自古以來，人類就有著對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。
過去的兩百多年里，人類為了留住自我的影像，創(chuàng)造了各種手段和工具。從最初的畫像，到后來的攝像機，再到今天的數(shù)字人，都是人類為了留住畫像，解放人類的軀體，而進行一次次技術(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)制真實的人類，但由于時代的局限，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時代的到來，似乎為這一曾經(jīng)“聊勝于無”的技術(shù)，注入了新的靈魂。憑借愈發(fā)逼真的形象，數(shù)字人開始在更多的場景、行業(yè)中進行賦能。
01 “前浪”艱難探索
很多人在談到數(shù)字人的過去時，往往都會陷入一個誤區(qū)，認為最初的數(shù)字人僅僅是個被炒起來的概念，是個像VR那樣，看似潛力無限，實則可有可無的“雞肋”。
實際上，這樣的看法，忽略了一個重要的現(xiàn)實，那就是：
在數(shù)字人誕生的早期，不是人們沒有對數(shù)字人的需求，而是當時的技術(shù)、成本，根本滿足不了這樣的需求。
具體來說，早期的數(shù)字人，主要存在著成本高昂、技術(shù)標準不統(tǒng)一、形象難以與真人媲美等缺陷。
據(jù)國內(nèi)領(lǐng)先的數(shù)字人企業(yè)風平智能介紹，在數(shù)字人處于2D卡通時代時，雖然也有部分企業(yè)，出于營銷時增加新奇感的需要，訂購了一些數(shù)字人，但其中99%的數(shù)字人，在訂購之后半年就再無人問津。
究其原因，是當時數(shù)字人的成本太高，而應(yīng)用場景卻又太窄了。
試想一下，花費數(shù)十萬制作出來的卡通數(shù)字人，除了在部分需要增加“新奇感”的應(yīng)用場景外，還能用在什么地方呢？
你不能指望人們在上課、開會或講座這些嚴肅的場景里，看著一個卡通形象滔滔不絕吧？
后來，雖然隨著技術(shù)的進步，數(shù)字人的形象開始逐漸朝著寫實、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。
一般來說，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3D化的寫實數(shù)字人，成本可達到數(shù)十萬到百萬元不等。
這還是剔除了后期運營成本的情況下。
以抖音美妝達人“柳夜熙”為例，其制作企業(yè)創(chuàng)壹科技CEO梁子康曾對媒體表示，“柳夜熙”僅制作投入就在百萬元級別，而第一條“柳夜熙”的短視頻成本約幾十萬元。超寫實虛擬人視頻每秒的成本都在萬元區(qū)間。
因為想要讓數(shù)字人“動”起來，就需要讓AI驅(qū)動數(shù)字人的語音表達、 面部表情、動作生成等等，這都是巨大的投入。
而花費了如此巨大的數(shù)字人，最后還是只能局限在娛樂、直播、內(nèi)容IP等領(lǐng)域；
這是因為，當時的數(shù)字人，交互能力還不夠強大和智能，無法理解復(fù)雜語境、也無法處理多輪對話，導致用戶的溝通和服務(wù)效率很低。
即便有的數(shù)字人，可以通過真人的方式驅(qū)動，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格，這使其很難滿足不同用戶和場景的多元化需求。
因此，只有在娛樂、直播等更加看重“門面”和“顏值”的場景中，數(shù)字人才能占據(jù)一席之地。
然而，所有這一切的限制，都隨著當今AI革命的到來，而被紛紛打破了。
02 成本暴降、井噴來臨
2020年，隨著元宇宙概念的火熱，市場對于提高數(shù)字人生產(chǎn)效率和提升商業(yè)化的訴求日益高漲。同時，5G、AI等新技術(shù)更新?lián)Q代，也讓數(shù)字人得到了煥發(fā)新生的機會。
其中幾項關(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)動引擎，可以通過4D掃描、智能綁定等AI技術(shù)，實現(xiàn)數(shù)字人的唇形驅(qū)動、肢體驅(qū)動、表情驅(qū)動、手勢感知等，同時減少動作捕捉、CG合成的制作流程，大幅降低了成本。
而智能對話引擎，通過自然語言處理技術(shù)，為數(shù)字人快速定制對話能力、持續(xù)提升對話效果。
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)的國內(nèi)各大企業(yè)，開始在數(shù)字人領(lǐng)域八仙過海，各顯神通。
