文｜硅谷101

在人工智能的浪潮里，3D數(shù)字人正在悄然改變著我們內(nèi)容創(chuàng)作和互動(dòng)的方式。你或許已經(jīng)發(fā)現(xiàn)，數(shù)字人主播和虛擬偶像們，看起來越來越流暢自然了。這背后是一場(chǎng)數(shù)字人的技術(shù)革命：如今的3D數(shù)字人不再是那個(gè)表情略顯僵硬、只能按預(yù)設(shè)腳本運(yùn)行的“木偶”；它們能夠根據(jù)指令，實(shí)時(shí)地生成豐富的語音、精準(zhǔn)的表情，協(xié)調(diào)的肢體動(dòng)作，并且成本變得可被接受。

進(jìn)化的數(shù)字人，不僅活躍在當(dāng)下的直播間和客服中心，未來更將在3A級(jí)游戲和影視工業(yè)領(lǐng)域大展拳腳。然而你可能不知道的是，3D數(shù)字人濫觴于機(jī)器人領(lǐng)域。在計(jì)算機(jī)圖形學(xué)與機(jī)器人學(xué)之間，存在著一道打通虛擬與現(xiàn)實(shí)的“旋轉(zhuǎn)門”，幾十年來不斷有學(xué)者穿越這道門走向另一端去尋求突破之道。

過去，研究者們用驅(qū)動(dòng)機(jī)器人的方式，驅(qū)動(dòng)虛擬世界中的數(shù)字人；如今，數(shù)字人所積累的經(jīng)驗(yàn)，又反過來幫助機(jī)器人去理解物理世界的錯(cuò)綜復(fù)雜。

本期《硅谷101》，主播泓君邀請(qǐng)了魔琺科技創(chuàng)始人兼CEO 柴金祥教授 。柴教授從2000年左右便在卡內(nèi)基梅隆大學(xué)機(jī)器人研究所投身3D數(shù)字人研究，已經(jīng)從事該領(lǐng)域二十余年。泓君與柴教授深入聊了3D數(shù)字人的前世今生，它取得了哪些突破性的進(jìn)展，又面臨著哪些挑戰(zhàn)，以及數(shù)字人的數(shù)據(jù)和模型是如何加速具身智能進(jìn)化的。

以下是這次對(duì)話內(nèi)容的精選：

01 數(shù)字人：下一代內(nèi)容生產(chǎn)者

泓君：前幾天，硅谷大家都在關(guān)注Sora2，好像每個(gè)人都會(huì)拿它去做一段Demo，包括我們前幾天剛剛開了《硅谷101》的科技大會(huì)，我們就生成了一段讓Sam Altman幫我們?nèi)バ麄魑覀兇髸?huì)的Sora2的視頻?？雌饋硭谄聊焕锩娴男蜗缶褪且粋€(gè)比較數(shù)字人的形象，這個(gè)對(duì)你們的業(yè)務(wù)會(huì)有影響嗎？

柴金祥：我覺得Sora2相比Sora1，進(jìn)步是蠻大的，Sora1還是以風(fēng)景為主，Sora2主要的形態(tài)是以人為中心的，可以讓視頻里的人做各種各樣的事情。我也大概用了一下，第一個(gè)感覺，視頻生成現(xiàn)在還是10秒鐘的時(shí)間，還是沒有跳出被時(shí)間的限制文生視頻。第二個(gè)點(diǎn)其實(shí)也特別重要，就是物理上的一致性，基本上大家看刷屏的時(shí)候很多效果其實(shí)還是蠻好的，但你真正自己做的時(shí)候還是有很多瑕疵。

泓君：?jiǎn)栴}太多了。它那個(gè)視頻里面有皮卡丘跟一個(gè)唐老鴨在總統(tǒng)競(jìng)選的一段辯論，可以在原視頻上改，我就說把這個(gè)辯論變成一個(gè)在《硅谷101》上關(guān)于AGI的辯論，我們活動(dòng)的主題是“Alignment2025”，但你仔細(xì)去看的話，它后面的Alignment那個(gè)字就是錯(cuò)的，就開始亂碼了。

柴金祥：對(duì)。創(chuàng)作者除了生成視頻，還需要能修正錯(cuò)誤、調(diào)整細(xì)節(jié)，這能力它還沒有。更重要的是，它無法精細(xì)控制人的動(dòng)作和表情。不過，Sora2第一次讓人看到了用大模型驅(qū)動(dòng)人物多樣動(dòng)作的可能性。

我們做的是3D數(shù)字人，如果最終目標(biāo)是讓人能交流、跳舞、娛樂，那大模型會(huì)是什么形態(tài)？訓(xùn)練數(shù)據(jù)又是什么？Sora2說它用所有視頻作為訓(xùn)練數(shù)據(jù)。最近Genie3出來，是3D的生成，給你一種交互型的感覺是吧？但它不是人，它是關(guān)于場(chǎng)景相關(guān)的。

我們覺得，最終可能需要2D+3D的訓(xùn)練技術(shù)結(jié)合，我們希望生成的人沒有10秒限制、沒有瑕疵、物理準(zhǔn)確、可控制、實(shí)時(shí)且成本低。所以我們除了3D訓(xùn)練數(shù)據(jù)，也開始結(jié)合大量視頻數(shù)據(jù)來訓(xùn)練大模型，提升數(shù)字人的表達(dá)力。視頻數(shù)據(jù)如果模型做得好，是有生成能力的。

泓君：我簡(jiǎn)單總結(jié)一下：Sora2是文生視頻，你們是文生3D。這個(gè)3D它可以是在VR領(lǐng)域里面進(jìn)行展示的，比如說我戴著一個(gè)VR頭盔，我可以360度地去看到這個(gè)人。

柴金祥：是，就是2D和3D的區(qū)別。Sora2是文生2D視頻。3D放在VR/AR里，就跟現(xiàn)實(shí)一樣。3D還有一個(gè)好處，它能控制，就像人一樣，你讓它怎么動(dòng)就怎么動(dòng)。但2D在像素層面，要對(duì)它進(jìn)行動(dòng)作、表情的精準(zhǔn)控制，會(huì)比較難。

