羅永浩在用的數(shù)字人，拿下世界互聯(lián)網(wǎng)大會科技大獎

智東西
作者 李水青
編輯 漠影

今年6月，羅永浩的數(shù)字人登上百度電商直播間，連續(xù)6小時不間斷“帶貨”，一邊調(diào)侃、一邊拎著可樂、喝著奶茶，與助播朱蕭木的數(shù)字人一唱一和，引發(fā)1300萬人次圍觀。這場直播最終實現(xiàn)GMV（商品交易總額）5500萬元，刷新了數(shù)字人帶貨紀(jì)錄。

▲羅永浩的數(shù)字人直播

現(xiàn)在，驅(qū)動這場直播的“AI總導(dǎo)演”，站上了世界互聯(lián)網(wǎng)大會烏鎮(zhèn)峰會的領(lǐng)獎臺。

在11月6日至9日舉行的2025年世界互聯(lián)網(wǎng)大會烏鎮(zhèn)峰會上，百度“劇本驅(qū)動多模協(xié)同的高擬真數(shù)字人技術(shù)”榮獲領(lǐng)先科技獎，實現(xiàn)連續(xù)三年獲獎。

▲百度CTO王海峰在講解高擬真數(shù)字人技術(shù)

從羅永浩的數(shù)字分身到世界互聯(lián)網(wǎng)大會的領(lǐng)獎舞臺，我們看到數(shù)字人好像跟前幾年我們印象中的不一樣了，一個問題隨之浮現(xiàn)：

讓數(shù)字人跨越“形似”的初級階段，進入“神形兼?zhèn)洹钡娜戮辰纾俣仁侨绾巫龅模?/strong>

一、烏鎮(zhèn)大會上的AI新風(fēng)向：數(shù)字人成大模型經(jīng)典落地場景

世界互聯(lián)網(wǎng)大會“領(lǐng)先科技獎”是全球互聯(lián)網(wǎng)科技發(fā)展的一個風(fēng)向標(biāo)。

在今年的世界互聯(lián)網(wǎng)大會烏鎮(zhèn)峰會上，評審委員會從34個國家和地區(qū)征集了424項科技成果，經(jīng)海內(nèi)外專家評審，最終遴選出17項年度領(lǐng)先成果。

其中，作為融合了大語言模型與多模態(tài)技術(shù)的創(chuàng)新應(yīng)用，百度“劇本驅(qū)動多模協(xié)同的高擬真數(shù)字人技術(shù)”成功入選。一同入選的還有中國科學(xué)院計算技術(shù)研究所、中國科學(xué)院軟件研究所的“處理器芯片軟硬件全自動設(shè)計”，清華大學(xué)“北斗三號衛(wèi)星導(dǎo)航信號關(guān)鍵技術(shù)及應(yīng)用”等成果。

▲2025年世界互聯(lián)網(wǎng)大會領(lǐng)先科技獎頒獎現(xiàn)場

當(dāng)下，數(shù)字人正成為AI最具代表性的落地場景之一。百度“劇本驅(qū)動多模協(xié)同的高擬真數(shù)字人技術(shù)”體現(xiàn)了這一趨勢，不僅是語言、視覺、語音技術(shù)的融合創(chuàng)新，更是百度多年AI技術(shù)的集大成者。

從2023年“知識增強大語言模型關(guān)鍵技術(shù)”到2024年“文心智能體技術(shù)”，百度成為唯一連續(xù)三年獲獎的人工智能公司。

二、何以“高擬真”？5大核心技術(shù)，為數(shù)字人注入“靈魂”

過去我們談數(shù)字人，更多是關(guān)注“像不像”；而今天百度的數(shù)字人，已經(jīng)進入“神似”的維度。何以“高擬真”？

其核心，在于以文心大模型為內(nèi)核的“劇本驅(qū)動多模協(xié)同技術(shù)”，讓數(shù)字人具備了自我理解、規(guī)劃和表演的能力。該技術(shù)有以下五大創(chuàng)新點：

1、劇本驅(qū)動多模協(xié)同：為數(shù)字人注入“靈魂”

傳統(tǒng)數(shù)字人依賴人工腳本和單模態(tài)驅(qū)動，而百度的這項技術(shù)能生成一份真正意義上的“劇本”， 劇本生成的核心在于語言模型驅(qū)動下的多模態(tài)協(xié)同，不僅有“說什么”，還有“怎么說、說的時候怎么配合動作表情”。

比如，當(dāng)提到“法令紋”時，視覺系統(tǒng)會自動指向?qū)?yīng)面部區(qū)域；當(dāng)數(shù)字人“送福利”時，語音模塊會自動調(diào)整語調(diào)，表現(xiàn)出興奮情緒。甚至在雙人互動時，還能標(biāo)記“在哪個詞后接話”，實現(xiàn)無縫對話。

這讓數(shù)字人不再只是“說話的模型”，而是真正擁有導(dǎo)演級的多模態(tài)表達協(xié)調(diào)力。

2、融合多模規(guī)劃與深度思考的劇本生成：讓對話自然流暢

數(shù)字人不止能說臺詞，還能“思考劇情”。百度通過融合多模規(guī)劃與大模型推理，實現(xiàn)了對對話上下文的整體理解。

在直播中，數(shù)字人不僅能按照預(yù)設(shè)劇本推進，還能根據(jù)直播間實時熱度及用戶反饋，智能調(diào)整講解節(jié)奏與互動內(nèi)容，實現(xiàn)銜接自然的動態(tài)交互。

