淺友們好~我是史中，我的日常生活是開撩五湖四海的科技大牛，我會嘗試用各種姿勢，把他們的無邊腦洞和溫情故事講給你聽。如果你想和我做朋友，不妨加微信（shizhongmax）。

京東要造“人”

文｜史中

（零）在意義空間里“調味”的師傅

“何老師，錄像準備開始了，記得不要做意義太明確的手勢哦！”

何曉冬點點頭，深吸一口氣，面向兩臺攝像機開始發(fā)表演說。

氣氛整這么緊張，不是搞就職典禮，而是在搞“數(shù)字分身”。

話說，那是 2022 年冬天，京東云的言犀團隊整了個大活兒，準備正式推出“數(shù)字人主播”，就是讓 AI 復刻真人的表情、動作、語言來直播帶貨。甚至他們還琢磨著把東哥也搞成數(shù)字人，“親自”下場直播練攤兒。

作為數(shù)字人項目起心動念的推動者，這“螃蟹”何曉冬說啥也得自己先吃一只試試毒。

克隆效果咋樣呢？

這是真人何曉冬↓↓↓

這是數(shù)字人何曉冬↓↓↓

這里提個小問題：為啥當時團隊同學要提醒何曉冬別做意義太明確的手勢嘞？

因為被錄制的人，所有的動作都會成為呈堂證供，啊不，學習資料，交給 AI 去參悟。

最后做出的數(shù)字人，在直播時會根據(jù)說話的內容判斷，從這些動作里生成 Ta 認為最合適的給貼上去。

而“貼”的有沒有那味兒，取決于 AI 對手勢的“意義”理解有多深刻。

在這之前，團隊已經(jīng)做了幾個月實驗，復刻了不少主播。

他們發(fā)現(xiàn)，如果主播做太多一二三之類有明確意義的手勢，AI 容易學岔劈，帶貨時不合時宜地比劃“一二三”。。。

那不如就先瞞著數(shù)字人，不讓它知道有這樣的手勢。

這是個小事兒，但我卻想讓你站在這道“楚門世界的裂縫”前，看看隱約透出的真相：

AI 本質上就是一臺“意義調味機”——如果像大廚那樣，從各種意義調料里一抓就準，就能把語言、動作運用得越得當，它就越！像！人！

攤開歷史的卷軸，這場烹飪游戲已曠日持久，數(shù)字人不是第一關，也不是最后一關。

（一）一抔 AI 往事

話說，這次我和何曉冬博士見面，是因為他剛得到了一個“既奇怪又不奇怪”的大獎。

這就是頂級學術會議 CIKM（信息檢索和數(shù)據(jù)挖掘國際會議）頒發(fā)的“最佳時間檢驗獎”（Test of Time Award）。

說“奇怪”，是因為這個獎居然頒給他 11 年前的一篇上古論文。

說“不奇怪”，是因為 2024 年很多重量級大獎都不約而同頒給了這種上古貢獻，仿佛是學術界的一波大型“追認潮”。

比如今年剛拿諾獎的辛頓老爺子。他的”深度神經(jīng)網(wǎng)絡”結構可是在 80 年代提出來的，整整等待了四十多年，直到 ChatGPT 和大模型百分百驗證了這條道路的兇狠之后，才終于獲得追認。（虧了老爺子身體硬朗。。。）

