你看好數(shù)字人嗎？

這個問題在今天似乎頗難回答。如果從宏觀趨勢上看，數(shù)字人的利好要素似乎已經(jīng)達到了一個空前的高度。比如有市場分析機構(gòu)預(yù)測，到2026年中國AI數(shù)字人的市場規(guī)模將突破100億人民幣，整體市場呈現(xiàn)高速增長態(tài)勢。又比如今年7月，北京發(fā)布了《北京市促進數(shù)字人產(chǎn)業(yè)創(chuàng)新發(fā)展行動計劃（2022-2025年）》（以下簡稱《行動計劃》），這意味著數(shù)字人產(chǎn)業(yè)迎來了中國首個專項支持政策?！缎袆佑媱潯分猩踔撂岬?，到2025年北京市數(shù)字人產(chǎn)業(yè)規(guī)模突破500億元。

但如果我們從微觀上看，又會發(fā)現(xiàn)數(shù)字人的發(fā)展與應(yīng)用并不是一帆風順的。今年雙11，大量商家開始放棄使用數(shù)字人；很多企業(yè)、機構(gòu)的數(shù)字人員工、虛擬偶像，在發(fā)布之后就杳無音訊；數(shù)字人解決方案報價太高、維護太貴的聲音不絕于耳；很多投入了大量宣發(fā)資源，被寄予厚望的數(shù)字人項目，極短時間內(nèi)就喪失了流量。

如果說，數(shù)字人在2020年末到2021年，高速完成了從技術(shù)孵化到教育市場的創(chuàng)生期，那么在目前階段，數(shù)字人則恰好處在從產(chǎn)業(yè)鏈搭建到大規(guī)模應(yīng)用轉(zhuǎn)化的過渡期。這個階段，雖然整體市場依舊被看好。但從產(chǎn)業(yè)鏈到應(yīng)用場景、接受情況中的一系列問題也暴露了出來。數(shù)字人市場，開始不能用簡單的“好”與“不好”來評判。

速生速死，極限拉扯的數(shù)字人，不免讓我們想起一本書——莫言的《生死疲勞》。

莫言說，人活著就是要疲勞。今天我們可以說，不光是人，數(shù)字人想要活著，也挺疲勞。

生于直播

討論數(shù)字人的現(xiàn)狀，我們必須先達成一個共識：什么是數(shù)字人？

一般來說，數(shù)字人是指具有擬人或者真人外貌、行為和特點的虛擬人物。這里的重點在于，今天很多人已經(jīng)默認數(shù)字人是具有TTS語音合成、多輪對話、語義理解技術(shù)特征，由AI驅(qū)動的虛擬形象。但在整個產(chǎn)業(yè)發(fā)展的實際脈絡(luò)來看，數(shù)字人長期以來都跟AI技術(shù)關(guān)系不大，或者只使用了比較初級的AI技術(shù)，比如語音合成。

最早的數(shù)字人，基本都是以虛擬偶像等方式出現(xiàn)的。就像初音未來、洛天依等等，基本是由動畫設(shè)計+語音合成來實現(xiàn)。這時的數(shù)字人大多是作為展示，缺乏互動性，并且門檻很高，難以普及推廣。

接下來，隨著直播行業(yè)的發(fā)展，大量由真人配音，搭配TTS語音合成、唇形表型預(yù)測來實現(xiàn)的數(shù)字人開始出現(xiàn)。這時的數(shù)字人主要作用依舊是虛擬主播，但更多類似真人主播的一種“新型表演”，并不能從生產(chǎn)力上實現(xiàn)替代人類主播的作用。

當NLP、知識圖譜技術(shù)不斷成熟，數(shù)字人具備了多輪對話能力。同時機器視覺帶來的唇形捕捉、面部捕捉技術(shù)愈發(fā)完善，由AI技術(shù)驅(qū)動的AI數(shù)字人開始出現(xiàn)。這時的數(shù)字人發(fā)生了最為深刻的一個變化：數(shù)字人可以獨立完成人物，人工配音和真人扮演不再成為必備。這讓數(shù)字人對齊了一個巨大的商業(yè)空間：在那些只需要簡單對話、交互的工作中，由AI替代人類。

這樣的工作有很多，比如AI數(shù)字人最早出現(xiàn)在企業(yè)園區(qū)中的導(dǎo)航、導(dǎo)覽工作中。接下來，柜臺服務(wù)、智能客服等領(lǐng)域開始出現(xiàn)數(shù)字人。尤其在金融、保險等領(lǐng)域，由于顧客的需求相對固定，且數(shù)字人不易出現(xiàn)人為錯誤。在這些行業(yè)薪資水平相對較高的前提下，數(shù)字人客服展現(xiàn)出了一定優(yōu)勢。

