大模型會改變整個軟件行業(yè)， 其中具有代表性的產(chǎn)品之一是數(shù)字人， 那么，什么是數(shù)字人呢？數(shù)字人涉及了哪些關(guān)鍵技術(shù)呢？大模型對數(shù)字人的發(fā)展帶來哪些影響呢？

1. 什么數(shù)字人？

數(shù)字人目前還缺乏一個相對統(tǒng)一的定義， 有人把人類的數(shù)字孿生體定義為數(shù)字人，有人把虛擬世界中具有人類行為的實體定義為數(shù)字人，有人將3D人體模型稱為數(shù)字人，例如，韓國學界對數(shù)字人的定義是：用數(shù)字化技術(shù)，打造具有逼真人類長相、語言、動作姿態(tài)、身體特征的虛擬3D 人體模型。市場調(diào)研機構(gòu)IDC將數(shù)字人定義為“采用人工智能技術(shù)驅(qū)動生成的數(shù)字化的虛擬人物——具備人的外觀、感知互動能力以及表達能力”。

一般地，人們把數(shù)字人稱為數(shù)字人，是通過聚合科技創(chuàng)造的存在于虛擬世界，且具有類"人"特質(zhì)的數(shù)字形象。它是元宇宙中自然人進行虛擬時空感知的主要載體，是實現(xiàn)人機融合交互的組成部分，也是元宇宙的經(jīng)濟增值板塊。數(shù)字人與自然人、機器人共同組成了元宇宙的“三元”。

數(shù)字人能夠感知不同環(huán)境， 根據(jù)人的需求形成"化身" 形象。人機交互將被賦予智能化、情感性和思想性特征，數(shù)字人將復制人類 的知識、記憶、思維和情感，從而在社交系統(tǒng)、生產(chǎn)系統(tǒng)、經(jīng)濟系統(tǒng)上實現(xiàn)與自然人的虛實共生。

數(shù)字人的三大特征是虛擬化、擬人化和智能化。從技術(shù)上看， 數(shù)字人指存在于非物理世界中，由計算機圖形學、圖形渲染、動作捕捉、深度學習、語音合成等計算機技術(shù)段創(chuàng)造，并具有多重人類特征(外貌特征、人類表演能力、人類交互能力等)的綜合產(chǎn)物。

2. 數(shù)字人的一般設(shè)計流程

數(shù)字人，在技術(shù)上分為靈活的真人驅(qū)動型和基于深度學習的計算驅(qū)動型。

2.1 真人驅(qū)動的數(shù)字人

真人驅(qū)動型在動作靈活度、互動效果等方面有明顯優(yōu)勢， 一方面能夠在影視內(nèi)容的創(chuàng)作中減低生產(chǎn)成本，為影視行業(yè)降低門檻，推動影視級內(nèi)容向消費級轉(zhuǎn)化。另一方面則多用于虛擬偶像、重要直播中，幫助數(shù)字人完成大型直播、現(xiàn)場路演等互動性、碎片化活動。

其一般設(shè)計流程如下：

1. 形象設(shè)計及建模：繪制原畫，面部及3D建模
2. 建模綁定：關(guān)鍵點綁定的數(shù)量及位置影響最終效果。
3. 表演捕捉：捕捉在形體、表情、眼神、手勢等方面的關(guān)鍵點變化。
4. 驅(qū)動及渲染：根據(jù)制作實時驅(qū)動數(shù)字人表演，特定設(shè)置語音
5. 生成內(nèi)容，進行互動：進行直播，或錄制其動作生成內(nèi)容

2.2 計算驅(qū)動的數(shù)字人

計算驅(qū)動的數(shù)字人最終效果受到語音合成、NLP 技術(shù)、語音識別等技術(shù)的共同影響。盡管在特定方向上，各感知類技術(shù)已有的商業(yè)化能力已足以支撐，然而，但要達成理想的綜合效果， 需要該公司在三個方面同時具有較強的綜合能力。

