【AI世界】

　　记者 都 芃

　　2025年日本大阪世博会中国馆自4月开馆以来，吸引众多游客“打卡”。游客走进中国馆，远远就能听到一声“俺老孙来也”。这声音来自科大讯飞股份有限公司（以下简称“科大讯飞”）为中国馆打造的精通中、日、英三种语言的“AI孙悟空”，其外形、音色均复刻了经典动画电影《大闹天宫》中的孙悟空。

　　“AI孙悟空”背后，是近年来迅速发展的数字人技术。作为AI、元宇宙等新兴产业的关键连接点，数字人在数字经济发展中的角色愈发重要。随着大模型技术在该领域的深入应用，数字人正逐步从“可用”走向“好用”，推动相关产业进入新的发展阶段。

　　形成三大类应用场景

　　数字人是指通过建模等多种数字智能技术创建的数字智能体。它拥有人类外观形象、声音语言，能够模拟肢体动作，具备思维能力，并能在大模型支撑下实现学习、生成、互动等功能。

　　在技术和需求双轮驱动下，我国数字人产业生态日益完善，应用规模不断扩大，且产业链上下游的生产、运营、服务能力逐渐提升。天眼查数据显示，截至2024年，我国与数字人相关的企业已达114.4万家，仅2024年前5个月就新增注册企业17.4万余家，显示出数字人产业的市场潜力与活力。

　　在中国互联网协会专家咨询委员会委员武锁宁看来，要避免数字人技术流于形式，造成资源浪费，必须要找到应用出口，以点带面推进数字人应用落地。

　　以应用为牵引，数字人产业正加速构建“技术—场景—商业”闭环生态。

　　中国互联网协会发布的《中国数字人发展报告（2024）》（以下简称《报告》）分析，数字人应用场景目前初步形成媒介数字人、服务数字人、行业数字人三大类别。其中，媒介数字人是当下较为成熟的数字人应用形式。围绕媒介数字人产生的场景数量占比可达50％，其逼真的形象和流畅的语言表达，极大提升了信息传播的互动性与趣味性。

　　例如，在去年中央广播电视总台首次推出的“跨年科技秀”——《中国科技创新盛典》上，出现了主持人张腾岳与“AI分身”同台主持的场景。这位基于科大讯飞旗下讯飞智作平台打造的“AI主持人”，不仅拥有和真实主持人一样的声音、表情、动作，还可以神态自若地与主持人交流，准确理解对方话语并迅速作出恰当回应，交互流畅程度让观众真假难辨。

　　《报告》显示，除媒介数字人外，服务数字人也实现了全面升级，具备更强的交互能力，场景数量占比达30％，广泛应用于政务、电商、金融等领域；行业数字人则开始萌芽，场景数量占比达20％，逐步在医疗、教育和企业管理中发挥作用。

　　有望成为AI创新入口

　　数字人大致经历了从真人驱动到程序驱动，再到如今AI驱动的三个阶段。

　　早期由真人驱动的数字人虽然也能呈现出虚拟数字形象，但主要借助计算机图形学建模和动作捕捉等技术，背后仍需真人提供大量语言、动作等数据进行支撑。由程序驱动的数字人可以不再由真人提供语言、动作等数据，但它基于固定计算机程序，更接近于“数字机器人”，无法实现高逼真度的拟人化效果。近年来，由AI驱动的数字人不仅在语音播报、动作表情等细节呈现上愈加逼真，还逐步拥有了更加强大的交互和思维能力。

　　“几年前，数字人可能会有唇形、表情不匹配，动作僵硬等问题。这是因为数字人本身对文本语义理解不到位，且表情和动作大多依赖有限的预设资源，无法与文本内容进行精准匹配。”科大讯飞数字人业务负责人郜静文说，随着大模型技术在数字人领域的深入应用，数字人产品性能已迈上新台阶。

　　例如，去年10月，科大讯飞发布超拟人数字人。它基于多模扩散生成大模型，能根据语音的节奏、语调和内容实时生成肢体动作，突破了动作预设模板限制，极大提升了数字人在动态场景中的表现力。腾讯发布的智影数字人能够实现“形象克隆”和“声音克隆”，用户只需上传少量图片、视频和音频素材，就能快速生成自己的数字人分身并定制音色。阿里巴巴的开源AI数字人EchoMimic，则能赋予静态图像生动的语音和表情。

　　“简而言之，大模型技术既能让数字人真正理解语义，也能让它根据对文本的理解快速生成相应的动作、表情，从而做到惟妙惟肖。”郜静文说。

　　中国互联网协会理事长尚冰认为，数字人正成为AI活跃的应用落地入口，与大数据、智能终端、具身智能等产业的链接度、嵌入度、融合度较强，或将成为下一代互联网活跃的交互界面之一。要关注创新应用的落地实践，积极探索数字人等新兴业态，加速形成规模化应用优势。

　　武锁宁也认为，数字人是AI应用突破口、AI创新入口。AI驱动的数字人，有望为各行各业带来更加丰富多彩的应用，而这些应用恰恰可以引导AI走向务实发展的道路。

　　打造个性化“数字分身”

　　随着数字人的广泛应用，诸多场景对数字人提出了更高要求。

　　“比如电商直播、客服问答等场景，对数字人的实时交互能力提出了极高要求。数字人既要能与用户实时对话，还要根据对话内容生成相应的动作、表情，否则就会影响业务处理效率，直接影响用户体验。”郜静文介绍，为提升数字人视频生成模型效率，公司团队研发了动作表征抽取技术，将语音和文本输入转化为紧凑的中间表征，有效压缩了视频维度。借助这项技术，系统可以像速记员一样，从输入的文字、语音中快速提取出关键信息，减少无关信息数据量，并据此进行视频生成，大大提升视频生成效率，保障数字人与用户互动的实时性。

　　还要看到的是，虽然数字人产业发展势头迅猛，但当下仍处于快速成长期。郜静文认为，目前数字人产品出现了同质化现象，个性化、定制化将成为未来数字人产业的重要发展方向。随着生成式AI技术的发展，数字人的制作门槛和成本迅速降低，制作效率和内容多样性显著提升，用户根据自身特点打造更具个性化的数字人产品已成为现实。现在，仅凭一张照片、一句话录音等素材就能生成个性化的超拟人数字人，极大简化了数字人定制对于预设素材的要求，优化了用户的操作路径。

　　郜静文也坦言，虽然大模型技术正在推动数字人“飞入寻常百姓家”，但要实现更精细化的效果，仍需进行大量数据喂养和交互训练。此外，随之而来的隐私泄露、数据安全等问题不容忽视。

　　“可能未来我们每个人都会有一个‘数字分身’，它可以协助我们处理工作，解答生活中的疑惑，成为我们的陪伴。”郜静文说。