泓君：我看到很多公司展廳屏幕上的數(shù)字人是你們做的，有一點(diǎn)我可能很難區(qū)分，假設(shè)我進(jìn)到一個(gè)展廳，看到一個(gè)屏幕上的非常立體的數(shù)字人，它有動(dòng)作、聲音、表情，跟我看到Sam Altman在一個(gè)視頻里的數(shù)字人，除了時(shí)長(zhǎng)的區(qū)別，它在核心的技術(shù)上它的區(qū)別是什么呢？

柴金祥：第一個(gè)區(qū)別是，屏幕上這個(gè)數(shù)字人是人機(jī)交流的載體，人跟機(jī)器交流的時(shí)候，其實(shí)你是實(shí)時(shí)互動(dòng)的，我們希望端對(duì)端延時(shí)一般要小于2秒或1.5秒，不能像生成視頻等10分鐘、5分鐘。

第二個(gè)區(qū)別是，當(dāng)你用文生視頻去做的時(shí)候，手指是個(gè)特別難的事情，經(jīng)常多一根或少一截，但如果是展廳里，數(shù)字人為你講解產(chǎn)品，你肯定是不希望這個(gè)體驗(yàn)很差的，它的動(dòng)作不能有瑕疵，物理上要準(zhǔn)確，表情、動(dòng)作要一致。

最后一個(gè)區(qū)別，把3D數(shù)字人部署在終端上，成本不能高。終端屏幕可能就一萬人民幣，如果生成視頻交互了20分鐘，即使它能實(shí)時(shí)做，一年放在那也得花很多錢，長(zhǎng)期也負(fù)擔(dān)不起。但從Sora2文生視頻的角度來說，這個(gè)成本它是不能scale up的。

泓君：它的成本是多高？用你們的這個(gè)成本是多高？為什么成本之間會(huì)有這樣的一個(gè)差距？

柴金祥：我不一定能給具體數(shù)字，但可以告訴你一個(gè)量級(jí)：與大模型做的語音合成相比，我們的成本可能是幾十分之一。這里核心是2D和3D的區(qū)別。3D描述人的動(dòng)作表情，只需要幾百個(gè)參數(shù)，人的肌肉可能就是大幾百塊，你只要去控制一些肌肉就可以了。下一步是用3D渲染把3D內(nèi)容變成視頻，還有3D解算，包括頭發(fā)、衣服的物理解算。如果用AI做渲染和解算，成本就主要是生成這幾百個(gè)參數(shù)的成本，和大模型生成Token一樣，所以它的成本就非常非常低。文生視頻沒有結(jié)構(gòu)化信息，全是像素，推理和生產(chǎn)成本就會(huì)非常非常高。

泓君：所以你們能把成本降下來，是因?yàn)橛幸粋€(gè)自己的端模型，可以這樣理解嗎？

柴金祥：是的，我們有一個(gè)把文本變成3D多模態(tài)表達(dá)能力的模型。從文本生成語音、表情、動(dòng)作、手勢(shì)的參數(shù)，傳到終端屏幕上，我們用AI渲染和解算，把它變成視頻。AI渲染對(duì)終端算力要求極低，現(xiàn)在用國(guó)內(nèi)幾百塊錢的芯片，比如瑞芯微的RK3566，我們?cè)诙松暇涂梢耘芰恕?/p>

泓君：比如說它要跟人做實(shí)時(shí)互動(dòng)跟問答，這種還是在端模型上，還是說你后面除了你自己的這個(gè)端模型，在表達(dá)的內(nèi)容上你會(huì)去接大模型？

柴金祥：好問題。人和數(shù)字人交流需要兩個(gè)模型：一個(gè)像ChatGPT的多模態(tài)到文本模型，現(xiàn)在你ChatGPT的話，你可以輸入聲音、圖片，它最后輸出文字。

另一個(gè)是從文本到3D多模態(tài)的模型，我們做的是文字到3D多模態(tài)輸出，輸出語音、姿態(tài)、動(dòng)作、表情、手勢(shì)，讓生成的數(shù)字人更像真人交互，

我們有自己垂域的大模型，也可以接國(guó)內(nèi)千問、DeepSeek、豆包等模型，形成端對(duì)端的人與數(shù)字人像真人一樣的交流體驗(yàn)。

泓君：所以你們從多模態(tài)到文本可以利用大模型，從文本到多模態(tài)是自己的端模型。

圖片來源：魔琺星云-具身智能數(shù)字人開放平臺(tái)

柴金祥：我們叫它“文生3D多模態(tài)大模型”。

泓君：這已經(jīng)是一個(gè)產(chǎn)品“星云平臺(tái)”，可以發(fā)布了嗎？

柴金祥：是的，我們10月發(fā)布，現(xiàn)在在測(cè)試。有幾百個(gè)B端企業(yè)客戶在測(cè)試，有的已付費(fèi)。我們預(yù)計(jì)兩周后發(fā)布我們這個(gè)文生3D多模態(tài)模型。因?yàn)槲覀冏约涸谧龅倪^程做了很長(zhǎng)很長(zhǎng)時(shí)間，從我20多年前讀研開始做，花了很多精力。我們希望大家不要重復(fù)造輪子，能夠把能力提供給所有開發(fā)者，集成到他們的應(yīng)用中去。

泓君：了解。我覺得很有意思的一點(diǎn)就是，隨著星云平臺(tái)發(fā)布，你們從3D數(shù)字人公司變成了3D數(shù)字人平臺(tái)公司，我這樣理解是對(duì)的嗎？

柴金祥：差不多，對(duì)，是的。

泓君：之前在NVIDIA發(fā)布會(huì)上，黃仁勛很自豪地說“你看到的我不是真的我”，他坐在一個(gè)壁爐前，是一個(gè)虛擬3D數(shù)字人在跟大家介紹，渲染得非常非常真實(shí)。他經(jīng)常用他自己的虛擬人去講他們的顯卡性能有多強(qiáng)大，他那個(gè)成本大概有多少？

柴金祥：這個(gè)成本蠻高的。他做的其實(shí)還是視頻輸出，如果造一個(gè)老黃這樣的虛擬人，需要研發(fā)團(tuán)隊(duì)配合美術(shù)團(tuán)隊(duì)，在美國(guó)找頂尖的美術(shù)團(tuán)隊(duì)做，成本大概10萬美金左右，做到發(fā)布會(huì)那種逼真效果。