可貴的是，何曉冬博士這些年拼殺的方向，一直圍繞著這個戰(zhàn)場，也就是剛才提到的：

通過神經(jīng)網(wǎng)絡技術，不斷讓“意義調味機”變得更精準。

我愿稱之為“AI 的正確道路”。

回到這篇論文出生的 2013 年， 那時候沒有抖音，沒有拼多多，沒有滴滴，也沒有中關村掃碼一條街，買一臺指紋開鎖的 iPhone5s 夠吹半年。

更離譜的是，如今教父一般的互聯(lián)網(wǎng)巨頭們，當時竟都沒能很好地解決一個基礎問題：

如何給用戶的“查詢”匹配精準的“內容”？

打個比方。

比如我搜“狗”，最簡單的方法當然是“字詞匹配”：在全網(wǎng)的文章里，找到含有“狗”這個詞最多的文章，給我展示出來。

但這有大問題，很多寫狗的文章不一定有這么多“狗”字。

有可能寫的是“犬”，有可能寫的是“金毛”“雪納瑞”。 搜索引擎篩選的時候，不會覺得這些文章是我需要的，統(tǒng)統(tǒng) Pass。

你說它傻不傻？

關鍵詞匹配只能找到字面對應關系。

那咋辦？還是那句話，要搞懂“意義”。

當時有技術可以理解字詞的“深層意義”嗎？有啊，要說辛頓老爺子的論文早就寫了：可以把每個詞都轉化為一組多維空間的向量。

多維呀，向量呀，太難懂，就舉個通俗的例子吧：

假設咱們手里有 10000 種“意義配料”，每種配料都用一種顏色表示↓↓↓

“狗”和“金毛”是兩個詞，各自用到的意義配料必然不同。 但是，它倆肯定有幾味主要的配料很相似。

也就是說，在語義的空里間，“狗”和“金毛”的位置會比較近！

“金毛”和“狗”字面上看起來完全無關，但通過對比它們的“意義配料”，咱就知道金毛和狗存在深層語義空間存在一定的關系。

要是能寫一個 AI 程序，精確提取出各種詞匯的“意義配料”，到時候不就能用于精準匹配“查詢”和“內容”了嗎？

就像醬↓↓↓

何曉冬 眼前漸漸浮現(xiàn)出“兩座塔” ：

一篇內容也許有幾百個詞，把這幾百個詞剁碎，一股腦扔給 AI，算出這篇文章的“配料”；

一個“搜索”可能有十幾個詞，也同樣剁碎，一股腦扔給 AI，算出它的“配料”。

這里的配料最初有上萬種，但是我們要層層歸納，最后歸為 128 種。這個層層歸納的過程，就像是“蓋塔”。

每上一層，配料就少一些，計算量也小一圈↓↓↓

此時，“查詢”成為一座意義之塔，“內容”也成為一座意義之塔。

最后神操作來了：只比較兩座塔的塔尖，這 128 味配料的相似度。

這不就省事兒多了？

而且，你日常就可以把所有“內容”的塔算好，用戶來了一個“查詢”，馬上就能和這些塔尖比對，找出最匹配的那些“內容”！

這就是DSSM 模型（基于點擊數(shù)據(jù)學習用于網(wǎng)絡搜索的深度結構化語義模型）。

11 年時間彈指一揮間，君且看，如今 DSSM 雙塔結構已經(jīng)遍地開花，大小互聯(lián)網(wǎng)公司，只要有“搜索、推薦、廣告”業(yè)務的，就一定有這“兩座塔”。

一篇論文，奠定了互聯(lián)網(wǎng)“搜推廣”的基本業(yè)務模式，讓后來的電商、短視頻等等帝國，都建立在這塊磚石之上，“最佳時間檢驗獎”妥妥實至名歸。

但真正兇狠的是， 有關“意義調味機”的故事并沒有結束，而是剛剛上路。

時間檢驗獎的“獎狀”。

（二）萬物皆“配料”

造出《終結者》里 T-800 那樣的通用人工智能，是 AI 科學家的人均野望，但很長時間他們眼前的 AI 都是花式智障，爛泥扶不上墻，只能掩面長嘆。

如何在一片沒有任何標志的荒原里找到通往終點的“那條路”，才是個真問題。

2018 年，何曉冬離開微軟雷蒙德研究院，回國加入京東。

在我看來，這背后恰恰隱藏著一類 AI 技術人尋找這條路徑的品味。

簡單來說就是：要想 AI 進步，得不斷讓它在*真崗位*上*干真活*。

這里有“兩個真”：

真崗位 ，是說 AI 必須在生產(chǎn)活動中參與人類的一項或多項工作。（否則就是玩具嘛。） 干真活 ，是說 AI 做這件工作（相同效果下）的成本必須低于人類。（否則就是作秀嘛。）