但與客服場景相比，真正讓數(shù)字人火起來的，依舊是直播。從虛擬偶像到虛擬主播，直播始終都是數(shù)字人的天然溫床，是數(shù)字人“生”的動力和希望。隨著直播帶貨成為主流的電商消費形式，主播逐漸成了稀缺資源。很多廠商與品牌方，在近兩年選擇了全天候、多線路的高強度直播模式。而這就導(dǎo)致主播的需求壓力激增。加上疫情導(dǎo)致主播工作不確定性增加、主播坑位費與雇傭費等成本增大等因素，讓企業(yè)和MCN機構(gòu)開始探索主播的替代方案。加上在目前的直播經(jīng)濟中，很多品牌方的直播需求僅僅是不間斷宣講信息、推出產(chǎn)品，工作門檻并不高，用AI代替人類主播就成為可能。

早在2021年雙11，我們可以看到各個電商平臺、直播平臺，以及MCN機構(gòu)的宣傳重點，已經(jīng)從直播帶貨能力，變成了虛擬主播、數(shù)字人的直播帶貨能力，以及綜合成本優(yōu)勢。

另一方面，有問答互動能力，由AI驅(qū)動的數(shù)字人主播能夠激發(fā)用戶的獵奇感、新鮮感，因此直播市場普遍呈現(xiàn)正向反饋。這些反饋，支撐了今天大量關(guān)于數(shù)字人的政策支持與市場預(yù)判。

但生于直播，成于直播的數(shù)字人，有這樣一個先決條件：數(shù)字人的應(yīng)用成本，必須要比人類主播更低。

這是因為，作為替代品出現(xiàn)的數(shù)字人，歸根結(jié)底問答能力、應(yīng)變能力與才藝能力都不如人類主播。數(shù)字人+直播的興旺態(tài)勢，建立在大量企業(yè)與商品等待開播，但沒有主播可用的特殊需求上，從而導(dǎo)致大量低成本開發(fā)、模板換皮的數(shù)字人快速走上崗位。

隨著主播需求開始發(fā)生調(diào)整，人類主播的成本降低，以及企業(yè)的直播需求逐漸放緩。數(shù)字人的市場利好也將逐步失效。而從另一個維度看，數(shù)字人本身的開發(fā)成本、制作成本卻在上漲，對比人類主播的成本優(yōu)勢開始松動。

這是因為，數(shù)字人已經(jīng)遇到了從業(yè)以來的最大挑戰(zhàn)：同質(zhì)化。

死于同質(zhì)

至少在目前階段我們必須承認，由AI驅(qū)動的數(shù)字人依舊處在交互能力有限、表達單一的階段。在對話比較尷尬的情況下，數(shù)字人更多作用還是播放已經(jīng)錄制好的內(nèi)容，或者切換成人類配音+語音合成+唇形識別的“木偶人”模式。

當然，AI對于數(shù)字人的價值是多樣的，并不限于多輪對話和知識圖譜，還包括視覺、語音方面的內(nèi)容。但無論怎么說，數(shù)字人應(yīng)用很快進入了一個基本困境：由于數(shù)字人背后的AI模型來源只有那么幾個，導(dǎo)致每個數(shù)字人即使在外貌上進行了差異設(shè)計，其交互能力和所具備功能卻大多是一樣的。

好看的皮囊萬里挑一，但無趣的靈魂千篇一律。隨著數(shù)字人帶來的第一波新奇體驗逐漸平淡，接下來如何讓數(shù)字人產(chǎn)生差異化就成為了巨大挑戰(zhàn)。

于是我們看到，很多數(shù)字人剛出道沒多久就銷聲匿跡?！皵?shù)字人之死”，遠比預(yù)想中來得更快一些。某服裝品牌的數(shù)字人，僅僅在直播和短視頻平臺活躍了幾個月就杳無音訊；某大型活動的數(shù)字人推廣大使，因為建模過于粗糙遭到網(wǎng)友吐槽；大量新出道的虛擬偶像，都缺乏能讓人記住的特點；很多直播間在嘗試了一段時間數(shù)字人后，又把人類主播召喚了回來。