這還只是造出這個(gè)人，做視頻可能要按秒算成本。這屬于專業(yè)級(jí)內(nèi)容生產(chǎn)，還沒到人人可用的階段。

圖片來源：NVIDIA Blog

泓君：對(duì)，每次去游戲展會(huì)感受明顯，大家怎么去造那個(gè)3D數(shù)字人。以前造3D數(shù)字人，是讓演員穿動(dòng)作捕捉服，用環(huán)形攝像機(jī)拍每個(gè)部位，再建模，一步一步地把它還原出來。這是好萊塢或游戲公司常用的方式吧？

柴金祥：對(duì)，專業(yè)級(jí)造人包括3A游戲公司和好萊塢，比如Avatar，或老黃的數(shù)字人。整體來說它是兩部分的東西。

第一部分是造人，一般叫掃描，用很多相機(jī)，你坐在那，做各種表情，把人的幾何形狀和表面紋理重建出來，包括肌肉，學(xué)術(shù)上叫建模和綁定。

第二是讓它動(dòng)起來，穿動(dòng)捕服，用相機(jī)捕捉動(dòng)作，驅(qū)動(dòng)剛才造的那個(gè)人，用渲染引擎輸出視頻。

整個(gè)過程從建模綁定到動(dòng)畫再到輸出視頻，都非常昂貴。

泓君：這是大模型之前，好萊塢和游戲公司常用的方式?，F(xiàn)在有了模型，這套方式還是主流嗎？還是說他們其實(shí)也在探索能不能用3D直接去生成人？

柴金祥：這問題特別好。3D內(nèi)容的AI化取決于兩件事：高質(zhì)量數(shù)據(jù)，和AI算法能否對(duì)3D內(nèi)容做大模型。

咱們今天看到了，所有的影視動(dòng)畫和游戲公司，擅長(zhǎng)做內(nèi)容，把美術(shù)和3D模型做得很逼真，但絕大部分AI能力缺乏，因?yàn)樗麄兒突ヂ?lián)網(wǎng)、科技公司是兩條線，交叉很少。他們當(dāng)然想擁抱AI，但能力欠缺。

AI公司算法強(qiáng)，但其實(shí)是沒有數(shù)據(jù)的。3D內(nèi)容必須先有大量高質(zhì)量3D數(shù)據(jù)才能做大模型，這是他們的目標(biāo)，但現(xiàn)在兩個(gè)行業(yè)沒有交叉。

泓君：大模型公司缺好萊塢的數(shù)據(jù)，好萊塢制作公司缺AI算法，可以這樣理解嗎？

柴金祥：是，基本是這樣。

泓君：但我看也有公司開始嘗試。你們?cè)贏I浪潮之前，做數(shù)字人和積累數(shù)據(jù)也很久了吧？

柴金祥：是的，我們2018年成立，最初為B端公司，如游戲、影視、動(dòng)畫、或做3D虛擬偶像的公司，提供3D內(nèi)容制作，用AI+美術(shù)一起來提升效率和質(zhì)量。在這個(gè)過程中當(dāng)然AI的能力也在提升，但大家都要突破的點(diǎn)是3D內(nèi)容的高質(zhì)量數(shù)據(jù)。沒有數(shù)據(jù)，AI算法再厲害也沒法干。

泓君：從2018年到2025年，你們大概積累了多少數(shù)據(jù)？可以透露嗎？

柴金祥：拿動(dòng)畫數(shù)據(jù)來說，前面我們?yōu)槠髽I(yè)服務(wù)，后來我們自己來做了些動(dòng)畫數(shù)據(jù)。現(xiàn)在3D高質(zhì)量動(dòng)畫數(shù)據(jù)，我們有1000多個(gè)小時(shí)。這個(gè)數(shù)據(jù)可能跟視頻的數(shù)據(jù)或者文本的數(shù)據(jù)來講是小的，但如果考慮到成本，高質(zhì)量的人臉動(dòng)畫、手勢(shì)、表情等動(dòng)畫數(shù)據(jù)，一秒鐘成本至少1000人民幣左右。在國(guó)內(nèi)成本高是一方面，另外你還得找到團(tuán)隊(duì)有非常強(qiáng)的能力把質(zhì)量做得這么高，所以這個(gè)數(shù)據(jù)量是很難在短時(shí)間內(nèi)積累起來的。

泓君：很有意思，所以數(shù)據(jù)是你能訓(xùn)練成這樣的一個(gè)模型的一個(gè)核心要素。

柴金祥：我覺得數(shù)據(jù)是最核心的。如果沒有數(shù)據(jù)，其他任何研發(fā)都沒法做。除了剛才講到的3D數(shù)據(jù)，我們也有其他的視頻數(shù)據(jù)。這些是純粹的視頻數(shù)據(jù)，比如有人在走路也好，有人在跟人交流也好，它沒有3D信息，但我們開始把這兩者融合起來去做模型的訓(xùn)練。

02 虛實(shí)之間誕生的“雙生學(xué)科”

泓君：你當(dāng)初為什么會(huì)選擇進(jìn)入3D數(shù)字人這個(gè)領(lǐng)域？

柴金祥：我2000年去卡內(nèi)基梅隆大學(xué)（CMU）讀博士，在機(jī)器人研究所做的就是這個(gè)方向。我的博士論文就是關(guān)于如何創(chuàng)建一個(gè)可交互的3D數(shù)字人，以及如何用AI去做動(dòng)畫。我們團(tuán)隊(duì)?wèi)?yīng)該是世界上最早用AI做動(dòng)畫的，因?yàn)橐矂倻惽桑?000年左右運(yùn)動(dòng)捕捉技術(shù)出現(xiàn)了，有了動(dòng)畫數(shù)據(jù)就可以做AI了。從那時(shí)起，我就專注于3D動(dòng)畫和數(shù)字人。2006年畢業(yè)去德州農(nóng)工大學(xué)（Texas A&M）當(dāng)教授，也一直做這個(gè)方向。那時(shí)動(dòng)畫研究屬于圖形學(xué)領(lǐng)域，是專門為影視動(dòng)畫公司游戲公司這個(gè)行業(yè)服務(wù)的。那時(shí)候我們發(fā)表了很多論文，全是關(guān)于3D數(shù)字人跟3D動(dòng)畫相關(guān)的。到2018年創(chuàng)業(yè)，我也繼續(xù)做這件事，所以我在這個(gè)領(lǐng)域堅(jiān)持了二十多年了。