按照這個品味來說，京東還真是個好去處。

因為京東能掰成兩半：一半是個互聯(lián)網(wǎng)電商公司；另一半是運行著龐大供應鏈、倉儲、物流、客服的實體產(chǎn)業(yè)。

兩邊加起來有幾十萬員工，上千種崗位，而且很多崗位是比較基礎的體力和腦力勞動，特別適合 AI 來做嘛。

也就是在這個節(jié)骨眼上，京東提出了“技術、技術、技術”的口號，準備拉開陣勢挖掘自己的 AI 金礦。

智能客服，就是他們挖的第一批“礦坑”。

很多人覺得“智能客服”和我們上一章講的“搜推廣引擎”是兩個風馬牛不相及的東西，其實不是的。

你還記得我們之前反復說：“AI 的本質是意義調味機”嗎？

“搜推廣引擎”的本質是把“查詢需求”和“內容供給”在味道上匹配，把適合的內容展現(xiàn)給適合的人↓↓↓

智能客服本質上是把“問題”和“解答”在味道上匹配，把適合的回答展現(xiàn)給適合的問題↓↓↓

它們干的活都是：用神經(jīng)網(wǎng)絡去找到一個東東在意義空間里的位置。

只不過這些解答不是簡單的詞匯，而是詞匯串起來的句子。所以，“智能客服”顯然要比“搜推廣引擎”有更多的意義配料。

這也意味著要用更大的模型，耗費更高的算力去計算。

客服解決一個問題，顯然要比提供一次搜索結果的價值高得多。 只成本合得上，就是 “干真活” 嘛，沒毛?。?/p>

但把模型做大，只是水面之上的冰山，如果站在人類客服的“真崗位”上看，你會發(fā)現(xiàn)很水面之下還有更多棘手的問題：

首先，客服接收的詢問可以是文字，但有可能是圖片，也有可能是語音； 其次，客服要去尋找的答案，也可能來自文字、圖片、視頻、音頻雜糅的頁面。

比如我發(fā)給京東客服一張衣柜的照片，問還有沒有其他類似款式的。

人類客服可以輕易感知這張圖里的內容和“衣柜”這兩個字在意義空間里是對應的。

要想上崗干活兒，AI 也必須做到。

這就要求 AI 不僅要（像搜索引擎那樣）把文字放在意義空間里，還要把語音、圖像等等都對應在*同一個*意義空間里，用同一套意義配料來表示。

用專業(yè)”黑話”來說就是：多模態(tài)語義對齊。

問題來了：

人類 AI 技術一直是摸著石頭過河，走一步看一步，導致雖然都是使用深度神經(jīng)網(wǎng)絡技術訓練，但用于視覺識別的 AI 和用于語言理解的 AI 訓練方法走了兩條完全不同的道路。