蜂擁而上的數(shù)字人，絕大多數(shù)都沒有激起什么水花，反而淹沒在形象、功能、交互的高度同質(zhì)化里，轉(zhuǎn)眼消失不見。

一方面看好數(shù)字人長期發(fā)展，另一方面同質(zhì)化又在侵蝕數(shù)字人的應(yīng)用空間。想要逃離這個怪圈，行業(yè)似乎就只好“卷”起來。數(shù)字人擺脫同質(zhì)競爭，需要卷設(shè)計、卷聲優(yōu)、卷渲染，更重要的是需要卷AI技術(shù)。數(shù)字人的核心技術(shù)包括圖形計算、AI動作捕捉、NLP、語音合成、知識突破等等。這些技術(shù)能力都有升級空間，但所需代價是最大的。

一旦卷起來，想要擺脫同質(zhì)化，數(shù)字人的成本又將直線上升，繼而也就喪失了對標人類主播的低成本優(yōu)勢。這個進退兩難的囚徒困境，導(dǎo)致數(shù)字人產(chǎn)業(yè)在大展宏圖之前，已經(jīng)先行進入了疲勞期。

數(shù)字人，也疲勞

想生存，就要卷，這是科技行業(yè)永恒的命題。而對于今天的數(shù)字人來說，企業(yè)快速弄一個換皮、套殼的數(shù)字人主播確實是代價很小，甚至可以忽略不計。然而一旦企業(yè)對這樣的數(shù)字人產(chǎn)品有了不滿，希望能夠做出有創(chuàng)意、足夠智能的數(shù)字人，那么代價會猛然增加。

這種成本壓力，導(dǎo)致企業(yè)出現(xiàn)了用數(shù)字人也不是，不用更不是的疲勞感。

具體來看，這種疲勞的來源是多方面的。前期的供應(yīng)鏈成本、后期的運營維護成本，以及取悅最終用戶的成本，都加劇了數(shù)字人長期應(yīng)用的難度。我們可以將這些壓力，總結(jié)成數(shù)字人的三種疲態(tài)：

1.產(chǎn)業(yè)鏈疲勞。

數(shù)字人擁有著非常漫長且非常復(fù)雜的供應(yīng)鏈。它既然需要AI模型作為底層支撐，同時也需要開發(fā)工具、平臺環(huán)境、存算網(wǎng)資源的支持。在技術(shù)能力之外，數(shù)字人還在設(shè)計、動畫、專業(yè)人才等方面產(chǎn)生成本支出。一家企業(yè)如果想要獲得完善且優(yōu)質(zhì)的數(shù)字人方案，要么自身具備統(tǒng)合多方面供應(yīng)鏈與技術(shù)開發(fā)、藝術(shù)設(shè)計的能力，要么直接購買定制化的數(shù)字人解決方案。

顯然，后一種方式對于絕大部分企業(yè)來說更加現(xiàn)實。但定制化和高要求意味著數(shù)字人的前期成本直線飆升。能否在后續(xù)應(yīng)用中收回這些成本，或者能否有效降低這些成本，對于企業(yè)來說都是未知數(shù)。這也是為什么，很多企業(yè)寧可直接拋棄數(shù)字人，也不愿意升級數(shù)字人。或者依舊讓初級的數(shù)字人解決方案苦苦支撐。

另一方面，對于數(shù)字人供應(yīng)鏈企業(yè)來說，大量數(shù)字人都涌向直播，確實帶火了業(yè)務(wù)。但過分聚焦的業(yè)務(wù)，讓接下來的升級遭遇了困境。從產(chǎn)業(yè)鏈來看，數(shù)字人可能涉及顯示硬件、光學器件、芯片、AI模型、AI開發(fā)工具、建模軟件等等技術(shù)領(lǐng)域，還必須包括應(yīng)用層的行業(yè)開發(fā)者與軟件供應(yīng)商。如此多復(fù)雜的產(chǎn)業(yè)鏈，最終都僅僅為直播服務(wù)。單一的應(yīng)用場景很難消納產(chǎn)業(yè)鏈的創(chuàng)新成本。這導(dǎo)致數(shù)字人的底層技術(shù)很難快速升級，或者將成本攤薄。

過長、過復(fù)雜，并且牽一發(fā)動全身的數(shù)字人產(chǎn)業(yè)鏈，導(dǎo)致數(shù)字人很難低成本、高效率做出改變。產(chǎn)業(yè)鏈懼怕應(yīng)用窗口太窄，應(yīng)用擔心產(chǎn)業(yè)鏈升級太貴，最終讓數(shù)字人出現(xiàn)了局面大好之下的焦灼感與焦慮感。

2.運維疲勞。

當前數(shù)字人產(chǎn)業(yè)的另一個問題，是很多企業(yè)發(fā)現(xiàn)數(shù)字人買得起，用不起。這是因為數(shù)字人的定制化服務(wù)整體成本過高，很多供應(yīng)商擔心市場情況。于是采取了降低一次性解決方案成本，但要捆綁運維支持的商業(yè)模式。而由于數(shù)字人的商業(yè)供需非常單一，這種模式大多需要落在依賴虛擬主播的電商來為之買單。

