仿生人會(huì)夢(mèng)見電子羊嗎？這是“科幻鬼才”Philip K. Dick的科幻名作，也是人類對(duì)

　　10月18日至22日，第81屆2023世界科幻大會(huì)將在成都舉辦。大會(huì)前夕，紅星新聞、每日經(jīng)濟(jì)新聞聯(lián)合啟動(dòng)“幻響未來，全球追光”大型融媒體采訪報(bào)道，追尋科幻轉(zhuǎn)換為現(xiàn)實(shí)背后人類不同文明所共同擁有的科技與夢(mèng)想之光。

　　商湯科技作為中國軟件公司，也將參加本次世界科幻大會(huì)。商湯科技研發(fā)的商湯如影應(yīng)用平臺(tái)，以數(shù)字人視頻生成技術(shù)為核心，擁有多種AI生成能力，包括文本生成、語音生成、動(dòng)作生成、圖片生成、NeRF等。紅星新聞?dòng)浾呷涨皩ＴL了商湯科技數(shù)字空間事業(yè)群數(shù)字文娛事業(yè)部總經(jīng)理欒青，就的現(xiàn)在與未來進(jìn)行探討。

　　欒青：這個(gè)問題蠻科幻。從我的理解，目前的大模型或模擬人腦的系列人工智能技術(shù)，被普遍認(rèn)為還沒產(chǎn)生自我意識(shí)，是數(shù)據(jù)的匯總和演繹，而不是自我意識(shí)的某種形態(tài)。

　　如果上升到哲學(xué)觀點(diǎn)，自我意識(shí)是什么？其實(shí)是腦結(jié)構(gòu)對(duì)信息處理后的演繹。從這個(gè)角度，很難解釋說會(huì)不會(huì)產(chǎn)生自我意識(shí)。人工智能的物理結(jié)構(gòu)在模擬大腦，未來富余的電信號(hào)也可以去運(yùn)轉(zhuǎn)，不能說這種情況未來不會(huì)發(fā)生。但現(xiàn)在來說，人工智能是為人的目的而存在。

　　欒青：數(shù)字人技術(shù)包含好幾個(gè)方面，一方面是人機(jī)交互，就是數(shù)字人用人的方式去說話、動(dòng)作、表情，模擬人和人之間交互的感知和體驗(yàn)。這里面包含了兩塊主要技術(shù)，一是人形視頻的生產(chǎn)，二是用AI去生成人聲。

　　除了人機(jī)交互，另一個(gè)技術(shù)是模擬大腦，是未來越來越被關(guān)注的。數(shù)字人除了擬人化，大腦非常厲害，計(jì)算能力比普通人腦更強(qiáng)?？梢宰匀惑w會(huì)人的感情，還能處理和計(jì)算信息，給出最佳回復(fù)，甚至提供情緒價(jià)值。

　　紅星新聞?dòng)浾撸荷虦萍紝?shù)字人分成L1至L5五個(gè)等級(jí)，將L4和L5等級(jí)的數(shù)字人統(tǒng)稱為“AI數(shù)字人”。目前商湯的數(shù)字人能完成最復(fù)雜的互動(dòng)是什么？背后的技術(shù)難點(diǎn)在于？

　　欒青：目前數(shù)字人最常用的，一個(gè)是人機(jī)交互的界面模塊，用來生成視頻、直播，以人性化的方式去展示信息和內(nèi)容。

　　隨著大模型的突破，現(xiàn)在到了“輔助駕駛”階段。因?yàn)榇竽Ｐ蜕傻膬?nèi)容還需要人去審閱、調(diào)整，就不是“自動(dòng)駕駛”，還是“輔助駕駛”。這在L3和L4之間，能生成完整內(nèi)容，但還需要修正?，F(xiàn)在常用的短視頻和直播領(lǐng)域，就在L3和L4之間，是最大規(guī)模的應(yīng)用。

　　另一個(gè)客服類場(chǎng)景應(yīng)用更偏L4階段，達(dá)到信息級(jí)別的交互。比如說現(xiàn)在打開工商銀行APP，切換為數(shù)字人模式，所有業(yè)務(wù)可以直接在APP里去和數(shù)字人客服交互。這個(gè)場(chǎng)景的體驗(yàn)是L4級(jí)，但智能性還有一定差距，所以數(shù)字人下一步想達(dá)到線發(fā)展，還需要技術(shù)的突破。

　　包括現(xiàn)在大模型比以前厲害很多，不像以前是傻的，現(xiàn)在很聰明。但是情感類的互動(dòng)，提供情緒價(jià)值還是蹩腳，沒有自然到怎么溝通都分辨不出來。

　　這種技術(shù)的突破有三點(diǎn)要做，一是數(shù)字人需要跟行業(yè)更深入結(jié)合。在行業(yè)領(lǐng)域里的知識(shí)、習(xí)慣、技術(shù)信息，還需要專業(yè)性大模型幫助理解。

　　數(shù)據(jù)打通之外，第二步是接口打通。比如，操作理解了要做這件事，系統(tǒng)能不能真正去做到？辦一張信用卡，如果沒有連接銀行辦信用卡的接口，就拿不到實(shí)體信用卡，這就需要接口打通。

　　這兩點(diǎn)做到了，還有需要考慮的地方。比如數(shù)字人現(xiàn)在可以做醫(yī)療建議，但不能真正開藥。從邏輯上，從權(quán)責(zé)上，不能做。數(shù)字人目前在某些行業(yè)里，只能給建議，不能實(shí)操。

　　現(xiàn)在行業(yè)達(dá)到了千億級(jí)參數(shù)，等到GPT 4的時(shí)候，可能到萬億級(jí)參數(shù)，數(shù)字人可以更全面地在情緒價(jià)值方面更自然地互動(dòng)。目前還不清楚這個(gè)階段需要通過什么方式達(dá)成，是修改網(wǎng)絡(luò)結(jié)構(gòu)，還是增加算力和網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，這是現(xiàn)在還在不斷研究的核心突破點(diǎn)。

　　欒青：是模型里的節(jié)點(diǎn)數(shù)，可以認(rèn)為是模擬大腦的神經(jīng)元，人腦應(yīng)該在萬億級(jí)。所以按理論來講，目前的GPT 4已經(jīng)達(dá)到了人腦的參數(shù)級(jí)別。但從智能角度來講，和人腦還有差距。

　　紅星新聞?dòng)浾撸荷虦榻B，AI數(shù)字人主要應(yīng)用于虛擬偶像、虛擬客服和超級(jí)助手三個(gè)方向，現(xiàn)在依然如此嗎？

　　欒青：這三大應(yīng)用場(chǎng)景是前幾年數(shù)字人最多的應(yīng)用，其實(shí)今天，數(shù)字人最大的應(yīng)用是短視頻和直播內(nèi)容生成。

　　現(xiàn)在很多短視頻，大家并不知道是數(shù)字人制作的。比如女主播在直播間里，展示漢堡王的招牌套餐；招聘電工的短視頻等等。還有一些專業(yè)人士，律師、醫(yī)生、老師都有使用數(shù)字人來生成一些內(nèi)容。

　　4、5年前，制作一個(gè)數(shù)字人所需數(shù)據(jù)量比較大，一般要十幾個(gè)小時(shí)的視頻素材，同時(shí)需要滿足多角度和動(dòng)作的要求，制作完成后會(huì)發(fā)現(xiàn)效果僵硬。當(dāng)時(shí)有許多電視臺(tái)在日常新聞報(bào)道中，使用數(shù)字人主播，尤其是突發(fā)型事件報(bào)道，很有價(jià)值。不過因?yàn)橹谱麟y度和成本的限制，無法在普通大眾營銷場(chǎng)景下推廣，難以形成規(guī)模效應(yīng)。

　　現(xiàn)在大模型突破后，數(shù)字人的制作變得容易許多，十幾秒的素材就可以制作一個(gè)數(shù)字人。這兩年，技術(shù)在不斷提升，去年、前年還要三五分鐘，今年一兩分鐘、甚至幾十秒都可以。

　　表現(xiàn)包括可不可以自由做動(dòng)作？能不能跳舞？沒有錄入的動(dòng)作能不能更豐富？能不能直接AI生成數(shù)字人，不用找人錄，就沒有版權(quán)問題。

　　最近也常說可不可以讓數(shù)字人在任何設(shè)備上跑起來？現(xiàn)在很多還是在好一點(diǎn)的硬件設(shè)備跑，或者在云端跑，客戶覺得太貴了，可不可以在他自己的手機(jī)上跑？

　　背后的技術(shù)支持包括芯片適配，性能優(yōu)化。技術(shù)推向產(chǎn)品化的過程，就是不斷適用于更多場(chǎng)景，更復(fù)雜的條件。說到底還是考驗(yàn)AI視頻生成的復(fù)雜度問題，這也是我認(rèn)為人工智能下一個(gè)要過的坎。

　　欒青：現(xiàn)在經(jīng)常有電影導(dǎo)演跟我說，什么時(shí)候數(shù)字人能實(shí)現(xiàn)劇本出來就生成影片？

　　現(xiàn)在一些所謂的數(shù)字人出演，還只是“換臉”，就是人類演完，把臉畫綠幕摳掉。這樣其實(shí)并沒有節(jié)省成本，是噱頭。我覺得行業(yè)真正應(yīng)該做的，是讓一些內(nèi)容徹底AI化，縮短制作時(shí)間，降低試錯(cuò)成本。

　　目前電影級(jí)的數(shù)字人還面臨很大的挑戰(zhàn)，我們也在和一些明星做初步嘗試，發(fā)現(xiàn)在短視頻、短劇領(lǐng)域有希望，但真正的高質(zhì)量屏幕還沒有突破。目前在為動(dòng)畫電影做努力，通過人工智能技術(shù)，將真人內(nèi)容轉(zhuǎn)化成具體風(fēng)格的動(dòng)畫，我覺得短時(shí)間內(nèi)這是最有希望的。