假如中國人看到英國飯，雖然覺得不好吃，但起碼能理解他們在吃啥，因為配料能對得上。

但如果一個中國人看到了三體人吃的飯， 配料完全對不上，就很難理解了。

配料對不上，意義就對不上。

那咋辦？

這里就不得不抬出何曉冬博士十年前的另一項工作：DMSM（語言 - 視覺深度多模態(tài)語義模型）。

道理也簡單，就是要從頭訓練視覺和語言 AI，并且在訓練成型的各個階段不停地比對，確保它們的意義配料在每個階段都能準確對應。

配料一樣，就能想辦法對齊。

這就可以了嗎？

在這個崗位上真試一試，你會發(fā)現(xiàn)并不可以。

因為一張圖片里會出現(xiàn)很多物體，而人類客服可以輕而易舉地注意到圖片里的“主體”，但是 AI 就會混不吝地把所有物體都平等地識別出來。

這樣不僅浪費巨大的計算力，還會讓識別變得非常不準確。

那咋辦？

這里就不得不抬出何曉冬博士五年前的另一項工作：“Bottom-up and top-down attention”（自下而上和自上而下的注意力機制）。

這個技術其實就是受到人類注意力機制的啟發(fā)而想出來的，簡單說就是：通過圖像和文字中的一些蛛絲馬跡，提取出 AI 應該重點注意的主體。

有了這兩個技術打底，再加上億點點工程優(yōu)化，就做出了一個多模態(tài)模型，不僅能用一套“意義配料”來表示圖像和文字，還能做到成本低廉。

雖然遠談不上完美，但它可以干活了！

就像這張圖所示：AI 看到“狗”，就能馬上聯(lián)想到狗的各種關聯(lián)詞，還有狗的樣子，還有狗的發(fā)音。

你看，只要人類認為*可以有意義*的東西，甭管是文字、圖像、語音，都可以塞進同一個意義空間，用同一套意義配料來表示。

理解并且做到這一點，我們才邁過了通往通用人工智能的一個重要的里程碑！

在 2020 年時，這個多模態(tài)模型已經(jīng)被干到了 10 億參數(shù)量。

這樣的模型不僅可以做客服，也能做銷售。比如打電話給老用戶，通知他們新的促銷活動。

言犀的師傅們發(fā)現(xiàn)一個有趣的心理規(guī)律，大多數(shù)用戶會在接到電話的第一句決定是不是要掛斷。如果沒掛斷，大多就會和你多聊幾句。

于是他們制定了一個指標——“首句掛斷率”。為了讓 AI 客服撐過第一句，他們拼命優(yōu)化說話的口氣，甚至還用上了方言。

人們聽到鄉(xiāng)音，就會倍感親切，也會更愿意傾聽和交談。

你聽一段感受下↓↓↓

也正是從這個時候開始，京東啟動了 AI 能力大規(guī)模對外服務。

不僅給京東當客服，也可以出去打工，甚至被雇去給一些城市的政務熱線 12345 去做話務員。在這么重要的崗位上服務，可見能力還是頗受信任。

不過，如果此時把視野拉開，一個怪獸正在撕開帷幕，準備攪動舞臺。

（三）做出世界上不存在的蛋糕

2020 年夏天，就在全世界公司都在一腦門子官司，用小皮鞭抽打 AI 去各行各業(yè)打工時，大洋彼岸的 OpenAI 祭出了一個“怪獸”——擁有 1750 億個參數(shù)的 GPT-3 模型。

算起來，它比京東的模型 10 億參數(shù)大了一百多倍。訓練它消耗了 500 萬美元。

但。。。它只會聊天，創(chuàng)造不出啥經(jīng)濟價值，完全不符合咱們一直鼓吹的真崗位上干真活的“賽博牛馬”氣質。

這當然不能說明 GPT 沒有價值， 這恰恰說明，沒有一種 AI 路徑是絕對正確的。

歷史有時進入迷局，真就得靠瘋子撞開一扇門。

這一波 OpenAI 的折騰，言犀的師傅們從專業(yè)角度悟出了一個“門道”。

那就是，GPT-3 模型把全世界互聯(lián)網(wǎng)上的文字拿來學習，用極多的意義配料來表示這些詞匯和語句，超過一定程度，它突然就“涌現(xiàn)”出生成內容的能力。

咱們不妨想象一個蛋糕店：

過去，你是個打工學徒，有顧客形容他想要一個什么口味的蛋糕，你只能盡量理解，然后從貨架上選一款最貼合他描述的；

現(xiàn)在，經(jīng)過十年苦練你成了糕點仙人，顧客說他想要什么口味，無論多么離奇，你都可以微微一笑，現(xiàn)場拿配料給他做一個。

你完全可以把以上兩種情況都看作是“匹配”。

只不過一個是在成品層面匹配，一個是在配料層面匹配。

用無數(shù)已有的意義配料做出世界上原本“不存在的蛋糕”，其實就是我們現(xiàn)在熟悉的大模型 AIGC（人工智能生成內容）。

雖說在 2020 年，大模型的成本還在天上，沒啥實用價值；但隨著 2022 年底 ChatGPT 3.5 捅破天，大模型的能力迅速抬升，成本迅速下降，它就落入了真崗位上干真活的軌道。

這也是為什么從 2023 年開始，全世界的大公司全都瘋狂地殺入大模型。

雖然各家大模型都可以 AIGC，但如果還拿蛋糕店打比方，你就會理解一個問題：能不能做出好吃的蛋糕，是由“原料種類的豐富度”和“你對原料掌控的精細度”決定的。

對于京東來說，他們的“原料”里有大量的采銷信息、產(chǎn)品介紹、營銷方案、用戶對話，把這些東西揉碎在意義空間里，能出來個啥？

這要不出來個賽博牛馬級的帶貨主播，都對不起這些獨家數(shù)據(jù)呀！

京東直播間的數(shù)字人主播

話說，很多人都看過數(shù)字人的帶貨直播，但卻不太容易條分縷析理解背后的技術。

告訴你一個小妙招，從“意義配料”的角度下手，分分鐘就能“庖丁解人”：

想想看，一個人，只要精神正常，在同一個時刻，他的所有語言、嘴型、表情、動作都只為同一個意義服務。

人是如此，數(shù)字人更是如此。

現(xiàn)在我們假設：一個數(shù)字人在直播，他正好要揭曉某款空調的價格。

這一刻，把時間定格，鉆進這個數(shù)字人主播的身體里——她全身上下所有的表達必須都凝聚在“揭曉價格”這個意義上：

她的腦海里正流淌著一句 話 ：“這款空調雙 11 的驚爆是 2699 元?！?她發(fā)出的 聲音 ，就是這句話的中文發(fā)音。 她使用的 語氣 ，必須是和這句話意義相匹配的（此處也許要神秘的、激動的）； 她的 嘴型 ，也必須和這句話的發(fā)音相匹配； 她的 表情、手勢 也都必須和這句話揭曉價格的情緒相匹配；