泓君：我知道您的博士導(dǎo)師是杰西卡·霍奇斯（Jessica Hodgins），她主要研究人形機(jī)器人和3D數(shù)字動(dòng)畫。而且她的博士生導(dǎo)師是馬克·雷伯特（Marc Raibert），是波士頓動(dòng)力（Boston Dynamic）的創(chuàng)始人，現(xiàn)在最有名的機(jī)器人公司，也是特別早的一家機(jī)器人公司。所以看起來整個(gè)的3D生成它最開始的應(yīng)用就是在好萊塢領(lǐng)域的。

柴金祥：我導(dǎo)師杰西卡·霍奇斯，她也是卡內(nèi)基梅隆大學(xué)1989年博士畢業(yè)，她在讀博時(shí)是做機(jī)器人的。當(dāng)時(shí)的人形機(jī)器人只有“單腳”，因?yàn)殡p足平衡太難了。她那時(shí)候是用物理運(yùn)動(dòng)控制動(dòng)力學(xué)的方式，控制機(jī)器人走跑跳。

她畢業(yè)后，很奇怪地，進(jìn)到的方向是圖形學(xué)和動(dòng)畫領(lǐng)域，她的想法是：既然能在現(xiàn)實(shí)世界控制機(jī)器人運(yùn)動(dòng)，是否能用同樣方法驅(qū)動(dòng)虛擬世界的3D數(shù)字人？

她是全世界第一個(gè)用物理運(yùn)動(dòng)控制方法做數(shù)字人動(dòng)畫的學(xué)者。她在佐治亞理工學(xué)院（Georgia Tech）做教授，基于物理的仿真跟控制做動(dòng)畫，然后2000年她回到CMU任教，2000年動(dòng)畫數(shù)據(jù)慢慢有了剛才講的運(yùn)動(dòng)捕捉的出現(xiàn)。我就是她在卡梅帶的最早的博士。我們是那時(shí)候是最早用AI做動(dòng)畫的。后來大家發(fā)覺得，這個(gè)動(dòng)畫用AI做挺好的，反過來是不是還能去做Robotics這個(gè)行業(yè)？

現(xiàn)在大家可能知道的很多做Robotics做很厲害的人，其實(shí)以前都是做動(dòng)畫的。比如PI（Physical Intelligence）聯(lián)合創(chuàng)始人、伯克利教授Sergey Levine，但你肯定都不知道，他是在斯坦福拿的博士學(xué)位，并且他是用物理的方式，用運(yùn)動(dòng)控制動(dòng)力學(xué)的方式來做動(dòng)畫的。他畢業(yè)了以后說，我這個(gè)能做動(dòng)畫，我也能做機(jī)器人，他后來當(dāng)教授的時(shí)候就是開始做機(jī)器人。

泓君：難怪PI他們的核心思路是解決機(jī)器人的“大腦”問題，就是軟件層的問題，他就是希望通過模型層來指揮機(jī)器人，我覺得這個(gè)跟他最開始不是從硬件研究開始的，而是用機(jī)器人去做動(dòng)畫，聽起來是一脈相承的。

圖片來源：PI

柴金祥：的確是的。再舉一個(gè)例子，我還有一個(gè)好朋友Karen Liu，她現(xiàn)在在斯坦福當(dāng)教授，以前是在佐治亞理工學(xué)院（Georgia Tech）當(dāng)教授，她同時(shí)做Animation和Robotics。

我們那批做動(dòng)畫的人，后來很多都轉(zhuǎn)向機(jī)器人領(lǐng)域，因?yàn)檫@兩個(gè)領(lǐng)域高度相通——都是驅(qū)動(dòng)“人”，一個(gè)在虛擬世界，一個(gè)在物理世界。動(dòng)畫相對(duì)更容易入手，因?yàn)闄C(jī)器人是有本體的，你搭個(gè)硬件就老半天。另外現(xiàn)實(shí)世界受很多限制，比如重力、房間限制、機(jī)器人硬件限制。動(dòng)畫實(shí)際上沒有這些限制。所以那時(shí)候很多做物理的人開始做動(dòng)畫。

動(dòng)畫這方面也分成幾派，一派用物理方法做，Jessica肯定是其中之一。還有CMU的Michiel van de Panne，他是我博士委員會(huì)成員，一直做Controller、運(yùn)動(dòng)控制。那時(shí)候做動(dòng)畫的中心也在卡內(nèi)基梅隆大學(xué)。Karen Liu的導(dǎo)師Zoran Popovi 也是卡梅畢業(yè)的。當(dāng)時(shí)做動(dòng)畫的學(xué)者很少，國(guó)內(nèi)基本沒人做，歐洲也沒人，主要集中在美國(guó)兩三個(gè)研究組。

后來動(dòng)畫有個(gè)大飛躍是從2000年，運(yùn)動(dòng)捕捉有了數(shù)據(jù)后，大家慢慢開始用AI做。那時(shí)比較早的，現(xiàn)在叫強(qiáng)化學(xué)習(xí)，我記得最早的動(dòng)畫論文是2004年還是2005年就用強(qiáng)化學(xué)習(xí)做動(dòng)畫。虛擬世界與實(shí)際世界的底層運(yùn)動(dòng)控制邏輯非常相似，都屬于“小腦”范疇的動(dòng)作規(guī)劃與運(yùn)動(dòng)控制。如今新興的VLA模型則更偏向“大腦”層面。

泓君：很有意思。我們討論好萊塢技術(shù)時(shí)，常有聽眾問為什么科技節(jié)目關(guān)注電影工業(yè)。其實(shí)好萊塢一直是推動(dòng)技術(shù)發(fā)展的重要力量，許多AI技術(shù)最早都應(yīng)用于電影制作。你們有沒有想過，把你們的3D數(shù)字人產(chǎn)品用于好萊塢造人？比如用生成式技術(shù)讓靜態(tài)演員動(dòng)起來，這可能對(duì)傳統(tǒng)制作方式形成“降維打擊”。

