AI数字人未来三年可能发生的变化

导语：三年前，一套能出镜说话的数字人，要花掉一家小公司半年的预算；今天，有人用几百块的工具就做出了第一条片子。价格变了，能干的活也变了。于是很多人问，再往后三年会变成什么样。先说清楚两件事：这里说的三年，指从现在往后的三十六个月左右；下面每一条都是根据眼下能看到的条件做的推演，不是已经发生的事实，也没有哪家机构公布过确切数字。判断可能出错，但方向值得提前知道。

一、更便宜：从按项目报价走向按次付费

便宜不是厂商突然心善。撑着价格往下走的是三股力：一是算力，跑画面和声音的显卡租用价格这几年持续下探；二是模型，开源方案让新团队不必从零训练；三是竞争，功能接近的产品太多，只能靠价格换客户。类比一下，数码相机刚面世时只有影楼买得起，后来手机自带摄像头，拍照就从一门服务变成了顺手动作。数字人正走在这条路上：眼下还有人按项目一次性报价，往后更常见的会是按条、按分钟、按月订阅。对普通人的意思很直接，别急着买断，先用按次的方式跑通，等价格稳住了再谈长期投入。还有一点要提醒，掉价的是标准化动作，凡是需要单独拍摄、单独建模、单独调优的活，价格不会跟着掉，甚至会因为人工变贵而上涨。

二、更实时：把那股愣劲儿压下去

用过实时问答数字人的都有同感，你问一句，它要愣一下才开口。要把这半秒到两秒的延迟压下去，得同时提速三段：听懂你说什么、想出怎么答、把嘴型和表情画出来。三段里最慢的通常是最后一段，因为画面要一帧一帧生成。我的判断是，随着端侧算力和专用芯片普及，常见配置下做到接近当面聊天，两三年内大概率能实现，但完全无感还早。就像手机从四G换到五G，加载确实快了，偶尔还是要等一下。延迟还有一个隐形来源是网络，云端算得再快，数据来回也要时间，所以未来会有一部分计算搬到手机和本地设备上，先把第一句话接住，再慢慢补细节。

• 听懂这一段，语音识别已进入可用区间，方言和嘈杂环境仍是短板
• 想这一段，大模型的响应速度受算力和调用方式影响，本地小模型会越来越多
• 画这一段最吃硬件，也是延迟的主要来源，短期靠预生成和分段渲染绕开

三、更个性：记住你，才像同事

现在多数数字人换个话题就忘了上一句，像每天重新认识的陌生前台。个性化的关键不在长得像谁，而在有没有记忆。记忆说白了，就是系统把你说过的话、你的偏好、你上次问到第几步存下来，下次接着用。这需要三样东西配合：能长期保存的对话记录、可检索的私有资料库、一套不让它乱说的规则。缺了最后一条，记性越好越危险。我的判断是，个性化会先在客服、教务、健康随访这类上下文明确的场景跑通，泛娱乐场景反而慢，因为那里没人愿意被记住太多。记忆还要解决一个反直觉的问题：该忘的时候要忘。客户随口提的一句私事，记住是贴心，说出来就是冒犯。

四、更可管：标识与留痕会变成标配

内容越多，越需要能查。眼下AI内容标识主要靠自觉，往后更可能是平台自动加、事后能验。可管包含三层：这段内容是谁生成的、用了哪个形象和声音、有没有拿到授权。对做号的人是约束，对认真做生意的人是保护，因为冒用别人脸和声音的成本会变高。这里要说清，具体规则各地不同，也在变化，别把某一条当永久标准。能确定的只有方向：越往后，越难靠打擦边球挣钱。对采购的人来说，这一条早晚会写进合同，形象和声音的来源要能拿出文件，谁签的字要留着。现在的纠纷大多不是出在生成质量，而是当初那张授权书没签。

五、三年之内不太会变的东西

工具会换好几轮，但有四件事不太会变。第一，能把一个话题写清楚的人仍然稀缺，脚本永远比工具难。第二，懂业务的人比会用软件的人值钱，因为工具谁都能学，判断不能。第三，观众对真人的信任仍然高于对一张好看的脸的好感。第四，出了问题要有人负责，这条不会因为技术进步而消失。所以准备的方式不是背工具名，而是练三样手艺：把一件事讲到别人愿意听完、把一套流程拆到能标准化、把一次翻车复盘到能改。这三样都需要时间攒，而时间恰好是工具替不了的部分。

如果这篇只能带走一句，那就带走这个动作：接下来两个月，用最低成本做三条风格不同的片子，记下哪一条的完播和咨询更好，再决定往哪加深。连着三条都做不出来，先别买年费套餐，问题多半不在工具，在选题。判断错了不要紧，试错的成本要压住。