屏幕里的数字人会走出来吗

导语：展馆大厅里那台会说话的大屏，很多人带孩子去看过。孩子仰头问完一个问题，转身就问家长：它能不能走出来。这个问题听着像玩笑，其实是眼下整个行业最实在的一个岔路口。屏幕里的数字人已经能说会道，地上的机器人还在学走路，两边能不能合成一个东西，答案既不是能，也不是不能。要回答它，得先看三件很朴素的事：有没有身体、买不买得起、敢不敢让它靠近人。

一、先分清：会说话的和会走路的

数字人和人形机器人常被混为一谈，其实是两套东西。数字人是画面里的形象，靠软件生成，没有实体，关机就消失。人形机器人是铁和塑料做的身体，能站立、能抓东西，但它的表情和语言往往很笨。打个比方，数字人像一个演技很好的配音演员，人形机器人像一个力气很大但不爱说话的搬运工。现在行业里说的具身智能，指的是让机器拥有身体，能在真实空间里边看边动边想。它要解决的是走路、抓取、避障这些物理问题，和屏幕里调口型完全不是一回事。分辨一个产品属于哪一边有个简单办法：断电之后它还在不在。

二、两边其实共用一套东西

虽然形态不同，底层有四块是重叠的：一个是听懂人话的语言能力，一个是看懂画面的视觉能力，一个是把话说得像人的声音能力，还有一个是决定下一步做什么的决策能力。这四块目前都靠同一类大模型撑着。所以你会看到，做数字人的公司开始研究机器人，做机器人的公司也在给产品加一张脸和一副嗓子。共用一套底座，意味着迁移成本比想象中低，但也意味着两边的短板会一起暴露：模型一犯糊涂，屏幕里是答非所问，地上就是撞到人。这种迁移还有个副作用，两边开始抢同一批工程师，人也就跟着涨价。

• 语言与声音：迁移最快，几乎可以直接搬过去用
• 视觉与空间感：数字人只要看着像，机器人必须判断准距离
• 决策与安全：屏幕里错了可以重录，地面上错了没法撤回

三、走出来的三道坎：身体、成本、安全

第一道是身体。人手有二十多个自由度，能捏起一枚硬币，也能提十公斤水，这种精细和力量兼顾的结构，做出来很贵。第二道是成本，能稳定行走、抓取的整机，公开报价大多在几万元到几十万元之间，和一台电脑加一个软件账号完全不是一个量级。第三道是安全，一个有几十公斤自重的机器在人群里移动，任何一次判断失误都可能造成伤害，所以它对模型可靠性的要求远高于数字人。前两道坎在慢慢下降，第三道只能靠时间和真实场景的数据堆出来，因为安全没有及格线，只有一次次没出事。

四、可能的融合路径：谁先谁后

我的判断是，融合不会一步到位，而是分三段走。第一段是屏幕和身体分离：机器人在现场干活，屏幕上的数字人负责讲解和答疑，两者通过后台连着，这是现在就能做的。第二段是固定位置的合体：导览、问诊、柜台这类不需要走动的岗位，先让机器有脸有嘴，站在一个地方服务。第三段才是移动的合体，出现在巡检、陪护、危险作业这类刚需场景。至于家里有一个通用管家，那属于最后一段之后的事。还有一个容易被忽略的中间态是轮子，轮式底盘便宜、稳、不容易摔，很多落地项目先选它，虽然不好看。

五、普通人该怎么看待这件事

不必被演示视频带着走。判断一段机器人视频值不值得信，可以看三点：有没有连续拍摄不剪辑、有没有在杂乱环境里工作、失败的时候怎么处理。只会剪出成功片段的，多半还在实验室阶段。对择业的人来说，真正先爆发的岗位不在造机器人，而在运维、调试、场景设计这些落地环节，因为机器越多，越需要有人把它调到能用。对家长来说，孩子问的那句能不能走出来，可以诚实一点回答：有些已经走出来了，只是走得还很慢，也还很贵。比起能不能走，更该问它走出来替你干什么。

给一个能马上做的动作：下次看到机器人演示，先找有没有未剪辑的完整视频，再看它在人多、光线乱的地方表现如何。要是连完整视频都拿不出来，那就再等一年，价格会更低，能力也会更强。