今年11.11正如火如荼進行中，各大平臺的直播間，大家可能已經(jīng)發(fā)現(xiàn)了一群新面孔——數(shù)字人主播。電商直播作為越來越強大的流量入口，幾乎已經(jīng)成了零售品牌和商家們的必爭之地。而高昂的坑位費、主播參差不齊的業(yè)務能力、不確定的ROI、復雜的內(nèi)容創(chuàng)作和監(jiān)管機制……也都是直播經(jīng)濟真實存在的另一面，讓商家們?yōu)橹赋睢?/p>

這時候，數(shù)字人就成了不錯的選擇。來看看下面兩位主播，你能分得清哪個是真人嗎？

這樣擬人化交互、24小時在崗、內(nèi)容可控、可快速上線帶貨的數(shù)字主播，解決了許多商家備戰(zhàn)11.11的難題，也刷新了大眾對數(shù)字人的新認知。

近兩年來，很多企業(yè)都推出了各自的數(shù)字人及平臺，有強調(diào)技術優(yōu)勢和大模型的云或AI公司，有占據(jù)終端交互入口的手機IoT廠商，也有強調(diào)內(nèi)容創(chuàng)作能力的虛擬偶像公司……

百花齊放的數(shù)字人，逐漸開始同質(zhì)化競爭，這時候，企業(yè)往往會結合各自的核心能力，為數(shù)字人選擇不同的發(fā)展策略和市場動作。

在11月1日，2022京東云城市峰會上海站正式舉行，京東云宣布數(shù)智供應鏈正加速落地十大產(chǎn)業(yè)場景，其中服務場景就是京東云言犀的主場。可以看到，與數(shù)智供應鏈融合是AI走向產(chǎn)業(yè)的必經(jīng)之路，也為言犀平臺的一百多個數(shù)字人員工，創(chuàng)造了在產(chǎn)業(yè)中發(fā)光發(fā)熱的機會。

大浪淘沙的競爭中，數(shù)字人正在命運的分岔路口，奔赴各自的前程。我們不妨借著11.11的契機，來共同審視一下數(shù)字人產(chǎn)業(yè)，在消費之余，收獲一些關于未來的重要線索。

走出恐怖谷，數(shù)字人才有可能

如果你認為大多數(shù)數(shù)字人都能應聘上崗、獲得產(chǎn)業(yè)客戶的認可，那絕對是太樂觀了。高度擬人化、交互性的數(shù)字人，需要同時具備語音語義、視覺、情感、自然語言處理、知識圖譜、對話交互等綜合能力，不能有短板，這是數(shù)字人能夠長期發(fā)展的前提和基礎，也是極少數(shù)數(shù)字人能夠達到的能力。

大家可能聽說過“恐怖谷效應”，就是一些形象上酷似真人的機器人或智能體，但實際交互能力卻很差，經(jīng)常出現(xiàn)答非所問等問題。對下當下的數(shù)字人產(chǎn)業(yè)的發(fā)展，大家肯定希望它們在外形上具有更高的擬真度，同時在交互體驗上也具備較強的宜人性，即能夠理解用戶、擁有人類一樣的情感和表達。

言犀數(shù)字人虛擬主播為什么能夠做到真人主播的效果呢？就源自京東云言犀團隊執(zhí)著地解決著數(shù)字人的核心技術問題，從兩個方面取得突破：

惟妙惟肖之身——多模態(tài)智能技術。也就是語音、文字、表情、手勢、肢體等多模態(tài)，能夠一體化協(xié)同，這樣能讓數(shù)字人的擬真度更高，避免一些明顯的違和感。面容上，言犀自研的3DNeuralRender神經(jīng)渲染器，可以高保真地合成主播面部細節(jié)，達到以假亂真的效果；動作上，言犀研發(fā)的動作合成方案，基于RIFE插幀多插入點的快速動作過渡，可以讓數(shù)字人的動作更加流暢自然；互動中，2D及超寫實、高精度3D數(shù)字員工驅動方案，可以實現(xiàn)音唇精準同步，數(shù)字人說話時，牙齒甚至牙縫都要精準地對齊口型，這樣才不會看著別扭。可以說，惟妙惟肖的數(shù)字人需要多模態(tài)的綜合性技術能力。

善解人意之心——實時人機交互技術。數(shù)字人也不能只是“花瓶”，還要能夠與用戶實時互動，做出合乎邏輯的反應，這種數(shù)字人則更加稀少了，因為難度也高了一個數(shù)量級。首先，實時交互需要快速的動作、表情渲染，對AI生成的速度和質(zhì)量要求非常高；其次，實時互動意味著很多反應不能事先生成，而要真正理解用戶的想法和需求，給出精準的回答，這就要求數(shù)字人具備豐富且細粒度的知識突破、自然語言理解、情感計算等能力。比如用戶想了解A商品和B商品的異同，需要數(shù)字人主播精準地抓住顧客心理、比對信息、找到賣點，生成有吸引力的文案。為此，基于京東云言犀人工智能應用平臺，在智能多模態(tài)對話與交互領域提出了理解準確度、知識覆蓋度、交互流暢度、情感關懷度、任務完成度5維為標準的“新圖靈測試”體系，作為人機交互服務機器人的標準，也是數(shù)字人的核心能力。

走向產(chǎn)業(yè)，數(shù)字人才有價值

只有一個技術支點，能撬動起數(shù)字人的市場價值嗎？至少在京東云言犀團隊看來，數(shù)字人與產(chǎn)業(yè)需求相結合，才能真正成為游戲規(guī)則的改變者。京東集團副總裁、智能產(chǎn)品與服務部總裁，IEEE Fellow何曉冬博士指出，數(shù)字人作為一種AIGC內(nèi)容生產(chǎn)模式，目前成本還是比較高的，把數(shù)字人能力下放到每一個商家手中，這是AIGC的機會所在。

從實驗室到產(chǎn)業(yè)，需要邁過三個門檻。

第一重門檻：技術的可用性。

言犀數(shù)字人虛擬主播關鍵技術都達到國際的領先水平，包括多粒度韻律增強的語音合成、知識指導的多模態(tài)可控文本生成、可解釋的多輪對話決策推理，取得過多項AI學術比賽冠軍。但這只是數(shù)字人產(chǎn)業(yè)化的第一步。在現(xiàn)實業(yè)務場景中，會出現(xiàn)各種意想不到的情況。這時候，京東云技術在京東內(nèi)外部多種大規(guī)模業(yè)務中經(jīng)受過考驗，就發(fā)揮了非常重要的試煉作用，讓數(shù)字人技術能夠真正為產(chǎn)業(yè)所用。

比如2021年12月，江南農(nóng)商銀行與京東云共同合作推出的VTM數(shù)字銀行柜員，不僅形象要好，還要懂銀行基本業(yè)務，這就需要金融類知識計算；銀行作業(yè)環(huán)境噪音比較大，來辦理業(yè)務的當?shù)赜脩粲械膸в蟹窖钥谝簟Ａ硗猓y行柜員需要跟客戶實時交互，需要處理動態(tài)文本數(shù)據(jù)，依靠靜態(tài)數(shù)據(jù)庫訓練出來的算法可能魯棒性不足……

言犀歷經(jīng)數(shù)十年京東618、11.11等大規(guī)模交互場景考驗，沉淀了業(yè)界超大的場景知識圖譜，模型遷移速度快，穩(wěn)定性高，這也使得該VTM數(shù)字銀行柜員順利落地，具有極強的適配性，可以獨立閉環(huán)完成銀行業(yè)務交易場景的自助應答、業(yè)務辦理、主動服務、風控合規(guī)等全流程服務，幫助銀行解決柜員接待能力不足的問題。

還有一些問題是落地之后發(fā)現(xiàn)的，數(shù)字人的自然語音語義交互需要綜合深度的技術突破才能解決。言犀為大同12345提供政務熱線解決方案的過程中，就發(fā)現(xiàn)實際交互是很復雜的，比如為了避免數(shù)字人搶話，一般會讓來電者說完，數(shù)字人再接著說，但停頓時間又不能太長，讓對方覺得互動不及時。但實際接聽市民熱線時發(fā)現(xiàn)，很多老年市民停頓很長，說著說著就停頓一下，數(shù)字人問“昨天有沒有打疫苗”，對方回答“昨天啊……（停頓一秒）好像沒有”，這個一秒的停頓對于數(shù)字人來說都是理解上的挑戰(zhàn)，言犀技術團隊就嘗試通過跨模態(tài)技術，在斷斷續(xù)續(xù)的情況下也能準確地理解用戶意圖，技術創(chuàng)新領先于國際一流的學術型AI機構。所以說，從產(chǎn)業(yè)中來、到產(chǎn)業(yè)中去的數(shù)字人，才能真正為產(chǎn)業(yè)所用。

第二重門檻：技術的可控性。

是不是各類比賽中分數(shù)越高的AI就越厲害，打造的數(shù)字人就更強呢？其實比起技術收益有多大，技術風險的可控反而是企業(yè)更在意的，尤其是直播、問答這樣實時性非常強的內(nèi)容型互動，對于AIGC內(nèi)容生成的可控性要求非常高，數(shù)字人主播如果說錯了信息，導致丟單或直播中斷，都是企業(yè)不希望看到的。如何保證數(shù)字人的輸出是可控的？言犀從京東復雜業(yè)務場景中深度解耦而來，京東云花了很多精力讓言犀數(shù)字人虛擬主播的各類AI模型真正可控、可解釋。目前，言犀已經(jīng)累計生成了30億字的文字，人工審核通過率95%。言犀平臺的言犀數(shù)字人虛擬主播就具備很好的可解釋性，能夠為商品生成長文案和直播劇本，除此之外，言犀多模態(tài)數(shù)字人平臺還有100多款虛擬數(shù)字人形象，在銀行業(yè)務辦理、政務服務等場景大規(guī)模落地，這些場景都對技術可控性要求很高。

