数字人为什么要用GPU：实时渲染的算力账

一台普通笔记本能流畅播 4K 电影，却跑不动一个实时数字人。差别在于播放和现场画是两件完全不同的事。视频是做好了存起来的，实时数字人得在你看的这一刻把这一帧画出来，一秒画几十次，一次都不能迟到。这就是为什么很多数字人项目一算预算就卡住：贵的不是模型，是没日没夜画图的那块卡。

一、视频就是一本快速翻动的画册

先破一个常识：视频不是连续的，它是一秒钟里放几十张静止画面，人眼跟不上，就看成连续动作。常见的规格是每秒二十四张、三十张或六十张，行业里把每一张叫一帧。播放一段视频，是把已经画好的帧按顺序翻过去，很省力。而实时生成意味着这一秒的三十帧还不存在，得在十六到三十三毫秒之内全部算完，算慢了画面就卡，算错了画面就崩。这个时间窗口极短，比人眨一次眼还快，几乎没有留给机器犹豫的余地。顺便说一句，电影通常是每秒二十四帧，游戏常见六十帧，直播因为要压缩传输，常常只有三十帧。帧率越高越顺，算力也按比例往上涨。

二、一帧里到底要算什么

看着简单的一个半身像，每一帧要算的东西并不少：模型表面每个点朝向哪里、被哪盏灯照到、该是什么颜色；皮肤的半透明感、头发丝的透光、眼球上的高光；嘴巴张到什么形状才配得上当前这个音；眼睛该看向哪边；身体有没有轻微的呼吸起伏。这些计算每一个都不复杂，但乘上几十万个顶点，再乘上每秒几十帧，总量就上去了。这还没算语音识别、语义理解这些后台任务，它们也在抢同一台机器的资源。还有一层容易漏算的开销是编码和推流，画面算完还要压成视频流发出去，这一步同样吃显卡，观众越多压力越大。

三、CPU 和 GPU 的分工

打个比方：CPU 像一个博士，能处理复杂的逻辑，但一次只能专心做几件事；GPU 像一千个小学生，每个人只会做简单的加减法，可他们能同时开工。画图这件事恰好是大量简单计算堆起来的，每个像素算自己的颜色，互不干扰，正好适合一千个人一起干。所以显卡成了实时渲染的主力。一块消费级显卡能撑起一两个实时数字人，要同时服务几十上百个用户，就得上机房里的专业计算卡，一台机器配几张，价格从几万到几十万不等。顺带解释一个常见疑问：为什么游戏显卡也能跑，机房却要买更贵的专业卡。差别主要在显存和稳定性，专业卡显存大，能同时装下更多模型，也扛得住长时间满负荷运转不出错。

四、算力账：实时为什么比离线贵几十倍

同样是一段五分钟的视频，离线生成可以慢慢算，一分钟的画面花十分钟渲染也没关系；实时生成必须在一秒内交出三十帧，中间没有缓冲。这好比一个是慢慢炖汤，一个是现炒现卖，后者对灶火的要求高得多。行业里的实际差距，实时方案的单位成本常常是离线方案的几十倍。再加上实时场景往往按并发算钱，十个人同时在线和一百个人同时在线，硬件投入差一个数量级，这也是很多数字人直播项目预算超支的主要原因。

五、几条省钱的路子

第一是降规格。把帧率从六十降到三十，把分辨率从高清降到标清，把模型面数砍一半，画质损失在人眼可接受范围内，算力却能省下大半。第二是预生成。不是所有内容都需要实时，口播视频完全可以离线渲染，只有直播和客服这类必须现场反应的场景才值得付实时的钱。第三是租不买。云服务按小时或按并发计费，短期项目没必要自己买卡。第四是错峰。把批量渲染放到夜里跑，用便宜时段，成本能明显下来。第五是砍并发，把同时在线人数从一百降到二十，用排队的方式错开，硬件需求立刻降一个档，而很多场景其实并不需要那么多人同时开口。

算力这件事，普通使用者不用懂原理，只要记住一句话：现场画比提前画贵得多。所以先问自己，这段内容真的需要实时吗。不需要，就别为实时付费，把钱花在内容上，回报通常更高。