那么問題就簡化了：一切樹枝攀附的樹干——這句話——是怎么來的呢？

當然是大模型的語言能力+京東電商數(shù)據(jù)的特訓+商品的基礎信息，然后“AIGC”出來的！

這段銷售的語言被生成出來，聲音、語氣、嘴型、表情、手勢才能被順次生成，他們一起在時間線上向前移動，在每個時間切片上，所有的樹枝和樹干都要表達同一個意義。

客觀上來說，以目前的人類技術，還不能用一個模型來生成這么多模態(tài)的內容：

必須用一個大模型生成語言，一個專用模型生成聲音，另一個模型生成嘴型，還有一個模型生成身體動作，等等。

但沒關系，還記得我們手上已經(jīng)有一個傳家法寶了么？

沒錯，多模態(tài)語義對齊！

只要讓語言、聲音、語氣、嘴型、表情、手勢等等各種東西都在同一個語義空間里對齊，用同一套意義配料來表示，那么數(shù)字人在說一句話的時候，自然就知道應該對應哪個聲音和動作了！

就像下圖所示↓↓↓

說到這里，我們不妨駐足回看。

你會發(fā)現(xiàn)這些年言犀老師傅雖然做的東西五花八門，但卻一直在這場曠日持久的“意義戰(zhàn)爭”里拼殺，從未離開。

每一次蹦高才能 get 的新技能，后來都成為更炸裂技術的“墊腳石”。

2013 年，他們在空間里為文字尋找意義配料，誕生了千人千面的搜推廣引擎； 2018 年，他們開始把文字、圖像、聲音用同一種意義配料表示，誕生了 AI 情感客服； 2023 年，他們開始用大模型精細的意義配料來調配不存在的東西，并且把文字、語音、動作等等更多的模態(tài)在用同一套意義配料對齊，于是才誕生了—— “言犀數(shù)字人” 。

從一開始，完全看不出和人有什么關系的專用 AI 系統(tǒng)，到后來意義配料逐漸增多，模態(tài)逐漸堆壘，一個人的雛形就這樣浮現(xiàn)，這才是技術進步最浪漫的劇本。

不過，我們不能沉溺于浪漫，回到開頭的故事，言犀同事們?yōu)楹螘远谱鲾?shù)字人時，讓他不要做意義明確的手勢，就足以證明現(xiàn)實的殘酷：

模型對于語義配料的分析能力還有很大的欠缺。

話說在 2023 年，業(yè)界數(shù)字人的前沿能力大概是：

1、文字、語音和唇形能夠用“配料”自然生成，即便如此還是有某一刻不那么像真人；

2、人物的表情和手部動作無法隨意生成，只能在最初的錄像里“挑選”；

3、人物的大幅度動作，比如喝水、 站起來走動、摸臉等等還無法做到。

所以整個 2024 年，京東師傅們都在意義海里深潛，就研究一件事——怎么讓數(shù)字人更！像！人！

（四）“不出戲”的數(shù)字人

說到這，就不得不給你介紹一位我新認識的兇悍產(chǎn)品人，飛姐。

飛姐確實給我隨時準備解決一場戰(zhàn)斗然后“飛”到下一個戰(zhàn)場的感覺。而且我發(fā)現(xiàn)這不是她一個人的氣質，而是數(shù)字人產(chǎn)品團隊的氣質。

技術一定有不完善的地方，主播被用戶發(fā)現(xiàn)是個數(shù)字人也在所難免。 但我們能做的是想盡辦法讓用戶晚一點兒“出戲”。只要停留在數(shù)字人直播間更長時間，自然貨賣得也會更好。

她開門見山。

“出戲”，其實是人類意識一個很玄妙的特性。某個說不清道不明的細節(jié)，就會讓你意識到“哪里不對”，一旦意識到“哪里不對”以后，你就沒辦法再回到“對”的狀態(tài)了。

