并非仅仅是给AI准备了一张能说话的脸庞，而是赋予每一块冰冷的屏幕，具备了获得生命的可能性。它促使「智能」首次变得有温度、有表情，不再只是后台一串冰冷的代码，而是前台一位温暖的伙伴。
这预示的是「人机关系」，它正从过去纯粹功能性的合作，开始朝着更深层次的情感共处迈进，而这场伟大变革，或许才刚刚拉开序幕。
欢迎 你 发表评论: