文|阿爾法工場(chǎng)
自古以來(lái)，人類就有著對(duì)自我影像的追求和渴望。影像是人類的延伸、記憶，也是人類的表達(dá)。
過(guò)去的兩百多年里，人類為了留住自我的影像，創(chuàng)造了各種手段和工具。從最初的畫(huà)像，到后來(lái)的攝像機(jī)，再到今天的數(shù)字人，都是人類為了留住畫(huà)像，解放人類的軀體，而進(jìn)行一次次技術(shù)革新。
盡管數(shù)字人從誕生那天起，就一直在試圖模仿和復(fù)制真實(shí)的人類，但由于時(shí)代的局限，以往的數(shù)字人，離人們想象中那栩栩如生的形象，總是差了點(diǎn)氣候，
其在商業(yè)上的應(yīng)用，也總是難免被人視作“雞肋”。
然而，AI時(shí)代的到來(lái)，似乎為這一曾經(jīng)“聊勝于無(wú)”的技術(shù)，注入了新的靈魂。憑借愈發(fā)逼真的形象，數(shù)字人開(kāi)始在更多的場(chǎng)景、行業(yè)中進(jìn)行賦能。
01 “前浪”艱難探索
很多人在談到數(shù)字人的過(guò)去時(shí)，往往都會(huì)陷入一個(gè)誤區(qū)，認(rèn)為最初的數(shù)字人僅僅是個(gè)被炒起來(lái)的概念，是個(gè)像VR那樣，看似潛力無(wú)限，實(shí)則可有可無(wú)的“雞肋”。
實(shí)際上，這樣的看法，忽略了一個(gè)重要的現(xiàn)實(shí)，那就是：
在數(shù)字人誕生的早期，不是人們沒(méi)有對(duì)數(shù)字人的需求，而是當(dāng)時(shí)的技術(shù)、成本，根本滿足不了這樣的需求。
具體來(lái)說(shuō)，早期的數(shù)字人，主要存在著成本高昂、技術(shù)標(biāo)準(zhǔn)不統(tǒng)一、形象難以與真人媲美等缺陷。
據(jù)國(guó)內(nèi)領(lǐng)先的數(shù)字人企業(yè)風(fēng)平智能介紹，在數(shù)字人處于2D卡通時(shí)代時(shí)，雖然也有部分企業(yè)，出于營(yíng)銷時(shí)增加新奇感的需要，訂購(gòu)了一些數(shù)字人，但其中99%的數(shù)字人，在訂購(gòu)之后半年就再無(wú)人問(wèn)津。
究其原因，是當(dāng)時(shí)數(shù)字人的成本太高，而應(yīng)用場(chǎng)景卻又太窄了。
試想一下，花費(fèi)數(shù)十萬(wàn)制作出來(lái)的卡通數(shù)字人，除了在部分需要增加“新奇感”的應(yīng)用場(chǎng)景外，還能用在什么地方呢？
你不能指望人們?cè)谏险n、開(kāi)會(huì)或講座這些嚴(yán)肅的場(chǎng)景里，看著一個(gè)卡通形象滔滔不絕吧？
后來(lái)，雖然隨著技術(shù)的進(jìn)步，數(shù)字人的形象開(kāi)始逐漸朝著寫(xiě)實(shí)、3D的方向發(fā)展，可居高不下的成本，仍然讓許多企業(yè)望而卻步。
一般來(lái)說(shuō)，數(shù)字人的制作主要包括了數(shù)據(jù)采集、處理和應(yīng)用等方面，而根據(jù)數(shù)據(jù)處理的復(fù)雜度和效率，以及數(shù)據(jù)應(yīng)用的規(guī)模和質(zhì)量的不同，一個(gè)3D化的寫(xiě)實(shí)數(shù)字人，成本可達(dá)到數(shù)十萬(wàn)到百萬(wàn)元不等。
這還是剔除了后期運(yùn)營(yíng)成本的情況下。
以抖音美妝達(dá)人“柳夜熙”為例，其制作企業(yè)創(chuàng)壹科技CEO梁子康曾對(duì)媒體表示，“柳夜熙”僅制作投入就在百萬(wàn)元級(jí)別，而第一條“柳夜熙”的短視頻成本約幾十萬(wàn)元。超寫(xiě)實(shí)虛擬人視頻每秒的成本都在萬(wàn)元區(qū)間。
因?yàn)橄胍寯?shù)字人“動(dòng)”起來(lái)，就需要讓AI驅(qū)動(dòng)數(shù)字人的語(yǔ)音表達(dá)、 面部表情、動(dòng)作生成等等，這都是巨大的投入。
而花費(fèi)了如此巨大的數(shù)字人，最后還是只能局限在娛樂(lè)、直播、內(nèi)容IP等領(lǐng)域；
這是因?yàn)?，?dāng)時(shí)的數(shù)字人，交互能力還不夠強(qiáng)大和智能，無(wú)法理解復(fù)雜語(yǔ)境、也無(wú)法處理多輪對(duì)話，導(dǎo)致用戶的溝通和服務(wù)效率很低。
即便有的數(shù)字人，可以通過(guò)真人的方式驅(qū)動(dòng)，可這類數(shù)字人的交互能力，也要受限于真人操作者的水平和風(fēng)格，這使其很難滿足不同用戶和場(chǎng)景的多元化需求。
因此，只有在娛樂(lè)、直播等更加看重“門(mén)面”和“顏值”的場(chǎng)景中，數(shù)字人才能占據(jù)一席之地。
然而，所有這一切的限制，都隨著當(dāng)今AI革命的到來(lái)，而被紛紛打破了。
02 成本暴降、井噴來(lái)臨
2020年，隨著元宇宙概念的火熱，市場(chǎng)對(duì)于提高數(shù)字人生產(chǎn)效率和提升商業(yè)化的訴求日益高漲。同時(shí)，5G、AI等新技術(shù)更新?lián)Q代，也讓數(shù)字人得到了煥發(fā)新生的機(jī)會(huì)。
其中幾項(xiàng)關(guān)鍵的技術(shù)，讓數(shù)字人極大地提升了與真人的接近度。
例如，人像驅(qū)動(dòng)引擎，可以通過(guò)4D掃描、智能綁定等AI技術(shù)，實(shí)現(xiàn)數(shù)字人的唇形驅(qū)動(dòng)、肢體驅(qū)動(dòng)、表情驅(qū)動(dòng)、手勢(shì)感知等，同時(shí)減少動(dòng)作捕捉、CG合成的制作流程，大幅降低了成本。
而智能對(duì)話引擎，通過(guò)自然語(yǔ)言處理技術(shù)，為數(shù)字人快速定制對(duì)話能力、持續(xù)提升對(duì)話效果。
這些技術(shù)，讓數(shù)字人在表現(xiàn)力、智慧度、交互能力上都得到了大幅提升。
也就是在這一階段，包括百度、騰訊在內(nèi)的國(guó)內(nèi)各大企業(yè)，開(kāi)始在數(shù)字人領(lǐng)域八仙過(guò)海，各顯神通。
例如，百度推出的曦靈數(shù)字人平臺(tái)，通過(guò)自然語(yǔ)言處理、語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)等技術(shù)的提升，讓數(shù)字人在視覺(jué)表現(xiàn)力上有了顯著提升。
雖然形象仍然是3D人物，但從五官細(xì)節(jié)，神態(tài)動(dòng)作等方面，都明顯在朝著更寫(xiě)實(shí)的方向進(jìn)行發(fā)展。
以前需要兩三個(gè)月時(shí)間做出來(lái)的3D數(shù)字人，現(xiàn)在可以壓縮到小時(shí)級(jí)。
同時(shí)，通過(guò)在線語(yǔ)音交互注意力模型，數(shù)字人也終于變得“音畫(huà)同步”了，逐字口型準(zhǔn)確率達(dá)到了98.5%。
而得益于新一代數(shù)字更生動(dòng)的表現(xiàn)力，曦靈平臺(tái)推出的數(shù)字人，也從單一的娛樂(lè)領(lǐng)域，擴(kuò)展到了更多元的行業(yè)。例如在2B端擔(dān)任數(shù)字理財(cái)專員、數(shù)字客服、虛擬培訓(xùn)師等角色，或是新聞播報(bào)員等。
騰訊在數(shù)字人方面，也發(fā)布了智能小樣本數(shù)智人生產(chǎn)平臺(tái)。
騰訊方面稱，該平臺(tái)可實(shí)現(xiàn)“自助式”數(shù)智人生產(chǎn)制作，只需經(jīng)過(guò)3分鐘真人口播視頻、100句語(yǔ)音素材的訓(xùn)練，便可在輸入音頻、文本等多模態(tài)數(shù)據(jù)后，實(shí)時(shí)建模并生成高清人像，在24小時(shí)內(nèi)制作出與真人近似的“數(shù)智人”，其使用成本也將被降至千元級(jí)別。
可以說(shuō)是BAT三巨頭中，最早實(shí)現(xiàn)真人級(jí)數(shù)字人的企業(yè)。
小樣本“數(shù)智人”從直觀上感受是2D視頻，但背后其實(shí)是3D人像技術(shù)在支撐。通過(guò)3D人臉結(jié)構(gòu)的先驗(yàn)信息引入，使數(shù)智人口型、表情更到位，讓小樣本“數(shù)智人”形象實(shí)現(xiàn)“皺紋級(jí)”還原。
除了百度、騰訊這些大廠外，一些默默耕耘于數(shù)字人垂直賽道的企業(yè)，也憑借日益精湛的技術(shù)，打造出了更逼真和生動(dòng)的數(shù)字人。
在數(shù)字人領(lǐng)域鉆研已久的風(fēng)平智能，就是一個(gè)這樣的代表。
其獨(dú)特的XGen智造系統(tǒng)，和豐富、可定制的知識(shí)庫(kù)，在低成本高質(zhì)量生產(chǎn)數(shù)字人的同時(shí)，還能使每一個(gè)數(shù)字人都擁有獨(dú)一無(wú)二的“智能大腦”。從而擴(kuò)展了其多元化的場(chǎng)景應(yīng)用能力。
同時(shí)，通過(guò)深度學(xué)習(xí)技術(shù)建模，風(fēng)平智能的數(shù)字人還能支持129種語(yǔ)種，實(shí)現(xiàn)了跨國(guó)互動(dòng)無(wú)障礙的交流。其制造的數(shù)字人，已應(yīng)用在了新東方的課堂直播中。
在這一階段，數(shù)字人所呈現(xiàn)出的總體趨勢(shì)，是制作成本的大幅度下降，以及表現(xiàn)力的突飛猛進(jìn)。
而這些技術(shù)進(jìn)步，所帶來(lái)的直接的后果，就是數(shù)字人技術(shù)的不斷下沉和趨同。
03 當(dāng)AI的靈魂注入數(shù)字人
從概念提出到場(chǎng)景落地，AIGC加持下的數(shù)字人，已經(jīng)從原先幾十萬(wàn)、上百萬(wàn)的制作成本，數(shù)個(gè)月的制作周期，降低到了現(xiàn)在數(shù)千元，十幾個(gè)小時(shí)的制作門(mén)檻。
數(shù)字人的應(yīng)用場(chǎng)景，早已從單一的B端逐漸向C端擴(kuò)散。而這樣的擴(kuò)散，必將會(huì)重塑人類信息的輸出端口。
縱觀數(shù)字時(shí)代的每一次變革，人類信息的輸出端口，一直在不停變化。
在傳統(tǒng)的PC時(shí)代，這樣的端口是屏幕上的一個(gè)個(gè)網(wǎng)頁(yè)；
到了移動(dòng)互聯(lián)網(wǎng)時(shí)代，這樣的端口則變成了一個(gè)個(gè)APP；
自媒體興起后，這樣的端口又變成了一個(gè)個(gè)公眾號(hào)、短視頻；
而在AIGC時(shí)代，經(jīng)過(guò)AI大模型強(qiáng)化后的數(shù)字人，則注定會(huì)擁有以往各類端口所不具備的知識(shí)量和交互能力。
到了那一天，也許人類真的會(huì)像比爾蓋茨所說(shuō)的那樣：“再也不會(huì)去使用搜索引擎，不會(huì)去生產(chǎn)力網(wǎng)站，也不會(huì)再去使用亞馬遜。”
在蓋茨的設(shè)想中，這個(gè)“AI助理”將有能力理解人類的需求和習(xí)慣，同時(shí)會(huì)幫助人類“讀他們沒(méi)有時(shí)間讀的書(shū)?！?/p>
如此一來(lái)，AI加持下的數(shù)字人，就成為了人類更終極、更先進(jìn)的輸出端口。
此外，在每一具數(shù)字生成的皮囊下，人們?nèi)阅芸吹讲灰粯拥撵`魂。
這也是今天GPT-4等先進(jìn)的大模型，與數(shù)字人進(jìn)行結(jié)合的最大意義。
通過(guò)大模型豐富的知識(shí)，純熟的語(yǔ)義理解和交互能力，和相應(yīng)行業(yè)、個(gè)人不同的需求，每一個(gè)數(shù)字人，都可以“因地制宜”、“因人制宜”地幻化出各種不同性格、思想和技能，進(jìn)而真正做到了“千人千面”的效果。
由此可見(jiàn)，在必將到來(lái)的AGI時(shí)代，真正決定數(shù)字人高下的，就是其獨(dú)一無(wú)二的靈魂。