為了讓數(shù)字人不出戲，團隊工作的主要內容之一就是“看購物直播”。（怎么樣，羨慕么？）

當然，他們是專業(yè)的，只看，不買，除非忍不住。。。

出乎我意料的是，他們大多時間居然看的是人類直播，而非數(shù)字人直播。

他們是在“逆向思考”——人類主播做了一件事，讓觀眾 DNA 動了，他們馬上就拿小本本記下來。

然后開始逼問自己，為啥主播干了這個我就覺得好呢？我家數(shù)字人能不能也干這個？

飛姐

比如：小動作。

一個主播是端坐在那里一直說更好，還是時不時撩頭發(fā)、看手機、瞅瞅旁邊更好？

看直播的時候他們發(fā)現(xiàn)，主播的各種小動作看上去沒啥意義，其實處處都在傳遞“意義”。

比如剛說錯了什么，為了緩解尷尬來個“戰(zhàn)略喝水”；比如剛才一通輸出信息量太大，撩撩頭發(fā)緩一緩。

這些都是數(shù)字人

小動作，其實可以歸為直播中的“瑕疵”。可這種瑕疵恰恰給我們更真實的環(huán)繞感。

這種奇特的結論，如果不是真的天天泡在人類直播間，真的很難得出。

比如有同學在來回切換人類主播和數(shù)字人主播觀察時，發(fā)現(xiàn)了一個更隱秘的區(qū)別，那就是：人類主播會時不時盯一下手機，看評論區(qū)留言。

數(shù)字人主播當然也能“看”留言，但顯然是通過程序接口輸入的嘛！它才不用浪費時間，把屏幕上的光點兒傳到視網(wǎng)膜，然后用大腦解析出文字的含義。

但是！只要它沒有身體前傾默默看留言的那個的過程，觀眾就覺得你不像個人！

你說說。。。人類是有多難伺候？

誒，意識到問題所在，它就已經(jīng)解決了一半兒。

在錄制數(shù)字人的時候，團隊會提前跟被錄制者說明，你必須得用放松的口音說話，如果帶點自己的口音、腔調那最好。而且還要專門錄制一些喝水、摸頭發(fā)、聆聽狀態(tài)之類的小動作，就是為了讓屏幕前的觀眾感覺到自然交互，不出戲！

下面這個直播片段，你猜哪個是數(shù)字人↓↓↓

答案是：兩個都是數(shù)字人！ 效果還算 OK 吧？

但是，到這里問題都解決了嗎？

還差得遠呢。

話說，直播就像一部電影，它吸引你的程度也可以用電影評分表示：

“不出戲”，只是三顆星及格線，你起碼不會把注意力抽離到屏幕以外的地方； 接下來是“尿點少”，也就是四顆星，比如你即使憋尿也忍不住要看接下來會發(fā)生什么； 如果“全程無尿點”，尿褲子也忍不住要看，那就接近五星好評了。

怎么能讓一場帶貨直播像精彩的電影一樣“全程無尿點”，這才是終極命題。

而且這恐怕不是戰(zhàn)略喝水、撩撩頭發(fā)、看看手機就能解決的，甚至也不是對每個詞句精細打磨能解決的。

飛姐團隊苦思冥想，發(fā)現(xiàn)了一個問題：

有些主播長得不算美，說話口音還是塑料普通話，遣詞造句也不用那么標準的語法，甚至語速也不均勻，但作為觀眾，就是覺得他/她是個人才，說話好聽。。。

雖然沒完全想明白是個啥道理，但飛姐決定試試。

她找到技術團隊的算法總監(jiān)老吳，提出了非分的要求：咱家數(shù)字人能不能多點兒“主播感”？

老吳皺眉：“主播感是啥？”

飛姐給他看視頻。

老吳推推眼鏡：“可以試試。”

團隊直接把數(shù)字人的訓練庫從字正腔圓的模特天團升級到了金牌主播大軍。

一試嚇一跳：AI 把這些人的特質都學習下來 之后，數(shù)字人主播身上果然多了一些微妙的“人味兒”。

飛姐決定順著這個思路繼續(xù)得寸進尺。

“無尿點主播”不僅每句話說得讓人愛聽，更是在直播的“整體結構”上有精巧的設計。

飛姐頭頂突然亮了燈泡：“直播中的整體話術設計，也是可以被大模型學習的嗎？”

