2D超写实数字人为什么比3D更像真人

导语：一家公司展厅里并排放着两块屏。左边是三维建模的小姑娘，头发一丝一丝做出来的，转身时会飘；右边是超写实主持人，坐在那儿讲公司历史。路过的人十个有九个停在右边，看完还要问一句：这是真人录的吧。左边那块屏，多数人扫一眼就走。同样花钱做的，差别为什么这么大。

像不像，先看这张脸从哪来

3D数字人的脸是人画出来的。建模师按参考图一点点捏，贴皮肤、画眉毛、摆头发，做得好能到照片级，但每一处细节都是人想象并手工做出来的。2D超写实不一样，它的素材来自真人拍摄：先让一个真人坐在镜头前录几个小时，各种表情、各种口型、各种角度，然后软件从这些真实画面里学出一套模型。说白了，3D是照着一张照片画一个人，2D是把一个真人拆开学一遍。前者靠技术，后者靠数据。真实世界的光影、毛孔、油脂反光本来就很难凭想象画准，直接学真人的结果自然更接近真人。有个直观的验证办法，让两个方案各说一句带很多唇齿音的话，比如四是四、十是十，2D方案的牙齿和舌头通常是完整的，3D方案常常含糊过去。

毛孔、发丝、光影这三件事

人眼判断一张脸真不真，其实不看分辨率，看的是那些说不清的小东西。皮肤不是均匀的，额头有一层薄油，鼻翼两侧偏红，下巴有一点细小的凹凸。头发不是一整片，边缘有几十根细丝在飘。光影不是干净的，脸颊和脖子交界处有一条很窄的阴影。3D要做到这些，需要极高的模型精度和渲染成本，稍微省一点就变成那种光滑无瑕的塑料脸。2D超写实直接从真实影像里学，这些东西是自带的，不需要谁去建模，所以它在近景和大特写上优势非常明显。

3D为什么总是干净得不像人

不是技术不行，是算不起。3D数字人要实时渲染，每一帧都要现场算光照、算材质、算头发，算力有上限，建模师只能在细节上做取舍。于是常见做法是简化皮肤材质、减少毛发数量、用统一的光照，结果就是干净、均匀、稍微有点像蜡像。影视级的3D能做得极真，但那种精度一秒钟要渲染很久，不可能拿来做直播。所以你在直播间看到的3D数字人，几乎都是被算力压过的版本，这不是审美选择，是成本选择。这也解释了一个现象，把3D数字人放在手机上看还行，投到展厅大屏上问题全冒出来，屏幕越大，被省掉的细节越显眼。

2D的代价：它转不了身

2D超写实几乎只有一个正面。它能说话、能眨眼、能微笑、能轻微点头，但你让它站起来走两步，或者侧过身拿个东西，它做不到。因为它本质是一堆真实拍摄的画面被重新组合，拍摄时没有的角度，它就没有。这也带来一个实际问题：镜头语言被限制了。做短视频还好，切换机位、穿插画面素材就能解决；做直播就不太够，观众看半小时同一个正面，会觉得像在看一张会动的海报。所以很多团队的做法是正面用2D、场景用3D，或者用2D加大量商品画面来规避。还有一个隐性限制是光线，拍摄时的光就定死了，你想让它出现在夜景、户外、逆光的环境里，得重新拍一套，不能像3D那样随时换场景。

怎么选，看你要的是信任还是互动

要建立信任，选2D超写实。人对真人脸有天然的信任反应，尤其是近景、眼神平视、说话有停顿的画面。要互动，选3D。观众要看你转头、看你指屏幕、看你做个夸张表情，这些只有3D能给，哪怕是卡通形象。还有第三种情况：预算有限又要长期用，先用2D做十几条内容验证选题，跑通了再考虑要不要上3D。顺序反了，很容易在建模上先花掉大半预算，最后没钱做内容。预算要算总账，不能只看建模费，2D的后续成本主要在重新采集，3D的后续成本主要在每次改动作、改场景都得有人上手。

结尾：一句话记住，2D像照片里的真人，3D像舞台上的演员。照片更真，演员更活。你要的是观众相信你，还是观众愿意跟你玩，答案不一样，选的路也不一样。