這正是數(shù)字人老羅能秒接網(wǎng)絡(luò)熱梗，展現(xiàn)出鮮明人設(shè)與活潑語言風(fēng)格的技術(shù)基礎(chǔ)。

3、動態(tài)決策的實時交互：賦予“臨場反應(yīng)”能力

基于大模型的實時感知與決策能力，數(shù)字人不再是單向輸出的播報機器，而具備了類似真人的現(xiàn)場“判斷力”。

它能夠理解彈幕評論、感知直播間氛圍，并據(jù)此做出實時反饋，如回答用戶提問、玩梗互動、調(diào)整講解策略，從而極大提升了互動的真實感與用戶的參與感。

4、文本自控的語音合成：告別“機械朗讀”

聲音，是數(shù)字人“靈魂”的另一半。百度的語音合成大模型通過“文本自控”機制，讓聲音擺脫機械朗讀感，實現(xiàn)與表達與語義、情緒高度一致。

其核心在于，模型能深度理解直播臺詞的文風(fēng)與語境，并結(jié)合發(fā)音人（如羅永浩）的獨特特征，將文本信息“翻譯”成自然、富有感染力的聲音。

通過對話上下文編碼器，百度解決了雙人直播中聲音配合的難題，實現(xiàn)了羅永浩與朱蕭木數(shù)字人之間流暢、自然的對話效果。

5、高一致性超擬真長視頻生成：挑戰(zhàn)“時長極限”

數(shù)字人直播常常持續(xù)數(shù)小時，如何讓其在長時間內(nèi)保持表情、動作和場景的自然連貫，是一項行業(yè)難題。

百度通過結(jié)合多模態(tài)視頻理解、跨模態(tài)信號生成等關(guān)鍵技術(shù)，攻克了高可控交互、長時間一致性保持等業(yè)界難題，實現(xiàn)了高一致性、超擬真的數(shù)字人長視頻生成，將AI視頻生成的應(yīng)用邊界從“秒級”拓展至“小時級”。

羅永浩數(shù)字人直播6小時全程動作自然、視線交互精準(zhǔn)，就是這一技術(shù)的成果。

可以看到，百度以“神、形、音、容、話”的統(tǒng)一能力，構(gòu)建一個兼具表達力與情感力的數(shù)字人系統(tǒng)。它不只是模仿人類，而是在理解人類表達邏輯的基礎(chǔ)上“再創(chuàng)造人類體驗”。

三、從羅永浩到萬千場景：10萬數(shù)字人，讓開播成本暴降80%

頂尖的技術(shù)價值，最終需要通過大規(guī)模應(yīng)用與實實在在的商業(yè)效益來驗證。

在百度，這項獲獎技術(shù)的規(guī)模化落地已現(xiàn)成效。官方數(shù)據(jù)顯示，基于該技術(shù)已生產(chǎn)超過10萬個數(shù)字人，覆蓋電商、教育、法律、健康等數(shù)十個行業(yè)，助力商家開播成本降低80%，直播轉(zhuǎn)化率提升31%。

以“羅永浩數(shù)字人”為例，其6月15日的首秀不僅是技術(shù)實力的展示，更是一場成功的商業(yè)實踐：

整場直播持續(xù)6小時，AI調(diào)用知識庫1.3萬次，生成9.7萬字產(chǎn)品講解內(nèi)容，雙數(shù)字人搭檔做出超8300個動作。從直播效果來看，整場直播吸引1300萬人次觀看，GMV突破5500萬元，部分核心品類帶貨單量甚至超過羅永浩5月真人首秀同期數(shù)據(jù)。

羅永浩本人也通過視頻表示“讓我驚訝”、“完美收官”，稱數(shù)字人直播“可能代表了電商直播的新趨勢”。

▲羅永浩的數(shù)字人直播

技術(shù)紅利正滲透至千行百業(yè)。在山東德州夏津縣，三位平均年齡超65歲的老支書，借助百度“慧播星”數(shù)字人技術(shù)，進行7×24小時不間斷直播，精準(zhǔn)講解產(chǎn)品、實時回復(fù)問題。開通數(shù)字人直播短短一個月，他們的地瓜直播間訂單近萬單，總銷售額突破15萬元，成功售出農(nóng)產(chǎn)品3.3萬斤。

據(jù)悉，這種“真人+數(shù)字人”雙軌模式已形成可復(fù)制的助農(nóng)路徑——百度電商“一村一品”項目通過“慧播星”等技術(shù)，累計幫助全國1000多戶農(nóng)民增收，商品交易總額超2500萬元。

可以看到，從超頭主播的直播間到田間地頭的助農(nóng)現(xiàn)場，百度數(shù)字人技術(shù)正在智能客服、虛擬教師、數(shù)字代言人、互動娛樂等多個領(lǐng)域落地開花。

結(jié)語：AI數(shù)字人迎技術(shù)產(chǎn)業(yè)升級，帶來商業(yè)新增長點

從羅永浩直播間里那個能接梗、會互動、神形兼?zhèn)涞臄?shù)字人，到賦能十萬數(shù)字人降低商業(yè)成本、提升轉(zhuǎn)化效率的產(chǎn)業(yè)平臺，我們看到，以大模型為核心的AI數(shù)字人技術(shù)，已成為驅(qū)動產(chǎn)業(yè)升級、創(chuàng)造商業(yè)新增長點的強大引擎。

數(shù)字人的發(fā)展，已走過“形似”、“神似”，正進入百度所定義的“高擬真”、“高說服力”階段。而未來，數(shù)字人或?qū)⒄嬲谀承┓矫娉秸嫒耍瑢崿F(xiàn)超長待機、千人千面、多語言多風(fēng)格的極致服務(wù)。

過去的十年，百度在AI上的每一次突破，都像是鋪設(shè)通向未來的基石。世界互聯(lián)網(wǎng)大會展現(xiàn)出的新風(fēng)向表明，技術(shù)長期主義與系統(tǒng)化布局是推動智能產(chǎn)業(yè)發(fā)展的必由之路。