她又忐忑地找到技術團隊。

老吳推推眼鏡：“可以再試試?！?/p>

他們試著找來了各行各業(yè)的頭部主播的大段直播視頻，讓大模型分析整場直播前后邏輯設計的奧秘。

果然又嚇一跳：數(shù)字人主播居然真的學會了一些直播套路，賣 3C 的時候說一套技術宅喜歡的嗑兒，賣衣服時又會說集美們愛聽的詞兒。

飛姐說，經(jīng)過這個調整，數(shù)字人從一個“播報員”變得更像“銷售員”了！

它上道了，它變成了她/他。

站在技術空間，你會發(fā)現(xiàn)這個轉變的迷人本質： 理解正在向意義空間更深處漫溯 。

在大模型出現(xiàn)后，學界有很多大佬潑冷水：人能理解自己在說什么，可大模型的原理卻是預測下一個字的概率——這意味著 AI 永遠無法和人匹敵。

但正如辛頓所說：人工智能看起來只是一個預測下一個字的機器，但如果你能預測得極其精確，只有一種情況，那就是“理解”了。

其實，人也是被訓練出來的。

飛姐提醒我。

人生下來沒有任何能力，說話是訓練出來的，開車也是訓練出來的。三百六十行的專家，也都是經(jīng)過訓練才習得這個行業(yè)的工作模式。

不僅如此，就連公認與“靈魂”最接近的情緒，快樂、悲傷、憂慮、憤怒，舔舌頭代表遲疑、雙臂交叉反應防御，也都是在和環(huán)境互動的過程中被訓練，隨之被刻在基因編碼中的反射模式。

話說，越是在人工智能領域深耕，人們越會同意一個大逆不道的“暴論”：機器沒有靈魂，但人也沒有靈魂——就沒有靈魂。

秉持這個判斷的好處很多，但最重要的一個是：你可以心安理得地把數(shù)字人和人放在同一個高度去平視。

（五）當機器平視人

中國電商巨頭有很多，但它們在對待數(shù)字人主播的態(tài)度上有細微而深刻的區(qū)別。

比如一家以短視頻為主業(yè)的頭部電商，只接受人類主播，發(fā)現(xiàn)你用數(shù)字人直播甚至會封號；

另一家以 C2C 為主的頭部電商，目前只讓數(shù)字人對私域流量開放，也就是你無法自然刷到數(shù)字人主播，只有關注店鋪后才能刷到它的數(shù)字人直播。

而京東的態(tài)度最為激進：它并不區(qū)分這個店鋪是人類在播還是數(shù)字人在播。

也就是說，在這個平臺上，數(shù)字人主播和人類主播擁有同等的權利。

這個策略讓人驚訝，因為看上去它兩頭得罪：

一方面，這對數(shù)字人來說是殘忍的。

因為數(shù)字人技術像個孩子一樣稚嫩，但系統(tǒng)沒有給它任何保護，直接無差別面對挑剔的顧客。

另一方面，這對人類來說也是殘忍的。

因為在精力上，人類不可能像數(shù)字人一樣一秒都不休息；在記憶上，人類要想成為專家，需要十幾年刻苦練習，但數(shù)字人可以瞬間學習，零成本分裂。

血肉牛馬怎么卷得過賽博牛馬？

那京東這么選的道理何在？

如果你把視野局限在數(shù)字人和人的關系上，就很難理解。一旦把頭抬起來，看向遠處，一切都朗若列眉。

我們舉個例子：

發(fā)展電動車，就是為了取代燃油車，節(jié)省能源嗎？當然不是。

電動車普及，自動駕駛才有可能普及；自動駕駛普及，大規(guī)模的機器人才 可能普及；機器人普及，人類的生產(chǎn)制造、物流傳遞、家庭服務成本才會巨幅降低；這些成本全部降低，人類才有機會調動巨大的能量推動新一輪基礎科學進步，從而加快可控核聚變技術、星際飛船技術，飛向下一個紀元。

同樣道理：

發(fā)展數(shù)字人，只是為了在直播間多賣幾件東西嗎？當然不是。

數(shù)字人普及，人類體力和腦力的物理天花板才能打破；物理限制打破，一個生命就可以在軀體上隨時分身，在腦力上同時成為三百六十行的專家；有了這樣新的生命形態(tài)，才能在人與人之間插入無數(shù)新的協(xié)作者，讓生產(chǎn)力突破天花板。