柴金祥：這里面涉及幾個(gè)關(guān)鍵點(diǎn)：質(zhì)量、成本和應(yīng)用場(chǎng)景。好萊塢質(zhì)量可能最高的，再往下是3A級(jí)游戲，再往下是生活中一些交互比較簡(jiǎn)單的場(chǎng)景。如果你要做好萊塢方向，它的高保真、質(zhì)量可能特別重要，他們可以等100個(gè)小時(shí)、200個(gè)小時(shí)，花更多錢等你的高質(zhì)量。但在實(shí)時(shí)交互里，可能等不了那么多時(shí)間，要馬上看到結(jié)果能夠交互，質(zhì)量上不一定要像好萊塢那么高。

泓君：但是可以做好萊塢IP的衍生。

柴金祥：對(duì)，衍生品肯定可以，但需要更高質(zhì)量的3D數(shù)據(jù)來做AI大模型。這塊在我們自己的行進(jìn)路徑上，有先后順序，對(duì)我們自己來說，可能先運(yùn)用到日常生活中，比如交互、服務(wù)、陪伴，再到游戲，再到好萊塢。因?yàn)殡y度來說，好萊塢如果要做到那個(gè)水平，難度很高很高，質(zhì)量要很高，能生產(chǎn)這種高質(zhì)量數(shù)據(jù)的人，全世界可能就沒幾個(gè)。

03 AI渲染結(jié)算帶來的成本革命

泓君：?jiǎn)栆粋€(gè)稍稍敏感的問題，你可以選擇不答。你們現(xiàn)在把API接口開放出去，肯定有基礎(chǔ)接入成本。你覺得這個(gè)模式能賺錢嗎？

柴金祥：這肯定能。因?yàn)樵谡桨l(fā)布平臺(tái)之前，我們已經(jīng)有了B端客戶。在國(guó)內(nèi)做AI公司，商業(yè)上的賬必須算得過來，除非你是字節(jié)、阿里、騰訊那樣的大廠。所以這里面有一個(gè)核心點(diǎn)，也是我們過去半年最大的突破。半年前我們的交互能力和API就做好了，但那時(shí)成本非常高。當(dāng)時(shí)服務(wù)一個(gè)數(shù)字人需要一張顯卡，成本差不多兩三萬。很多B端客戶來問，一聽到這個(gè)價(jià)格就不用了。

圖片來源：魔琺科技

泓君：這個(gè)成本是怎么降下來的？

柴金祥：因?yàn)槲覀兪?D內(nèi)容，所有影視動(dòng)畫公司、游戲公司都逃不開一點(diǎn)——必須要有渲染引擎和解算引擎。

泓君：這個(gè)我太懂了，我們做視頻，渲染真的太耗時(shí)間了。

柴金祥：對(duì)。如果要支持3D內(nèi)容實(shí)時(shí)交互，每一路都需要一張顯卡負(fù)責(zé)渲染和解算。我們當(dāng)時(shí)用了可能最好的Unreal引擎，但成本就擺在那里。我們一直在想，如果不解決這張顯卡的成本問題，談應(yīng)用落地根本不可能，無論是展廳大屏、手機(jī)還是平板上都用不起。

我原本覺得這個(gè)問題很難解決，但技術(shù)有時(shí)很奇妙，我們突然想到了一個(gè)方法。很幸運(yùn)地，我們用AI技術(shù)完成了渲染和解算，不再需要傳統(tǒng)的渲染引擎和昂貴的顯卡?，F(xiàn)在在非常便宜的終端芯片上，一兩百、兩三百塊錢的，就能跑起來。

泓君：所以你們用端到端的AI模型，解決了渲染問題。

柴金祥：渲染只是其中一部分。完整流程分兩步：第一步是用模型從文本生成語音和3D表情、動(dòng)作的參數(shù)；第二步是把這些參數(shù)通過AI渲染和解算轉(zhuǎn)換成實(shí)時(shí)視頻。這樣整體成本比語音生成還要低。

泓君：如果你們真能做到大幅降低渲染成本，這次的生成式AI技術(shù)會(huì)對(duì)Unreal這樣的游戲引擎公司造成沖擊嗎？對(duì)NVIDIA可能就是一個(gè)左手跟右手的關(guān)系。

柴金祥：對(duì)Unreal不一定是好事，我認(rèn)為對(duì)游戲公司來說更多是機(jī)會(huì)?，F(xiàn)在3A級(jí)游戲都需要云端有顯卡，或者手機(jī)上得有比較強(qiáng)的算力，不然玩起來會(huì)發(fā)燙。如果將來能用AI方式解決渲染和解算，不需要引擎和顯卡就能玩游戲，那游戲就能無處不在。或者將來真正實(shí)現(xiàn)元宇宙時(shí)，虛擬世界的參與成本也許會(huì)變得很低很低。

泓君：現(xiàn)在用AI方式解決渲染問題，質(zhì)量能達(dá)到傳統(tǒng)游戲引擎的水平嗎？大概到了一個(gè)什么樣的進(jìn)度位？

柴金祥：在我們這個(gè)特定應(yīng)用場(chǎng)景下，質(zhì)量基本一樣。因?yàn)槲覀兊挠?xùn)練數(shù)據(jù)就是用最高質(zhì)量的游戲引擎渲染的，AI模型是在大量數(shù)據(jù)基礎(chǔ)上逼近原來的效果。我們做過并列對(duì)比（Side-by-Side Comparison），左邊是游戲引擎渲染，右邊是AI渲染，沒有一個(gè)人能看出左右之間的區(qū)別。

圖片來源：Unreal

泓君：這非常顛覆。如果我們綜合評(píng)估你們模型的能力，你覺得最強(qiáng)的一點(diǎn)是什么？比如現(xiàn)在看2D視頻渲染，最大的痛點(diǎn)可能是口型對(duì)不上、眼神空洞，這種虛假感。你們?cè)趯?D數(shù)字人應(yīng)用到不同行業(yè)時(shí)，遇到的最大痛點(diǎn)是什么？怎么解決的？

柴金祥：這個(gè)問題很好。我們收到的客戶反饋主要集中在三個(gè)方面。第一是質(zhì)量，包括語音、動(dòng)作、表情、唇形是否自然逼真？是不是像真人一樣？第二是延時(shí)，我跟它交互聊天時(shí)，不能一句話等5秒鐘才回應(yīng)，那我肯定沒有這個(gè)耐心了；第三是客戶非常關(guān)心的成本，如果太貴，即使體驗(yàn)好客戶也不愿意投入。