這種先嘗后買的模式，非常容易帶來后期運維層面的焦慮感。隨著用戶的習慣甚至厭倦，數(shù)字人直播帶來的直接價值降低，其因為成本的壓力就會突顯出來。對于企業(yè)用戶來說，會越發(fā)將數(shù)字人連續(xù)不斷的運維費用作為負擔，并且產(chǎn)生不愿升級、不愿續(xù)費的想法。而對于服務(wù)商來說，則更多希望降低數(shù)字人的真實運營成本，拓展自身的實際利潤。這就導(dǎo)致很多數(shù)字人畫風越來越崩壞，體驗愈發(fā)不智能。這就是因為服務(wù)商降低了數(shù)字人的AI模型或者圖像渲染成本。更有甚者，一些服務(wù)商甚至在不告知甲方的情況下，直接派真人配音來代替數(shù)字人當中的AI技術(shù)，以期降低運營壓力。AI假裝真人還未成功，真人已經(jīng)開始扮演AI，這也是讓人想不到的情況。

3.審美疲勞。

無論是前期投入還是后期成本，數(shù)字人產(chǎn)業(yè)的疲態(tài)都來自成本壓力。而所有成本壓力的來源，在于最終用戶對數(shù)字人+直播/短視頻的模式已經(jīng)產(chǎn)生了審美疲勞。畢竟AI的交互能力與理解能力都有限，很難實現(xiàn)源源不斷的新價值輸出。但用戶對于主播的期待是無限的，單調(diào)、重復(fù)，已經(jīng)成為很多用戶對數(shù)字人主播的刻板印象。

口味愈發(fā)苛刻的用戶審美，會最終推動數(shù)字人產(chǎn)業(yè)鏈進行洗牌。低成本、高重復(fù)的模式很難維序下去。數(shù)字人能否真正走入大規(guī)模應(yīng)用階段，需要看是否能跳出這個疲勞怪圈。

如果說配音是數(shù)字人1.0，對唇形是數(shù)字人2.0，AI驅(qū)動是數(shù)字人3.0。那么走向4.0時代的數(shù)字人，必須要面對擺脫千篇一律的功能，走向直播之外的更廣闊產(chǎn)業(yè)空間。智能與差異，是治愈數(shù)字人疲勞感的關(guān)鍵。

目前，解決這一問題的思路漸漸成形。比如說用大模型提升數(shù)字人的“腦容量”，ChatGPT的出現(xiàn)快速讓很多產(chǎn)業(yè)興奮了起來，其中就包括數(shù)字人。更多以預(yù)訓(xùn)練大模型來提升數(shù)字人智能水平的方案，將成為接下來這個領(lǐng)域的升級重點。

再比如通過硬件升級，來實現(xiàn)數(shù)字人更廣泛的商業(yè)價值。新一代VR硬件這股風在歐美已經(jīng)十分勁爆，并且開始向中國傳導(dǎo)。在VR場景下，數(shù)字人可以以更多方式與用戶交互，從而帶來新的需求，解決一部分手機直播中的審美疲勞，這也是數(shù)字人擺脫直播依賴的一個方法。

還有，持續(xù)縮短數(shù)字人供應(yīng)鏈，降低數(shù)字人的上游成本也是解決方案之一。很多云計算廠商，開始面向企業(yè)與軟件開發(fā)者，推出封裝好的一站式數(shù)字人搭建方案，從而讓數(shù)字人從解決方案買斷，更多轉(zhuǎn)型自主開發(fā)、自主定制的低成本方案。

這些解題思路的最終結(jié)果，都還有待未來去檢驗。至少在今天，我們似乎沒有理由認為數(shù)字人已經(jīng)迎來了春天。在繁榮的市場預(yù)期與政策期待下，應(yīng)該先問數(shù)字人幾個問題：

1.直播中的數(shù)字人的價值究竟幾何？他們的不可替代性和成本優(yōu)勢能夠維持多久？

2.曾經(jīng)的頭部主播也紛紛過氣，距離用戶厭煩數(shù)字人還需要多久？

3.播之外，真的有商業(yè)價值能撐起如此復(fù)雜的數(shù)字人產(chǎn)業(yè)鏈嗎？

數(shù)字人真想走出去，需要某個新技術(shù)帶來規(guī)模龐大，且足夠持久的新應(yīng)用市場?；蛟S只有一場深層次的技術(shù)變革，才能治好數(shù)字人的疲憊。