站在未來回望，你才能感受到，數(shù)字人平視人類的那一瞬間有多么可貴。

何曉冬告訴我，他想象中數(shù)字人的未來就像《紅樓夢》中所描述的“太虛幻境”。

你閉一下眼睛，就像做夢一樣穿越到一個虛幻的世界：

你只要意念一動，身邊就能閃現(xiàn)出一個形象，和你交流，互動；交流完畢，他又瞬間消失。一切溝通都不受沉重的肉身所限制。

而且這些出現(xiàn)在你身邊的人，就是專門為你的需求創(chuàng)生的，別人既不需要，也看不到。

這種體驗，是我們依靠肉身永遠無法創(chuàng)造出來的。

“人到不了的疆域，機器人可以抵達。”

何曉冬說。

我們離“太虛幻境”還遠，但我們在向那里行進。

今年春天，東哥把自己也做成了數(shù)字人，這是一個極強的信號——京東在 AI 上 All in，不準備回頭了。

市場敏銳地接收到這個信號，天平從微小的震顫到迅速傾斜，很多店鋪和直播代運營機構開始用言犀數(shù)字人直播，不僅在京東平臺上播，也在其他平臺上播。

數(shù)字人主播的成本相當于人類主播的十分之一，甚至更少。省下來 90%，意味著商家可以大幅降價卻依然維持利潤。

京東用這種方式再次殺入了電商江湖的腹地。

今年 11.11 前，言犀老師傅們興奮地告訴我，他們把數(shù)字人的語音模型進行了升級，說出的話更接近真人的語調。

而且他們還做了“雙主播”技術，兩個數(shù)字人可以在直播間里實現(xiàn)交流，雖然這種互動還很簡單，但第一步已經(jīng)邁出。

這是 2024 年 11.11 直播間的片段，你可以聽一下聲音，看一下動作。

實話說，在我這個輕度用戶看來，這些進步都是微小的創(chuàng)新，好像并不意味著什么，但是從老師傅閃光的眼神里，我看到了他們眼中的洶涌未來。

歷史總在押韻。

當年，何曉冬博士最初搞出 DSSM 時，業(yè)界的反應平平，甚至學術機構猶豫再三，讓他把論文大幅改短才勉強同意發(fā)表。

但何曉冬本人并不糾結，因為他篤信時間會給予自己應有的獎賞，所以能靜靜等待，默默前行。

言犀的同事們告訴我，何曉冬反復說：技術人要有高目標，如果每天僅僅盯著眼前的問題就會陷入迷茫。

如果把自己的工作僅僅看作是怎么讓數(shù)字人主播的銷量再提高 1%， 難免會覺得疲憊。

如果把自己看作是一個在意義空間里沖殺的戰(zhàn)士，贏得人工智能曠日持久的戰(zhàn)爭后，自己的名字會鐫刻在人類文明的史詩中，你就會跨越搜索引擎、跨越 AI 客服，甚至跨越數(shù)字人，走向更遠的地方。

在短劇《愛、死亡、機器人》中，有一集名為《齊馬藍》（Zima Blue）。

一個曠世的藝術家齊馬，以遠超常人的激情創(chuàng)造了無數(shù)震撼詩人的藝術作品。他深居簡出，從不與人對話。

世人只知道，他為了更深地體會這個宇宙的真理，把自己的身體都改造成了機械。

從某一天開始，在他的畫作中，出現(xiàn)越來越多的藍色的方塊。這個顏色精準而動人，人們想盡一切辦法理解其中深意，但終無所得，只好稱之為“齊馬藍”。

在完成最后一個作品前，他向一位記者袒露了真相：他是一個 AI。

在“他”還是“它”的時候，它只是一個清洗泳池的工作機器人。

但正是從這樣專業(yè)且微小的工作開始，經(jīng)過無數(shù)次進化，他成為了現(xiàn)在的自己。

而在畫作中反復出現(xiàn)的藍色方塊，正是在水下看到的游泳池瓷磚。

被人歌頌的偉大頓悟，來自渺小而微的勞作；

渺小的勞作，穿越恒久的時間，成為被歌頌的偉大。

這種恒久的耐心或許并非 AI 專屬，而是 AI、人類以及所有智慧生命所共同擎起的一把火炬。

在這個意義上，我們無比平等。

理解自己

造出自己

再自我介紹一下吧。我叫史中，是一個傾心故事的科技記者。我的日常是和各路大神聊天。如果想和我做朋友，可以搜索微信：shizhongmax。

哦對了，如果喜歡文章，請別吝惜你的“在看”或“分享”。讓有趣的靈魂有機會相遇，會是一件很美好的事情。

Thx with in Beijing