質(zhì)量、延遲、成本——這是我們規(guī)?；涞匾降摹叭笊健?。還有個(gè)關(guān)鍵點(diǎn)是讓數(shù)字人支持多終端——大屏、小屏、手機(jī)APP，支持并發(fā)，這涉及不同操作系統(tǒng)、不同芯片算力。

我們解決質(zhì)量和延時(shí)問題，主要靠大模型提升能力。質(zhì)量方面當(dāng)然訓(xùn)練數(shù)據(jù)最重要——如果3D人的質(zhì)量很差，根本做不好。另外就是大模型本身的能力：能否通過文本生成語音、表情動(dòng)作和匹配的唇形？能否從文本中提取情緒（比如笑或打招呼）自動(dòng)生成關(guān)鍵意圖？TTS語音生成是否也有情緒的？這些都關(guān)系到如何讓大模型產(chǎn)生高質(zhì)量輸出。

04 加速具身智能突破泛化

泓君：我們剛剛聊了很多AI技術(shù)如何應(yīng)用于虛擬世界。那反過來，你們現(xiàn)在訓(xùn)練的模型能操控機(jī)器人嗎？你們?cè)囘^嗎？

柴金祥：我們?cè)囘^。3D數(shù)字人和3D動(dòng)畫的一個(gè)優(yōu)勢(shì)就是能夠驅(qū)動(dòng)機(jī)器人。比如一個(gè)3D數(shù)字人能跟你交流，聽懂你的問題，生成相應(yīng)的語音、動(dòng)作、表情和姿態(tài)。對(duì)機(jī)器人來說，我們可以用同樣的技術(shù)驅(qū)動(dòng)它，讓機(jī)器人實(shí)現(xiàn)實(shí)時(shí)語音、動(dòng)作和手勢(shì)。只是現(xiàn)在的機(jī)器人沒有臉部肌肉，所以表現(xiàn)不出表情。

現(xiàn)在的機(jī)器人更像是藍(lán)領(lǐng)工人。如果將來要做陪伴型機(jī)器人，或者做白領(lǐng)工作，比如銷售、老師，可能就需要表情了。首先我們要知道機(jī)器人在交流時(shí)，手勢(shì)該怎么動(dòng)？表情該怎么變化？姿態(tài)該如何調(diào)整？下一步就是通過模仿學(xué)習(xí)，像NVIDIA的方法那樣，通過仿真實(shí)現(xiàn)直接驅(qū)動(dòng)和交流。

3D數(shù)字人驅(qū)動(dòng)機(jī)器人 圖片來源：魔琺科技

泓君：太有意思了。在實(shí)際應(yīng)用中，你們將模型數(shù)據(jù)接到機(jī)器人上，覺得對(duì)哪部分提升最大？機(jī)器人沒有表情，但手勢(shì)可以動(dòng)，你們能同時(shí)驅(qū)動(dòng)手和腳嗎？還是只能驅(qū)動(dòng)上半身？

柴金祥：我們可以同時(shí)驅(qū)動(dòng)手和腳。告訴你個(gè)有意思的事，在國(guó)內(nèi)合作中，我們生成的動(dòng)作數(shù)據(jù)包含臉部、手部和腿部的完整動(dòng)作。

其實(shí)現(xiàn)在很多機(jī)器人公司在平衡性方面還不夠完善，即使我們通過API提供了動(dòng)作數(shù)據(jù)，他們也需要結(jié)合強(qiáng)化學(xué)習(xí)和仿真來實(shí)現(xiàn)。如果在這方面做得特別好的，可能也能夠驅(qū)動(dòng)起來。上身其實(shí)有很多動(dòng)作，有一定的泛化性。

這個(gè)事情其實(shí)我覺得這沒有那么難，就像我們爬樓梯一樣，我的動(dòng)作能夠通過我們的能力生產(chǎn)出來，然后在仿真環(huán)境中加上強(qiáng)化學(xué)習(xí)，讓它復(fù)制這些動(dòng)作，一點(diǎn)問題都沒有。

泓君：所以機(jī)器人的平衡問題在于，我們收集的3D數(shù)據(jù)只是動(dòng)作姿態(tài)，沒有力的反饋。一旦加入力的因素，就會(huì)出現(xiàn)平衡問題、摔跤問題。

柴金祥：我覺得你好專業(yè)，這里有兩個(gè)核心點(diǎn)：驅(qū)動(dòng)機(jī)器人需要運(yùn)動(dòng)學(xué)（Kinematics）和動(dòng)力學(xué)（Dynamics）。第一步是運(yùn)動(dòng)學(xué)，比如要抓杯子，需要知道手的pose是什么，該怎么動(dòng)去抓住它。第二步是動(dòng)力學(xué)，解決需要用多少力、按什么路徑去抓取的問題。我們先做運(yùn)動(dòng)學(xué)，也就是運(yùn)動(dòng)規(guī)劃，這兩者可以結(jié)合起來。

泓君：所以我理解其實(shí)機(jī)器人公司尋求合作時(shí)，兩者都需要。如果從零開始做機(jī)器人公司，最缺的就是數(shù)據(jù)，而你們有數(shù)據(jù)的模型就已經(jīng)訓(xùn)練好了。

柴金祥：是的。因?yàn)槲覀兙劢褂诮换?，下一步我們今年?huì)發(fā)布一個(gè)3D動(dòng)作大模型。比如你告訴它“往前走五步，趴下再爬起來跑”，它就能自動(dòng)生成3D動(dòng)作數(shù)據(jù)。這些數(shù)據(jù)可以用來訓(xùn)練機(jī)器人，有了這樣的動(dòng)作大模型，甚至不需要?jiǎng)幼鞑蹲?，因?yàn)椴蹲揭彩菫榱双@取類似數(shù)據(jù)。

泓君：波士頓動(dòng)力的機(jī)器人爬樓梯、旋轉(zhuǎn)、搬箱子已經(jīng)很成熟了。但這是在大模型出現(xiàn)之前，他們研發(fā)了很多年，用了各種方法。你現(xiàn)在用AI模型驅(qū)動(dòng)爬樓梯動(dòng)作，這兩者技術(shù)路徑是完全不同還是相似？

圖片來源：Boston Dynamics

柴金祥：你提到一個(gè)有意思的點(diǎn)，波士頓動(dòng)力以前能爬樓梯，但泛化能力不強(qiáng)。比如你給它不同高度的樓梯，它不一定每種樓梯都能爬好。他們展示demo時(shí)總是用同一個(gè)樓梯。