例如，百度推出的曦靈數(shù)字人平臺，通過自然語言處理、語音識別、計算機視覺等技術(shù)的提升，讓數(shù)字人在視覺表現(xiàn)力上有了顯著提升。
雖然形象仍然是3D人物，但從五官細節(jié)，神態(tài)動作等方面，都明顯在朝著更寫實的方向進行發(fā)展。
以前需要兩三個月時間做出來的3D數(shù)字人，現(xiàn)在可以壓縮到小時級。
同時，通過在線語音交互注意力模型，數(shù)字人也終于變得“音畫同步”了，逐字口型準確率達到了98.5%。
而得益于新一代數(shù)字更生動的表現(xiàn)力，曦靈平臺推出的數(shù)字人，也從單一的娛樂領(lǐng)域，擴展到了更多元的行業(yè)。例如在2B端擔任數(shù)字理財專員、數(shù)字客服、虛擬培訓師等角色，或是新聞播報員等。
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。
騰訊方面稱，該平臺可實現(xiàn)“自助式”數(shù)智人生產(chǎn)制作，只需經(jīng)過3分鐘真人口播視頻、100句語音素材的訓練，便可在輸入音頻、文本等多模態(tài)數(shù)據(jù)后，實時建模并生成高清人像，在24小時內(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別。
可以說是BAT三巨頭中，最早實現(xiàn)真人級數(shù)字人的企業(yè)。
小樣本“數(shù)智人”從直觀上感受是2D視頻，但背后其實是3D人像技術(shù)在支撐。通過3D人臉結(jié)構(gòu)的先驗信息引入，使數(shù)智人口型、表情更到位，讓小樣本“數(shù)智人”形象實現(xiàn)“皺紋級”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的數(shù)字人。
在數(shù)字人領(lǐng)域鉆研已久的風平智能，就是一個這樣的代表。
其獨特的XGen智造系統(tǒng)，和豐富、可定制的知識庫，在低成本高質(zhì)量生產(chǎn)數(shù)字人的同時，還能使每一個數(shù)字人都擁有獨一無二的“智能大腦”。從而擴展了其多元化的場景應(yīng)用能力。
同時，通過深度學習技術(shù)建模，風平智能的數(shù)字人還能支持129種語種，實現(xiàn)了跨國互動無障礙的交流。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，是制作成本的大幅度下降，以及表現(xiàn)力的突飛猛進。
而這些技術(shù)進步，所帶來的直接的后果，就是數(shù)字人技術(shù)的不斷下沉和趨同。
03 當AI的靈魂注入數(shù)字人
從概念提出到場景落地，AIGC加持下的數(shù)字人，已經(jīng)從原先幾十萬、上百萬的制作成本，數(shù)個月的制作周期，降低到了現(xiàn)在數(shù)千元，十幾個小時的制作門檻。
數(shù)字人的應(yīng)用場景，早已從單一的B端逐漸向C端擴散。而這樣的擴散，必將會重塑人類信息的輸出端口。
縱觀數(shù)字時代的每一次變革，人類信息的輸出端口，一直在不停變化。
在傳統(tǒng)的PC時代，這樣的端口是屏幕上的一個個網(wǎng)頁；
到了移動互聯(lián)網(wǎng)時代，這樣的端口則變成了一個個APP；
自媒體興起后，這樣的端口又變成了一個個公眾號、短視頻；
而在AIGC時代，經(jīng)過AI大模型強化后的數(shù)字人，則注定會擁有以往各類端口所不具備的知識量和交互能力。
到了那一天，也許人類真的會像比爾蓋茨所說的那樣：“再也不會去使用搜索引擎，不會去生產(chǎn)力網(wǎng)站，也不會再去使用亞馬遜。”
在蓋茨的設(shè)想中，這個“AI助理”將有能力理解人類的需求和習慣，同時會幫助人類“讀他們沒有時間讀的書。”
如此一來，AI加持下的數(shù)字人，就成為了人類更終極、更先進的輸出端口。
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等先進的大模型，與數(shù)字人進行結(jié)合的最大意義。
通過大模型豐富的知識，純熟的語義理解和交互能力，和相應(yīng)行業(yè)、個人不同的需求，每一個數(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，進而真正做到了“千人千面”的效果。
由此可見，在必將到來的AGI時代，真正決定數(shù)字人高下的，就是其獨一無二的靈魂。
