大模型给数字人装上了大脑

有些数字人客服，你问它营业时间，它答得又快又准；你换个问法问周末开不开门，它就开始绕圈子。问题不在嘴，在脑子。数字人的表达可以分成三段：想说什么、怎么说出来、脸上怎么演。大模型管的是第一段，也是决定它聪不聪明的唯一一段。

一、没有大脑的数字人，本质是台提词器

不提大模型的年代，数字人的回答是一条条写死的：把常见问题上百条列出来，每条配一个标准答案，用户问到哪个就播哪一段。这套东西在工作日咨询量大的时候还凑合，一旦用户换了说法、加了条件、连着问三层，就完全接不住。因为它没有理解，只有匹配。就像一个人只会背台词，台词之外一个字都说不出。所以那时的评价标准是话术库够不够厚，而不是聪不聪明。话术库再厚，也总有覆盖不到的那一句。更麻烦的是维护，话术要人一条条补，补得越多越难查重，最后连运营自己也记不清哪条才是最新的版本。

二、大模型在做什么：一个极强的接话者

大模型的工作方式说来简单：给它一段文字，它预测下一个最可能出现的词，再把这个词接到后面，继续预测下一个。它读过海量的书、网页、对话，对各种话题都有模糊印象，所以接话接得很顺。你可以把它想象成一个读过万卷书但没做过具体工作的人：聊什么都接得上，但细节经常记错，也分不清哪句是事实、哪句是自己编的。这个特点决定了大模型适合做表达，不适合做事实的唯一来源，一旦把它当成百科全书的替代品，出错的概率会很高。还有一点常被忽略：它的记忆是有限的，聊到十几轮以后，最早说过的内容可能被挤出去，长对话里它会忘记你开头提的条件，然后给出一个前提就错的答案。

三、三棒接力：想、说、演

一个能对话的数字人，背后是三套系统在接力。

• 想：大模型根据用户的问题和上下文，组织出一段回答的文字
• 说：语音合成把这段文字变成声音，控制语速、停顿和语气
• 演：驱动系统根据声音和文字，让画面做出对应的口型和表情

这三棒里，第一棒决定答得对不对，第二棒决定听着舒不舒服，第三棒决定看着真不真。常见的翻车是后两棒掉链子：文字答得很漂亮，语音合成却把一段本该犹豫的话念得斩钉截铁；或者声音很自然，画面却在句号处提前闭嘴。所以调优时不能只调模型，要把三段的节奏对齐。

四、接上大模型，为什么反而更容易答错

因为大模型有一个绕不开的毛病：它倾向于给出一个听起来合理的答案，而不是承认自己不知道。问它一个不存在的产品型号，它可能编出一份参数表；问它政策细节，它可能把两条规定揉在一起。这在闲聊里无伤大雅，放在客服、医疗、金融场景里就是事故。另一个风险来自上下文污染：如果前面的对话里混进了错误信息，它会把这个错误当成前提继续往下推，越答越偏，而且态度还很自信。这类错误最难防的地方就在语气，它编答案时的语气和答对时一模一样，用户根本分辨不出来，只有内行人才看得出问题。

五、让它靠谱的三件事

第一件是给它资料。把产品手册、常见问题、政策文件整理成结构化的文档，让它回答前先检索，答案尽量从文档里摘，而不是凭记忆编。第二件是给它边界。明确告诉它哪些问题必须转人工、哪些话不能说、不确定时该怎么表达，这套规则要写进系统设定里，不能靠它自觉。第三件是给它兜底。设计一个识别机制，当它给出的答案把握不大、或者用户明显不满时，自动切到人工，并在后台留下记录，方便事后复盘。这三件事做完，它不一定更聪明，但一定更稳定，而稳定比聪明值钱。另外建议每周抽十条真实对话回看，把答错的整理成新的资料条目，这个动作坚持一个月，效果比换一个更贵的模型明显得多。

判断一个数字人聪不聪明，别问它常识题，问三个只有你们公司才知道的问题。三个都答对、还能说清依据的，说明资料接好了；答得流畅但细节全错的，说明它只是在凭印象接话。