這就是泛化性的重要性。今天做人形機(jī)器人都要面對(duì)這個(gè)問題：生成數(shù)據(jù)后，能否處理數(shù)據(jù)之外的情況？比如爬樓梯，每個(gè)樓梯高度、層數(shù)、摩擦系數(shù)都不同，這些都是一些要泛化的參數(shù)。

那今天你有沒有能力，給任何一個(gè)樓梯都能爬得穩(wěn)？另外能否控制爬快一點(diǎn)，或爬慢一點(diǎn)？這仍然是個(gè)難題，根源還是數(shù)據(jù)。我們要做的核心就是在虛擬世界中，通過3D動(dòng)畫大模型生產(chǎn)出動(dòng)畫的數(shù)據(jù)，讓它爬樓梯，讓它見過所有情況。機(jī)器人動(dòng)作的泛化性和數(shù)字人動(dòng)作的泛化性，其實(shí)這兩件事是一樣的。

泓君：你覺得用AI做機(jī)器人經(jīng)歷了哪些變遷？就像你說的，最早可能沒人想到用AI做機(jī)器人，后來開始加入強(qiáng)化學(xué)習(xí)。

柴金祥：最早的時(shí)候，AI機(jī)器人這個(gè)方向很難很難，尤其是人形機(jī)器人，我們叫Biped，最難的問題就是雙足平衡。另一個(gè)難題是抓取。那個(gè)時(shí)候做人形機(jī)器人最有一段時(shí)間日本很火，比如本田的ASIMO。工程師要調(diào)整走路參數(shù)，你都不知道后面有多少工程師在調(diào)這個(gè)參數(shù)。這些參數(shù)還不穩(wěn)定，把地面稍微改一改，它就可能跌倒了。那時(shí)AI和學(xué)習(xí)的方法用得不多，主要做控制器。

泓君：所以早期機(jī)器人發(fā)展主要關(guān)注控制，為了讓機(jī)器人不跌倒。

柴金祥：如果能走，不跌倒，就已經(jīng)很了不起了。后來大家覺得光這樣走不行，你能不能有一定的泛化能力？在不同平面、不同表面，以不同速度行走。如果不用AI方法，這幾乎不可能實(shí)現(xiàn)。

ASIMO告別演出 圖片來源：Honda

泓君：你覺得現(xiàn)在的機(jī)器人相比20年前進(jìn)化了多少？

柴金祥：我的進(jìn)化還是蠻大的。以前讓雙足機(jī)器人走跑跳，覺得好難好難，但現(xiàn)在看國(guó)內(nèi)很多人形機(jī)器人公司，運(yùn)動(dòng)會(huì)上拿遙控器控制，大部分走跑問題都解決了。這在20年前基本不可能，balance太難了。

泓君：但這是通過遠(yuǎn)程操控實(shí)現(xiàn)的。

柴金祥：即使遠(yuǎn)程操控，還是要解決動(dòng)力學(xué)控制的問題。我覺得如果有視覺語言動(dòng)作大模型，就不需要那個(gè)遙控器了。但用小腦控制這個(gè)事情，讓它走，不跌倒，仍然很難?，F(xiàn)在的進(jìn)步在于數(shù)據(jù)、強(qiáng)化學(xué)習(xí)、仿真環(huán)境，像NVIDIA。技術(shù)進(jìn)步后，能力開放出來了，大家都能在仿真環(huán)境里做，你就發(fā)現(xiàn)其實(shí)沒那么的難了。

泓君：機(jī)器人走路不摔倒，是現(xiàn)在機(jī)器人公司的普遍水平，還是只有頭部公司能做到？

柴金祥：對(duì)稍好的團(tuán)隊(duì)?wèi)?yīng)該沒問題。但關(guān)鍵點(diǎn)，就是你的泛化能力有多強(qiáng)？在日常訓(xùn)練的特定場(chǎng)景中不摔倒，如果在新場(chǎng)景搞不定，還是會(huì)摔倒。

泓君：那你覺得世界上有多少公司能在部分場(chǎng)景實(shí)現(xiàn)機(jī)器人不摔倒？

柴金祥：如果完全不摔倒，在新的應(yīng)用場(chǎng)景其實(shí)蠻難的，我不知道現(xiàn)在有沒有公司能做到很強(qiáng)的泛化能力和魯棒性。如果有，我肯定要學(xué)習(xí)一下的。就拿爬樓梯來說，如果設(shè)置沒見過的樓梯情況，我不相信現(xiàn)在世界上有任何一個(gè)人形機(jī)器人公司能做到。

還有個(gè)問題是抓取，早期用人形手抓取的研究不多，機(jī)器人整個(gè)業(yè)界多用吸盤來吸。但現(xiàn)在很多人研究靈巧手，讓機(jī)器人一樣用筷子夾東西，這非常難，需要大腦加小腦配合。大腦要先識(shí)別物體和抓取方式，小腦控制筷子夾取。我認(rèn)為現(xiàn)在看到的都是demo，在特定應(yīng)用場(chǎng)景下可能有些泛化性，但再擴(kuò)展就很難。

泓君：我們10月5日的活動(dòng)您也去了，現(xiàn)場(chǎng)有機(jī)器人開可樂。彩排時(shí)我放了瓶可樂，他們說要把拉環(huán)對(duì)準(zhǔn)手指方向，否則那個(gè)機(jī)器人的手的靈活度還很難去把可樂轉(zhuǎn)一個(gè)方向打開。

柴金祥：這還是在特定布置好的環(huán)境里，更不用說進(jìn)入家庭后各種復(fù)雜情況。大家現(xiàn)在看到VLA模型可能解決這個(gè)問題，但能否100%解決，其實(shí)也沒人知道。如果能，需要多少數(shù)據(jù)才能達(dá)到足夠的泛化能力和魯棒性？大家相信擴(kuò)展定律（Scaling Laws），相信大模型總有一天能解決，但這里面的挑戰(zhàn)是很大很大。

泓君：從你的角度看，現(xiàn)在世界上最好的機(jī)器人公司是哪家？為什么？

柴金祥：做機(jī)器人有不同的流派：有做本體的、做硬件的、做小腦的、做大腦的。我覺得很難說誰最好，因?yàn)椤昂谩庇胁煌亩x。是在研究上有突破，還是已經(jīng)落地商用？也許某條路看起來很有希望，但最后發(fā)現(xiàn)是死路，暫時(shí)的領(lǐng)先不一定是最終領(lǐng)先。國(guó)內(nèi)也有不同流派，比如宇樹做機(jī)器人本體加小腦，它不做大腦。

泓君：大腦指什么？

柴金祥：大腦是處理VLA、疊衣服這類任務(wù)。小腦是處理爬樓梯、跳舞、跑步等。我覺得目前還沒看到真正的曙光，可能我比較悲觀。就像其他領(lǐng)域，VR/AR、自動(dòng)駕駛都有起起落落，AI領(lǐng)域也會(huì)這樣。這是機(jī)器人第一波浪潮，長(zhǎng)期前景光明，但短期挑戰(zhàn)很多。

泓君：你覺得機(jī)器人模型達(dá)到GPT-3時(shí)刻需要多久？

柴金祥：我沒有那么強(qiáng)的認(rèn)知。我覺得今天的數(shù)據(jù)要泛化能力，還需要很長(zhǎng)一段時(shí)間。我看到的情況還無法清晰判斷是2年還是3年，但我覺得10年內(nèi)有希望解決。

泓君：所以你們公司沒有直接切入機(jī)器人賽道，而是選擇3D和機(jī)器人的交叉領(lǐng)域。

柴金祥：如果讓3D數(shù)字人在數(shù)字世界、在VR空間或屏幕上與人交流，能夠抓取、走路、爬樓梯，在數(shù)字世界里已經(jīng)很有用，它已經(jīng)可以有實(shí)際應(yīng)用和商業(yè)落地了。

反過來，做這些對(duì)機(jī)器人也很有價(jià)值。因?yàn)樵谛∧X控制方面，你需要先知道怎么動(dòng)，再用強(qiáng)化學(xué)習(xí)決定用多少力。從研究角度，機(jī)器人是個(gè)好方向，有太多可探索的，但從商業(yè)化角度，我自己覺得其實(shí)挑戰(zhàn)很多。如果真要商業(yè)化落地，人形機(jī)器人在白領(lǐng)領(lǐng)域可能比藍(lán)領(lǐng)更快。

圖片來源：宇樹

泓君：你提到數(shù)字世界也會(huì)涉及力的反饋，比如好萊塢動(dòng)畫里面，我們把一個(gè)蘋果、一個(gè)南瓜甩出，去變成醬，怎么炸開？

柴金祥：那個(gè)就是物理。還比如說，你是一個(gè)數(shù)字人或3D的角色，從二層樓跳到一層樓，你跳下去的時(shí)候，跟地面的反饋和滾動(dòng)必須符合物理。我們的大模型生成動(dòng)畫后，它本身就可以用物理方式在虛擬世界中仿真它。同樣的方式，也可以用強(qiáng)化學(xué)習(xí)的方式去生成這個(gè)控制器，我可以在實(shí)際世界中這么做，因?yàn)檫@個(gè)邏輯是相通的。

泓君：但我有個(gè)問題。如果我們收集動(dòng)畫世界的數(shù)據(jù)來學(xué)習(xí)，我知道一個(gè)人從樓梯摔下后怎么彈、怎么滾的，只是看到現(xiàn)象并用這些數(shù)據(jù)訓(xùn)練大模型，能反饋，能模擬，但我們還是不知道力是多少。

就是我們說Scaling跟這個(gè)所有的大模型，都是黑盒模型。但是我們?cè)侔堰@個(gè)場(chǎng)景拉回到現(xiàn)實(shí)，我們要讓機(jī)器人砸到或拿到一個(gè)東西，這個(gè)力的大小，我不知道需要通過反復(fù)調(diào)控計(jì)算得出，所以需要力的數(shù)據(jù)。其實(shí)人在現(xiàn)實(shí)生活中舉杯子也不需要計(jì)算力，靠經(jīng)驗(yàn)習(xí)慣和感知就好了。

我的總體意思就是，過去機(jī)器人研究包括力學(xué)反饋，都是用白盒方法，但現(xiàn)在模型用黑盒和一套更加經(jīng)驗(yàn)主義的方法去做。

柴金祥：這就是為什么在泛化到現(xiàn)實(shí)世界時(shí)挑戰(zhàn)很大，因?yàn)榉夯婕暗囊蛩靥?，整個(gè)的過程中你要學(xué)力的控制的函數(shù)。

泓君：以前是要自己計(jì)算嗎？

柴金祥：對(duì)，現(xiàn)在用強(qiáng)化學(xué)習(xí)，只要有足夠多的數(shù)據(jù)跟它reward，它就能慢慢能夠做。但問題是，我說的抓杯子只是個(gè)小例子，這個(gè)世界上有多少種情況？所以我希望將來有一個(gè)基座大模型，有足夠多數(shù)據(jù)后，在特定場(chǎng)景下我能去調(diào)優(yōu)這個(gè)模型，把它慢慢做好。

泓君：我聽下來覺得，機(jī)器人領(lǐng)域這波最大進(jìn)展是研究方式從白盒模型的研究，變成了黑盒模型的研究。從必須知道每個(gè)細(xì)節(jié)的受力點(diǎn)，靠計(jì)算和細(xì)節(jié)調(diào)配的研究，變成了端到端的模型，我們不知道內(nèi)部是怎么運(yùn)作的，但它可以工作。

柴金祥：是的，這條路確實(shí)打開了新局面。以前的時(shí)候，那套東西更多是顯式的，那種方法肯定不能規(guī)?；晕覀冇X得做機(jī)器人太難了，怎么做也沒有希望的那種感覺。

但是今天我作為一個(gè)外行，我覺得雖然很難，但長(zhǎng)期來看是有希望的。這套方法在大語言模型和其他領(lǐng)域已經(jīng)展示了能力。如果在機(jī)器人這個(gè)方向上，如果你有足夠多數(shù)據(jù)，是有可能解決這個(gè)問題的，但中間會(huì)不會(huì)遇到意想不到的問題和低谷，我不知道。

泓君：看起來現(xiàn)在是剛找到一條新的路的那個(gè)興奮感的時(shí)候，但結(jié)果能否收斂？能否持續(xù)看到效果？這中間肯定會(huì)有起起落落。

柴金祥：是的。