其一般設(shè)計流程如下：

1. 設(shè)計形象：采集數(shù)據(jù)
2. 形象建模，進行綁定：設(shè)計形象模型，進行關(guān)鍵點綁定。
3. 訓練各類驅(qū)動模型：利用深度學習，學習語音、形象、表情參數(shù)間的潛在映射關(guān)系。
4. 內(nèi)容制作：基于輸入的語音預(yù)測唇動、表情等參數(shù)，利用GAN 選出最最佳幀，將語音和每幀的數(shù)字人圖片進行結(jié)合。
5. 進行渲染，生成最終內(nèi)容。

圖片

3 大模型賦能數(shù)字人

生成式AI的崛起，給數(shù)字人產(chǎn)業(yè)帶來了根本性變化。

傳統(tǒng)的數(shù)字人技術(shù)主要依靠預(yù)設(shè)參數(shù)和有限的模型訓練，但大模型技術(shù)則為其提供了近乎無限的訓練參數(shù)和自主生成能力，使數(shù)字人更為真實多樣。大模型包含了數(shù)字人形象、動作、表情、口型、聲音等要素，每個用戶可以結(jié)合個人數(shù)據(jù)對數(shù)字人進行訓練。

大模型對 2D 數(shù)字人的提效顯著。AI 的生成能力天然適配 2D 數(shù)字人。市面上出現(xiàn)了許多 2D 數(shù)字人定制工具，邏輯基本一致：只要你輸入文案素材，就能生成數(shù)字人形象。

3D數(shù)字人的工作流比2D要復雜非常多，大模型能讓數(shù)字人制作成本十倍、百倍地下降，還能讓虛擬數(shù)字人生產(chǎn)周期，從動輒幾個月，縮短到小時級別。數(shù)字人的制作成本，將從百萬級降低到萬元級別。

大模型不僅直接降低了3D數(shù)字人的制作難度，更為數(shù)字人注入了靈魂。過去3D建模依賴傳統(tǒng)CG技術(shù)，動作捕捉需要采集真人大量數(shù)據(jù)，現(xiàn)在依托于視頻大模型的數(shù)字人工具平臺上，算法可以高效生成3D模型，處理面部細節(jié)也更加逼真，提升了面部表情以及唇形同步的質(zhì)量。

更重要的是， 大模型在很大程度上解決了數(shù)字人的自然語言理解能力，多模態(tài)大模型是數(shù)字人真正的靈魂。然而，創(chuàng)意邊界，毋庸置疑將會依靠大模型的語料庫、算力儲備，以及其所迸發(fā)的涌現(xiàn)能力來提升，效果仁者見仁智者見智。

4 數(shù)字人的評估指標

社會學中人類身體研究分為兩條主要路徑：自然主義身體觀和社會建構(gòu)論身體觀。自然主義身體觀重點強調(diào)人類的軀體屬性“肉身”, 而社會建構(gòu)論身體觀則重點強調(diào)人類的社會屬性“社身",從功能角度分析，兩種身體觀都關(guān)注了人類的工具屬性"具身”。數(shù)字人綜合指數(shù)以此為基礎(chǔ)，將社會學中自然人的“身體觀”引入數(shù)字人的評估思想中，形成數(shù)字人“三身”指數(shù)評價體系。

圖片

5. 數(shù)字人的產(chǎn)業(yè)鏈

國內(nèi)外在細分市場上的競爭差異較大，國內(nèi)外目前的共同市場是自動生成虛擬內(nèi)容，但在外表細節(jié)、預(yù)設(shè)模板、配 套系統(tǒng)等方面的差異較大。國外更關(guān)注情感關(guān)懷的顧問/助手類數(shù)字人和用于打造數(shù)字人的應(yīng)用，國內(nèi)更關(guān)注虛擬客服類場景，對虛擬直播的高度關(guān)注是我國特有方向。

圖片

6. 數(shù)字人的類型與應(yīng)用領(lǐng)域

數(shù)字人的應(yīng)用可分為服務(wù)型數(shù)字人和身份型數(shù)字人，替代真人服務(wù)中的虛擬主播和虛擬IP中的虛擬偶像是目前的市場熱點。

圖片

6.1 B端應(yīng)用

目前，數(shù)字人產(chǎn)品大多應(yīng)用于B端場景，例如幫助互聯(lián)網(wǎng)商家實現(xiàn)全天候輪播的虛擬主播、 辦事大廳內(nèi)自助辦理業(yè)務(wù)的虛擬前臺、自動處理訴求的虛擬客服等，B端消費者仍是市場的主要組成部分。

1. 重構(gòu)內(nèi)容生產(chǎn)模式
2. 提升數(shù)字內(nèi)容生產(chǎn)效率和質(zhì)量
3. 重新定義粉絲經(jīng)濟
4. 助力品牌傳播
5. 轉(zhuǎn)變品牌形象
6. 拉近品牌和用 戶的關(guān)系
7. 新型帶貨賦能電商
8. 推動數(shù)字化轉(zhuǎn)型
9. 助力企業(yè)提質(zhì)增效

6.2 C端應(yīng)用

數(shù)字人產(chǎn)品的C 端應(yīng)用場景包括上傳照片后重現(xiàn)逝去親友的虛擬親友、服務(wù)于兒童教育的虛擬陪讀、監(jiān)管自媒體公眾號的虛擬小編等。C端應(yīng)用場景仍有較大挖掘潛力。

1. 參與用戶的生活
2. 追求更真實、更理想的自我
3. 緩解真人手語主持人稀缺問題
4. 有效解決聽障人士溝通問題
5. 成為人們的助理、朋友甚至伴侶

7 數(shù)字人應(yīng)用示例：品牌 IP 化

IP的呈現(xiàn)是抽象化的品牌理念被具象化后的產(chǎn)物，承載了品牌希望消費者被喚起的感性共鳴，并以獨特的特質(zhì)將該品牌與其他品牌進行區(qū)分。企業(yè)品牌往往以IP形象進行傳播，動態(tài)的IP形象更能傳遞親切感，引發(fā)受眾的共情，使品牌形象更加鮮活生動，例如若干年前的海爾兄弟。如今，品牌方開始推出人形IP, 并從2D 的動畫展示進化為3D 的 立體呈現(xiàn)，追求更加擬人化的效果，以拉近和受眾的距離。

但是，單向傳播無法充分調(diào)動受眾的參與感。品牌方推出加入智能語音交互的數(shù)字人IP, 使之成為幫助用戶處理具體事務(wù)的虛擬助手角色，或是陪伴角色。長時陪伴的IP使得用戶產(chǎn)生更深層的情感，甚至形成“養(yǎng)成”體驗， 增強IP的定制感。數(shù)字人IP的身份可以是寵物、伴侶、子女、同學等，用戶不僅能夠見證虛擬IP被自己塑造而發(fā)生的改變，也能洞見自身 在這一過程中的成長。

8. 數(shù)字人面臨的問題與挑戰(zhàn)

數(shù)字人同樣存在技術(shù)瓶頸，也出現(xiàn)一些新的問題。

8.1 技術(shù)挑戰(zhàn)

尤其是計算型數(shù)字人，受限于大批量、高質(zhì)量的訓練數(shù)據(jù)樣本，實現(xiàn)泛化性仍然是當前存在的挑戰(zhàn)。寫實風格的數(shù)字人在越來越像人的同時，仍需突破“恐怖谷效應(yīng)"。

情感傳達是技術(shù)瓶頸。當前仍然主要運用動作捕捉技術(shù)，數(shù)字人的表情基準還是無法傳達類似于眉毛的彎曲度，肌肉顫動等微表情細節(jié)，所以很難將中之人所表達的情感完全傳達出來。在人與數(shù)字人的在交流過程中只能單純的傳達文字，而背后的情感語義和情緒則沒有辦法直接傳達出來。另外，數(shù)字人缺少情感Al 算法的應(yīng)用，沒有辦法通過判斷人說話的情感來轉(zhuǎn)變回復進而改變情感傾向，實現(xiàn)更人性化的交互，基于多模態(tài)的大模型或許可以部分解決這一問題。

8.2人類友好問題

數(shù)字人所營造的新型人機關(guān)系，可能成為人類組織活動中強行嵌入的某種“異物”,人類組織對這類智能嵌入物是否有排異反應(yīng)，目前還很難從個別的孤例中獲取足夠的數(shù)據(jù)，做出有效的判斷。也就是說，當大量數(shù)字人，處于工作崗位、擔當工作職責的時候，組織行為將會出現(xiàn)何種變化，尚待考察。

8.3 倫理問題

智能技術(shù)的核心算法，將技術(shù)與倫理問題緊密結(jié)合在一起。某種智能算法支撐下的數(shù)字人，在深度學習、大數(shù)據(jù)浸染之下，可能具備某種價值傾向、倫理傾向，甚至可能帶有某種“邪惡”傾向。

8.4 法律問題

隱私保護是不變的主題，制作有真人原型的數(shù)字人需要抓取大量信息，而大量地、 非法地提供這些信息反映出漠視或忽略隱私保護的現(xiàn)象。隱 私安全的權(quán)利一部分屬于現(xiàn)實用戶，另一部分屬于產(chǎn)生了自我意識的數(shù)字人。利用深度合成技術(shù)可以實現(xiàn)人臉再現(xiàn)，但隨著網(wǎng)絡(luò)技術(shù)逐步發(fā)展以及對肖像權(quán)保護力度的不足，大量抓取網(wǎng)絡(luò)視頻、圖像的深度合成問題成為一種法律隱患。

虛擬空間是制作數(shù)字人的底層結(jié)構(gòu)，因此虛擬網(wǎng)絡(luò)的管轄 權(quán)就是客觀規(guī)劃數(shù)字人的基礎(chǔ)。法律的管轄首先需要確定網(wǎng)絡(luò)犯罪的所在地，而虛擬空間中的犯罪行為最初和最終發(fā)生在什么地方難以確定。

對應(yīng)開發(fā)者而言，“避風港原則”是一種針對網(wǎng)絡(luò)服務(wù)提供者的責任豁免原則，具體指網(wǎng)絡(luò)服務(wù)提供者接到權(quán)利人的通知后，根據(jù)法律規(guī)定斷開與侵權(quán)的作品、表演、錄音錄像制品的鏈接的，不承擔賠償責任。

9. 小結(jié)

數(shù)字人是未來人工智能大模型最重要的應(yīng)用入口。通過大模型的賦能，數(shù)字人的產(chǎn)品發(fā)展首先要提升自主創(chuàng)新能力，有賴于數(shù)字資產(chǎn)的確權(quán)、自有技術(shù)運營、IP的持續(xù)迭代與進化。同時，需要打造全媒體的多模態(tài)傳播體系和持續(xù)性事件營銷體系，為數(shù)字人的傳播內(nèi)容的生產(chǎn)、呈現(xiàn)、自傳播提供源泉，不斷提升傳播影響力。挖掘個性化傳播內(nèi)容，通過個性化吸引目標用戶并保持用戶粘性、提升忠誠度與口碑。另外，重視社會價值傳播，賦予虛擬數(shù)字人社會服務(wù)屬性，提升行業(yè)影響力和自身公信力。

如果覺得數(shù)字人過于復雜，不妨從一個語音機器人入手，臨近雙十一，推薦給大家一本本人參與的最新譯作，可以作為語音機器人產(chǎn)品經(jīng)理的案頭手冊，對于數(shù)字人的設(shè)計同樣大有裨益。