可以說，比起實驗室里神乎其神的屠龍術，可控可解釋的數(shù)字人，才是產(chǎn)業(yè)和企業(yè)更歡迎的務實型員工。

第三重門檻：技術的投入產(chǎn)出比。

數(shù)字人進入產(chǎn)業(yè)是要幫助企業(yè)降本增效、帶來正收益的，如果資源消耗巨大、開發(fā)成本高、維護費心費力，也會阻礙數(shù)字人走向產(chǎn)業(yè)的腳步。為了降低數(shù)字人規(guī)模化落地的成本，讓企業(yè)輕輕松松就能用上數(shù)字人，京東云言犀做了兩件事：一是建立完善的形象庫，擁有包括2D真人、3D卡通、超寫實等多種數(shù)字人形象。基于基礎建模，就可以快速生成各類個性化數(shù)字人，帶貨各種各樣的商品，美妝、母嬰、電子3C等類型主播應有盡有，大大解決了優(yōu)質(zhì)主播數(shù)量不足、直播時間有限等限制。

二是堅實的人工智能應用平臺。京東云言犀人工智能應用平臺，承載著語音與聲學、視覺感知、情感計算、語義理解與生成、知識圖譜、多輪對話等六個核心領域的技術能力，通過API和產(chǎn)品化等多種形式向外規(guī)模化輸出，就保障了技術的可用性和低成本。

走向云宇宙，數(shù)字人的未來

元宇宙本質(zhì)上是多種數(shù)字虛擬技術的集合體，作為一個略宏觀和遙遠的概念，何曉冬直言，我們在解決產(chǎn)業(yè)元宇宙的技術挑戰(zhàn)，還處于比較早期的階段。

對于產(chǎn)業(yè)元宇宙，京東云的技術人員是篤定地，也是低調(diào)的。

篤定，可能來自兩方面的原因：一是數(shù)字人之于數(shù)智供應鏈的價值。作為更懂產(chǎn)業(yè)的云，京東云致力推動數(shù)智供應鏈服務于千行百業(yè)，推動實體經(jīng)濟與數(shù)字經(jīng)濟的融合與協(xié)同發(fā)展。數(shù)字人作為交互入口，可以應用在大量數(shù)實融合的業(yè)務場景，實現(xiàn)數(shù)字世界和物理世界的無縫融合，比如數(shù)字主播、智能客服、工業(yè)人機互動、景區(qū)導游、社區(qū)養(yǎng)老服務員等等，數(shù)智供應鏈為數(shù)字人提供了獨一無二的產(chǎn)業(yè)土壤。

二是數(shù)智供應鏈之于產(chǎn)業(yè)的價值。數(shù)智供應鏈是京東19年轉型實踐反復驗證和凝練的一套完整的能力體系，本身涉及的產(chǎn)業(yè)環(huán)節(jié)足夠多，需要用到大量綜合性技術，比如京東的智能云倉，就需要AI、大數(shù)據(jù)、云計算來一起聯(lián)合運作。越來越多的企業(yè)借由數(shù)智供應鏈開展數(shù)字化，自然也讓數(shù)字人有了更多用武之地，有機會孕育出更多顛覆性創(chuàng)新，進一步放大了言犀數(shù)字人的技術優(yōu)勢和商業(yè)價值。

而低調(diào)，則源于京東云對產(chǎn)業(yè)元宇宙的理性預期。目前，產(chǎn)業(yè)元宇宙尚處于早期階段，用何曉冬的話來說：我們在地平線上看到了元宇宙的曙光，但抵達的過程中還有很多技術鴻溝，有時候需要很大的技術突破才能解決。所以，京東云更希望著重于底層能力和行業(yè)應用的建設，以供應鏈為主軸，積累和打磨產(chǎn)業(yè)元宇宙所需要的各類數(shù)字技術。顯然，數(shù)字人作為一個深度學習、多模態(tài)學習、人機交互等技術的綜合產(chǎn)物，將在京東云技術研發(fā)戰(zhàn)略中占據(jù)重要位置，成為產(chǎn)業(yè)元宇宙技術創(chuàng)新的策源地之一。

從這個角度看，產(chǎn)業(yè)元宇宙和言犀數(shù)字人，將在數(shù)智供應鏈的牽引下彼此靠攏、相互成就，最終融于一體、密不可分。攜帶著產(chǎn)業(yè)勢能與技術進化的言犀多模態(tài)數(shù)字人，自然有能力走得更遠、更久。

百花齊放的數(shù)字人，將在同質(zhì)化競爭加劇的時刻走到分岔路口，沿著各自的選擇走出差異化的道路。接下來，大家可能會看到同為數(shù)字人，卻是截然不同的存在，有的作為網(wǎng)紅明星曇花一現(xiàn)，有的在產(chǎn)業(yè)世界里靜水流深，成為數(shù)字生活不可或缺的一部分。

岔路口的差異化選擇，將決定不同數(shù)字人的終局。而京東云言犀，正在向產(chǎn)業(yè)加速飛奔。